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

Stel je voor dat je een arts bent die probeert de perfecte dosis medicijnen voor een patiënt te bepalen. Het is niet zo simpel als maar wat gokken; het lichaam is een complexe machine die medicijnen met verschillende snelheden verwerkt, afhankelijk van iemands gewicht, leeftijd en zelfs genetica. Dit is de wereld van de populatiefarmacokinetiek (of kortweg "PopPK"). Denk aan een gigantisch, hoogwaardig spel van "Raad het Recept". Wetenschappers moeten een wiskundig model bouwen dat voorspelt hoe een medicijn door de bloedbaan beweegt: hoe snel het binnenkomt, hoe lang het blijft en hoe snel het het lichaam verlaat.

Decennialang was het bouwen van deze modellen een traag, handmatig werk uitgevoerd door experts. Ze pasten één deel van het recept aan, controleerden het resultaat, pasten een ander deel aan, en herhaalden dit proces. Het is alsof je probeert de perfecte combinatie van kruiden voor een soep te vinden door na elke snuf zout de soep te proeven. Het duurt lang, en soms blijft de expert hangen bij een "goed genoeg" oplossing zonder te beseffen dat er ergens anders een "perfecte" oplossing verborgen ligt. Onlangs hebben wetenschappers geprobeerd dit proces te automatiseren met computers, maar veel van deze nieuwe tools zijn als blinde koks: ze kunnen misschien een redelijke soep maken, maar ze kunnen niet bewijzen dat ze de beste soep hebben gevonden die mogelijk is. Dit artikel stelt een cruciale vraag: Kunnen we een computerprogramma bouwen dat niet alleen automatisch de soep kookt, maar ook bewijst dat het het absolute beste recept heeft gevonden, zonder dat het een leven lang duurt?

---

De Grote Receptenjacht: Een Verhaal over Algoritmen en Medicijnen

In dit onderzoek introduceerde een team van onderzoekers een nieuwe, open-source tool genaamd nlmixr2auto. Denk aan deze tool als een superintelligente, geautomatiseerde chef die niet zomaar gokt; hij gebruikt slimme strategieën om het perfecte medicijnrecept te jagen. De onderzoekers wilden zien of deze nieuwe chef de oude "stap-voor-stap" methode kon verslaan en, belangrijker nog, of hij hetzelfde "perfecte" recept kon vinden als een computer dat zou doen als hij elke mogelijke combinatie zou proberen (een methode die "exhaustive search" of uitputtend zoeken wordt genoemd).

Om hun tool te testen, gebruikten de onderzoekers niet zomaat verzonnen data. Ze verzamelden 22 echte klinische datasets van werkelijke patiënten en gezonde vrijwilligers. Deze datasets bestonden uit een grote variëteit aan medicijnen, waaronder antibiotica, kankerbehandelingen en hartmedicatie, toegediend via een IV-infuus of als pil. Sommige datasets bevatten slechts een paar mensen, terwijl andere er honderden hadden. Het was een divers en uitdagend menu voor hun geautomatiseerde chef om aan te tackling.

De Wedstrijd: Drie Slimme Jagers versus Eén Trage Proever

De onderzoekers organiseerden een wedstrijd tussen vier verschillende manieren om het beste model te vinden:

1. Exhaustive Search (Uitputtend Zoeken): De "Gouden Standaard". Deze methode probeert elke mogelijke receptcombinatie uit om te garanderen dat hij de absolute beste vindt. Het is alsof je elke mogelijke combinatie van kruiden in het universum proeft. Het is gegarandeerd juist, maar het is ongelooflijk traag.
2. Stepwise Method (Stapsgewijze Methode): De "Ouderwetse" manier. Deze begint met een basisrecept en voegt telkens één ingrediënt toe of verwijdert er één, waarbij telkens de smaak wordt gecontroleerd. Het is snel, maar het kan blijven hangen bij een "goed" recept en het "perfecte" recept missen omdat het nooit ver genoeg vooruit kijkt.
3. De Metaheuristische Jagers (GA, ACO, TS): Dit zijn de sterren van de show, aangedreven door nlmixr2auto. Zij gebruiken strategieën geïnspireerd door de natuur:
   • Genetic Algorithms (GA): Net als evolutie, waarbij de beste recepten met elkaar "paren" en "muteren" om nog betere nakomelingen te creëren.
   • Ant Colony Optimization (ACO): Zoals mieren sporen achterlaten met feromonen; hoe beter het recept, hoe sterker het spoor, wat anderen naar de beste plek leidt.
   • Tabu Search (TS): Als een detective die onthoudt welke paden hij al heeft geprobeerd en weigert terug te gaan via die paden, waardoor hij gedwongen wordt nieuw terrein te verkennen.

De Resultaten: Snelheid Ontmoet Perfectie

De resultaten waren een game-changer voor het vakgebied van medicijnmodellering.

De "Perfecte" Match:
Toen de onderzoekers de resultaten vergeleken met de "Gouden Standaard" (Exhaustive Search), waren de metaheuristische jagers ongelooflijk nauwkeurig.

• Het Genetic Algorithm (GA) vond exact hetzelfde perfecte recept als de exhaustive search in 21 van de 22 datasets. Dat is een succespercentage van 95,5%.
• Ant Colony Optimization (ACO) kreeg het goed in 20 van de 22 gevallen (90,9%).
• Tabu Search (TS) slaagde in 19 van de 22 gevallen (86,4%).

In scherp contrast hiermee vond de ouderwetse Stepwise Method het perfecte recept slechts in 7 van de 22 datasets (31,8%). Het was weliswaar snel, maar het was vaak foutief; het miste de beste oplossing omdat het te gefocust was op het nemen van kleine, voorzichtige stapjes.

De Snelheidsrace:
Hier gebeurt de echte magie. De "Gouden Standaard" exhaustive search is zo traag dat voor sommige van de grotere datasets het meer dan 100 dagen zou duren om te voltooien op een standaard computer. Zelfs met een krachtige computer met 4 kernen duurde het bijna de helft van de datasets tussen de 10 en 100 dagen om op te lossen.

De nieuwe nlmixr2auto tools waren echter razendsnel.

• 63,6% van de taken (14 van de 22) werd voltooid in minder dan 24 uur.
• Geen enkele taak duurde langer dan 100 dagen.
• Sterker nog, de metaheuristische methoden waren vaak 10 tot 100 keer sneller dan de exhaustive search, terwijl ze toch dezelfde hoogwaardige antwoorden vonden.

Waarom Dit Belangrijk Is

De studie suggereert dat we niet langer hoeven te kiezen tussen snelheid en nauwkeurigheid. Lange tijd moesten experts ofwel maanden wachten tot een computer elke mogelijkheid had gecontroleerd, ofwel genoegen nemen met een "goed genoeg" model dat met de hand was gebouwd. Dit nieuwe framework, nlmixr2auto, biedt een derde weg: een tool die snel genoeg is om praktisch te zijn, maar slim genoeg om het best mogelijke model te vinden.

De onderzoekers ontdekten dat deze geautomatiseerde tools niet alleen theoretische trucjes zijn; ze werken op echte, rommelige data uit werkelijke klinische trials. Hoewel de studie opmerkt dat de tools nog enige afstemming nodig hebben voor verschillende soorten data en nog niet het selecteren van patiëntspecifieke factoren (zoals leeftijd of gewicht) in de mix hebben geautomatiseerd, is de kernbevinding duidelijk. Door deze door de natuur geïnspireerde zoekstrategieën te gebruiken, kunnen we betere, betrouwbaardere modellen bouwen voor hoe medicijnen in het menselijk lichaam werken, wat artsen potentieel helpt om de juiste dosis voor te schrijven, op het juiste moment, voor de juiste patiënt, veel sneller dan ooit tevoren.