Automated modeling of population pharmacokinetic models using nlmixr2auto: a clinical trial and real-world data study

Imagina que eres un médico intentando descubrir la dosis perfecta de un medicamento para un paciente. No es tan sencillo como simplemente adivinar; el cuerpo es una máquina compleja que procesa los fármacos a diferentes velocidades dependiendo del peso, la edad e incluso la genética de una persona. Este es el mundo de la farmacocinética poblacional (o "PopPK" para abreviar). Piensa en esto como un gigantesco y de alto riesgo juego de "Adivina la Receta". Los científicos tienen que construir un modelo matemático que prediga cómo se mueve un fármaco a través del torrente sanguíneo: qué tan rápido entra, cuánto tiempo permanece y qué tan rápido sale.

Durante décadas, construir estos modelos ha sido un trabajo lento y manual realizado por expertos. Ellos retocaban una parte de la receta, comprobaban el resultado, retocaban otra y repetían. Es como intentar encontrar la combinación perfecta de especias para una sopa probándola después de cada pizca de sal. Toma mucho tiempo y, a veces, el experto se queda estancado en una solución "suficientemente buena" sin darse cuenta de que hay una solución "perfecta" escondida en algún otro lugar. Recientemente, los científicos han intentado automatizar este proceso utilizando computadoras, pero muchas de estas nuevas herramientas son como chefs con los ojos vendados: pueden encontrar una sopa decente, pero no pueden demostrar que hayan encontrado la mejor posible. Este artículo plantea una pregunta crucial: ¿Podemos construir un programa de computadora que no solo cocine la sopa automáticamente, sino que también demuestre que encontró la receta absoluta mejor, sin tardar toda una vida en hacerlo?

---

La Gran Búsqueda de la Receta: Un Cuento de Algoritmos y Medicina

En este estudio, un equipo de investigadores presentó una nueva herramienta de código abierto llamada nlmixr2auto. Piensa en esta herramienta como un chef automatizado y súper inteligente que no solo adivina; utiliza estrategias ingeniosas para cazar la receta perfecta de un medicamento. Los investigadores querían ver si este nuevo chef podía vencer al método tradicional de "paso a paso" y, lo más importante, si podía encontrar la misma receta "perfecta" que una computadora encontraría si intentara cada una de las combinaciones posibles (un método llamado "búsqueda exhaustiva").

Para probar su herramienta, el equipo no utilizó datos inventados. Reunieron 22 conjuntos de datos clínicos reales de pacientes reales y voluntarios sanos. Estos conjuntos de datos cubrieron una gran variedad de fármacos, incluyendo antibióticos, tratamientos contra el cáncer y medicamentos para el corazón, administrados ya sea mediante un goteo intravenoso o una píldora. Algunos conjuntos de datos tenían solo unas pocas personas, mientras que otros tenían cientos. Fue un menú diverso y desafiante para que su chef automatizado lo abordara.

El Concurso: Tres Cazadores Inteligentes contra un Catador Lento

Los investigadores organizaron una competencia entre cuatro formas diferentes de encontrar el mejor modelo:

1. Búsqueda Exhaustiva: El "Estándar de Oro". Este método prueba cada una de las combinaciones de recetas posibles para garantizar que encuentra la absolutamente mejor. Es como probar todas las combinaciones posibles de especias en el universo. Está garantizado que será correcto, pero es increíblemente lento.
2. Método Paso a Paso: La forma "Vieja Escuela". Comienza con una receta básica y añade o elimina un ingrediente a la vez, comprobando el sabor después de cada cambio. Es rápido, pero puede quedarse estancado en una receta "buena" y perderse la "perfecta" porque nunca mira lo suficientemente lejos hacia adelante.
3. Los Cazadores Metaheurísticos (GA, ACO, TS): Estos son las estrellas del espectáculo, impulsados por nlmixr2auto. Utilizan estrategias inspiradas en la naturaleza:
   • Algoritmos Genéticos (GA): Como la evolución, donde las mejores recetas se "aparean" y "mutan" para crear descendencia aún mejor.
   • Optimización de Colonias de Hormigas (ACO): Como las hormigas que dejan rastros de feromonas; cuanto mejor es la receta, más fuerte es el rastro, guiando a otras hacia el mejor lugar.
   • Búsqueda Tabú (TS): Como un detective que recuerda qué caminos ya ha probado y se niega a volver a bajar por ellos, obligándolo a explorar nuevos territorios.

Los Resultados: La Velocidad se Encuentra con la Perfección

Los resultados fueron un cambio de paradigma para el campo del modelado médico.

La Coincidencia "Perfecta":
Cuando los investigadores compararon los resultados con el "Estándar de Oro" (Búsqueda Exhaustiva), los cazadores metaheurísticos fueron increíblemente precisos.

• El Algoritmo Genético (GA) encontró exactamente la misma receta perfecta que la búsqueda exhaustiva en 21 de los 22 conjuntos de datos. Eso es una tasa de éxito del 95.5%.
• La Optimización de Colonias de Hormigas (ACO) lo hizo bien 20 de las 22 veces (90.9%).
• La Búsqueda Tabú (TS) tuvo éxito en 19 de las 22 veces (86.4%).

En marcado contraste, el método de la "Vieja Escuela", el Método Paso a Paso, solo encontró la receta perfecta en 7 de los 22 conjuntos de datos (31.8%). Era rápido, sí, pero a menudo estaba equivocado, perdiendo la mejor solución porque estaba demasiado enfocado en dar pasos pequeños y cautelosos.

La Carrera de Velocidad:
Aquí es donde ocurre la magia. La búsqueda exhaustiva del "Estándar de Oro" es tan lenta que, para algunos de los conjuntos de datos más grandes, tardaría más de 100 días en terminar en una computadora estándar. Incluso con una computadora potente de 4 núcleos, casi la mitad de los conjuntos de datos tardaron entre 10 y 100 días en resolverse.

Sin embargo, las herramientas nlmixr2auto fueron increíblemente rápidas.

• El 63.6% de las tareas (14 de 22) se completaron en menos de 24 horas.
• Ninguna de las tareas tardó más de 100 días.
• De hecho, los métodos metaheurísticos fueron a menudo de 10 a 100 veces más rápidos que la búsqueda exhaustiva, y aun así encontraron respuestas de alta calidad.

Por Qué Esto Importa

El estudio sugiere que ya no tenemos que elegir entre velocidad y precisión. Durante mucho tiempo, los expertos tenían que elegir entre pasar meses esperando a que una computadora revisara todas las posibilidades o conformarse con un modelo "suficientemente bueno" construido a mano. Este nuevo marco, nlmixr2auto, ofrece una tercera vía: una herramienta que es lo suficientemente rápida como para ser práctica pero lo suficientemente inteligente como para encontrar el mejor modelo posible.

Los investigadores descubrieron que estas herramientas automatizadas no son solo trucos teóricos; funcionan con datos reales y desordenados de ensayos clínicos reales. Si bien el estudio señala que las herramientas aún necesitan cierto ajuste para diferentes tipos de datos y que aún no han automatizado la selección de factores específicos del paciente (como la edad o el peso) en la mezcla, el hallazgo central es claro. Al utilizar estas estrategias de búsqueda inspiradas en la naturaleza, podemos construir modelos mejores y más confiables sobre cómo funcionan los fármacos en el cuerpo humano, ayudando potencialmente a los médicos a prescribir la dosis adecuada, en el momento adecuado, para el paciente adecuado, mucho más rápido que nunca.