Exploring Ensemble Selection for Model Averaging in Model-informed Precision Dosing: A Tacrolimus Case Study Extended to Cefepime and InfliximabExploring Ensemble Selection for Model Averaging in Model-informed Precision Dosing: A Tacrolimus Case Study Extended to Cefepime and Infliximab
Deze studie toont aan dat voor model-geïnformeerde precisiedosering van tacrolimus, cefepime en infliximab, het zorgvuldig selecteren van een kleine, goed gekozen ensemble van populatiefarmacokinetische modellen op basis van specifieke observatiesets superieure voorspellende prestaties oplevert vergeleken met het gebruik van alle beschikbare modellen of het uitsluitend vertrouwen op de omvang van het ensemble.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In de complexe wereld van orgaantransplantatie hangt het in leven houden van een patiënt vaak af van een delicaat evenwicht waarbij krachtige medicijnen worden gebruikt. Eén zodanig middel, tacrolimus, is essentieel om te voorkomen dat het lichaam een nieuw orgaan, zoals een nier of lever, afstoot, maar het is een lastige stof om te beheren. Het heeft een zeer nauwe veiligheidsmarge: te weinig van dit middel en het nieuwe orgaan kan worden aangevallen door het immuunsysteem; te veel ervan en het kan de nieren vergiftigen of het zenuwstelsel beschadigen. Omdat elk lichaam anders met dit medicijn omgaat, kunnen artsen niet simpelweg iedereen dezelfde dosis geven. In plaats daarvan vertrouwen ze op therapeutische medicijnmonitoring, een proces waarbij ze de hoeveelheid van het medicijn in het bloed van een patiënt meten en de dosering dienovereenkomstig aanpassen. Om deze aanpassingen nauwkeuriger te maken, gebruiken artsen steeds vaker computermodellen die voorspellen hoe een specifieke patiënt op het medicijn zal reageren op basis van hun unieke kenmerken.
Er ontstaat echter een probleem omdat wetenschappers door de jaren heen tientallen verschillende computermodellen voor tacrolimus hebben gepubliceerd. Elk model is gebouwd met gegevens van verschillende groepen mensen, en ze zijn het niet allemaal eens over hoe het medicijn zich gedraagt. Wanneer een arts een dosis moet berekenen, staat hij voor een moeilijke keuze: welk enkel model moet hij vertrouwen? Het gebruik van slechts één model kan leiden tot fouten als dat model niet goed bij de patiënt past. Om dit op te lossen, hebben onderzoekers een methode ontwikkeld genaamd modelaveraging (modelmiddeling), die de voorspellingen van verschillende modellen combineert in één enkel, gewogen advies. Het idee is dat door de wijsheid van vele modellen te bundelen, de uiteindelijke voorspelling betrouwbaarder wordt dan welke enkele methode ook op zichzelf. Maar er is een nieuwe vraag ontstaan: als je modellen kunt combineren, hoeveel moet je er dan gebruiken, en welke zijn de beste om te kiezen?
Een team van onderzoekers besloot deze vraag te beantwoorden door de selectie van modellen te behandelen als een rigoureus experiment. Ze verzamelden een verzameling van zevenentwintig verschillende gepubliceerde computermodellen voor tacroligus en testten elke mogelijke combinatie van deze modellen. Ze wilden zien of het toevoegen van meer modellen de voorspellingen altijd beter maakte, of dat er een punt was waarop het toevoegen van meer modellen slechts onnodige arbeid werd. Om dit te doen, keken ze naar echte gegevens van zevenendertig patiënten die een nier- of levertransplantatie hadden ondergaan. Deze patiënten hadden vijf verschillende momenten tijdens hun herstel bloedmonsters afgestaan, waardoor de onderzoekers een rijke geschiedenis kregen van hoe het medicijn in ieder persoon functioneerde. Het team gebruikte deze historische gegevens om te simuleren hoe goed verschillende groepen modellen de medicijnspiegels in het bloed van de patiënten op een toekomstig tijdstip konden voorspellen.
De onderzoekers ontdekten dat het intuïtieve idee van "meer is beter" hier niet opgaat. Toen ze modellen begonnen te combineren, verbeterde de nauwkeurigheid van de voorspellingen snel, maar deze verbetering liep al heel vroeg tegen een muur aan. Zodra ze drie of vier modellen in hun groep opnamen, leverde het toevoegen van meer modellen geen significante verbetering meer op. Sterker nog, de beste groep modellen die zij vonden, bestond uit slechts drie specifieke modellen. Dit kleine, zorgvuldig gekozen team van drie modellen voorspelde de medicijnspiegels met een foutmarge van ongeveer 19 procent. In contrast hiermee: toen ze probeerden alle zevenentwintig modellen tegelijk te gebruiken, sprong de foutmarge naar bijna 36 procent. Dit suggereert dat het simpelweg in de mix gooien van elk beschikbaar model de voorspelling zelfs slechter maakt, waarschijnlijk omdat sommige modellen niet geschikt zijn voor de specifieke patiënten die behandeld worden.
De studie onthulde ook dat de beste groep modellen volledig afhangt van de informatie die de arts tot zijn beschikking heeft. Als de arts werkt met een enkel bloedmonster dat op het moment van de voorspelling is genomen, werkt een specifieke set van drie modellen het best. Echter, als de arts over een langere geschiedenis van bloedmonsters uit een eerder stadium van het herstel van de patiënt beschikt, presteert een andere groep van zeven of acht modellen beter. Dit betekent dat er geen enkele "perfecte" groep modellen is die voor elke situatie werkt. De onderzoekers testten ook of de modellen in de beste groepen uitwisselbaar waren, wat betekent of een model vervangen kon worden door een ander zonder de voorspelling te schaden. Ze kwamen tot de conclusie dat modellen alleen uitwisselbaar zijn als ze bijna exact dezelfde fouten maken. Als twee modellen verschillend genoeg zijn om andere fouten te maken, kunnen ze niet worden uitgewisseld, omdat elk model unieke informatie biedt die de anderen missen.
Om er zeker van te zijn dat deze bevindingen niet slechts een toevalstreffer waren specifiek voor tacrolimus, pasten de onderzoekers dezelfde testmethode toe op twee andere medicijnen: infliximab, gebruikt bij auto-immuunziekten, en cefepime, een antibioticum. Ze ontdekten hetzelfde patroon: de nauwkeurigheid van de voorspellingen verbeterde aanvankelijk snel, maar vlakt daarna af na het opnemen van slechts een paar modellen. Voor infliximab bestond de beste groep uit vijf modellen, en voor cefepime waren het er slechts twee. Deze consistentie over verschillende medicijnen heen suggereert dat de regel van "minder is meer" een algemeen principe is in dit vakgebied. De studie concludeert dat de sleutel tot succesvolle modelaveraging niet ligt in de kwantiteit van de modellen die worden gebruikt, maar in de kwaliteit van de selectie. Artsen en softwareontwikkelaars hoeven niet te worstelen met tientallen concurrerende modellen; in plaats daarvan moeten zij zich concentreren op het kiezen van een kleine, goed afgestemde groep op basis van hoe goed die modellen in het verleden hebben gepresteerd. Op die manier kunnen zij een hoge precisie in dosering bereiken zonder de onnodige last van het beheren van een enorme, onhandelbare collectie computerprogramma's.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.