一种用于模型知情精准给药的持续学习方法：在临床实践中更新模型
最优化与控制
2021-06-08 v1
摘要
模型知情精准给药（MIPD）是一种定量给药框架，它将关于药物-疾病-患者系统的先验知识与来自治疗药物/生物标志物监测（TDM）的患者数据相结合，以支持持续治疗中的个体化给药。MIPD方法中使用的结构模型和先验参数分布通常建立在涉及仅按某些排除/纳入标准筛选的有限数量患者的先验临床试验之上。与先验临床试验人群相比，临床实践中的患者人群可预期还包括改变的行为和/或增加的个体间变异性，但其程度通常未知。在此，我们解决如何调整和精炼模型参数层面的模型以更好地反映这种真实世界多样性的问题。我们提出了一种在MIPD期间跨患者使用序贯层次贝叶斯框架的持续学习方法。该方法基于两个阶段，将个体患者参数的更新与人群参数的更新分离。因此，它支持跨医院或研究中心的持续学习，因为只需共享汇总患者数据（在模型参数层面），而无需共享个体TDM数据。我们用紫杉醇的中性粒细胞引导给药说明了这种持续学习方法。本研究是建立对MIPD信心并最终在日常治疗使用中日益推广MIPD的重要一步。
引用
@article{arxiv.2106.03752,
title = {A continued learning approach for model-informed precision dosing: updating models in clinical practice},
author = {Corinna Maier and Jana de Wiljes and Niklas Hartung and Charlotte Kloft and Wilhelm Huisinga},
journal= {arXiv preprint arXiv:2106.03752},
year = {2021}
}