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

Imaginez que vous êtes un médecin essayant de trouver la dose parfaite d'un médicament pour un patient. Ce n'est pas aussi simple que de deviner ; le corps est une machine complexe qui traite les médicaments à des vitesses différentes selon le poids, l'âge et même la génétique d'une personne. C'est le monde de la pharmacocinétique de population (ou « PopPK » pour les intimes). Voyez cela comme un immense jeu de « Devinez la recette » à enjeux élevés. Les scientifiques doivent construire un modèle mathématique qui prédit comment un médicament circule dans le flux sanguin : la vitesse à laquelle il entre, le temps qu'il y reste et la vitesse à laquelle il en sort.

Pendant des décennies, la construction de ces modèles a été un travail manuel et lent réalisé par des experts. Ils modifiaient une partie de la recette, vérifiaient le résultat, modifiaient une autre partie, et ainsi de suite. C'est comme essayer de trouver la combinaison parfaite d'épices pour une soupe en la goûtant après chaque pincée de sel. Cela prend beaucoup de temps, et parfois l'expert se retrouve bloqué sur une solution « assez bonne » sans réaliser qu'une solution « parfaite » se cache ailleurs. Récemment, les scientifiques ont tenté d'automatiser ce processus à l'aide d'ordinateurs, mais beaucoup de ces nouveaux outils sont comme des chefs aux yeux bandés : ils peuvent trouver une soupe décente, mais ils ne peuvent pas prouver qu'ils ont trouvé la meilleure possible. Cette étude pose une question cruciale : pouvons-nous construire un programme informatique qui non seulement cuisine la soupe automatiquement, mais prouve également qu'il a trouvé la recette absolue, sans prendre une vie entière pour le faire ?

---

La grande chasse à la recette : un conte d'algorithmes et de médecine

Dans cette étude, une équipe de chercheurs a présenté un nouvel outil en libre accès appelé nlmixr2auto. Considérez cet outil comme un chef automatisé super intelligent qui ne se contente pas de deviner ; il utilise des stratégies astucieuses pour traquer la recette de médicament parfaite. Les chercheurs voulaient voir si ce nouveau chef pouvait battre l'ancienne méthode « étape par étape » et, plus important encore, s'il pouvait trouver la même recette « parfaite » qu'un ordinateur trouverait s'il essayait chaque combinaison possible (une méthode appelée « recherche exhaustive »).

Pour tester leur outil, l'équipe n'a pas utilisé de données fictives. Elle a rassemblé 22 jeux de données cliniques réels provenant de véritables patients et de volontaires sains. Ces jeux de données couvraient une grande variété de médicaments, notamment des antibiotiques, des traitements contre le cancer et des médicaments pour le cœur, administrés soit par perfusion intraveineuse, soit par voie orale. Certains jeux de données ne comprenaient que quelques personnes, tandis que d'autres en comptaient des centaines. C'était un menu diversifié et exigeant pour leur chef automatisé.

Le concours : trois chasseurs intelligents contre un goûteur lent

Les chercheurs ont organisé une compétition entre quatre façons de trouver le meilleur modèle :

1. Recherche exhaustive : Le « Gold Standard » (la référence). Cette méthode essaie toutes les combinaisons de recettes possibles pour garantir qu'elle trouve la meilleure absolue. C'est comme goûter toutes les combinaisons d'épices possibles dans l'univers. C'est garanti d'être juste, mais c'est incroyablement lent.
2. Méthode par étapes (Stepwise) : La « vieille école ». Elle commence par une recette de base et ajoute ou retire un ingrédient à la fois, en vérifiant le goût après chaque changement. C'est rapide, mais elle peut rester bloquée sur une « bonne » recette et manquer la recette « parfaite » parce qu'elle ne regarde pas assez loin devant elle.
3. Les chasseurs métaheuristiques (GA, ACO, TS) : Ce sont les stars du spectacle, propulsées par nlmixr2auto. Elles utilisent des stratégies inspirées de la nature :
   • Algorithmes Génétiques (GA) : Comme l'évolution, où les meilleures recettes « s'accouplent » et « mutent » pour créer des descendants encore meilleurs.
   • Optimisation par Colonies de Fourmis (ACO) : Comme les fourmis laissant des traces de phéromones ; plus la recette est bonne, plus la trace est forte, guidant les autres vers le meilleur endroit.
   • Recherche Tabou (TS) : Comme un détective qui se souvient des chemins qu'il a déjà essayés et refuse de les emprunter à nouveau, le forçant à explorer de nouveaux territoires.

Les résultats : quand la vitesse rencontre la perfection

Les résultats ont changé la donne pour le domaine de la modélisation médicale.

L'accord « parfait » :
Lorsque les chercheurs ont comparé les résultats à la « référence » (Recherche exhaustive), les chasseurs métaheuristiques se sont révélés incroyablement précis.

• L'Algorithme Génétique (GA) a trouvé exactement la même recette parfaite que la recherche exhaustive dans 21 des 22 jeux de données. Cela représente un taux de réussite de 95,5 %.
• L'Optimisation par Colonies de Fourmis (ACO) a réussi 20 fois sur 22 (90,9 %).
• La Recherche Tabou (TS) a réussi 19 fois sur 22 (86,4 %).

En net contraste, la méthode par étapes n'a trouvé la recette parfaite que dans 7 des 22 jeux de données (31,8 %). Elle était rapide, certes, mais elle se trompait souvent, manquant la meilleure solution car elle était trop concentrée sur des étapes petites et prudentes.

La course à la vitesse :
C'est ici que la magie opère. La recherche exhaustive, le « Gold Standard », est si lente que pour certains des plus grands jeux de données, elle prendrait plus de 100 jours pour se terminer sur un ordinateur standard. Même avec un ordinateur puissant à 4 cœurs, près de la moitié des jeux de données ont pris entre 10 et 100 jours à résoudre.

Les outils nlmixr2auto, cependant, étaient d'une rapidité fulgurante.

• 63,6 % des tâches (14 sur 22) ont été accomplies en moins de 24 heures.
• Aucune tâche n'a pris plus de 100 jours.
• En fait, les méthodes métaheuristiques étaient souvent 10 à 100 fois plus rapides que la recherche exhaustive, tout en trouvant les mêmes réponses de haute qualité.

Pourquoi cela importe

L'étude suggère que nous n'avons plus à choisir entre vitesse et précision. Pendant longtemps, les experts devaient soit passer des mois à attendre qu'un ordinateur vérifie toutes les possibilités, soit se contenter d'un modèle « assez bon » construit à la main. Ce nouveau cadre, nlmixr2auto, offre une troisième voie : un outil qui est assez rapide pour être pratique, mais assez intelligent pour trouver le meilleur modèle possible.

Les chercheurs ont constaté que ces outils automatisés ne sont pas seulement des astuces théoriques ; ils fonctionnent sur des données réelles et complexes issues de véritables essais cliniques. Bien que l'étude note que les outils nécessitent encore un certain réglage pour différents types de données et qu'ils n'ont pas encore automatisé l'intégration de facteurs spécifiques aux patients (comme l'âge ou le poids) dans le mélange, la conclusion fondamentale est claire. En utilisant ces stratégies de recherche inspirées de la nature, nous pouvons construire des modèles plus performants et plus fiables sur la façon dont les médicaments agissent dans le corps humain, aidant potentiellement les médecins à prescrire la bonne dose, au bon moment, pour le bon patient, bien plus rapidement qu'auparavant.