| Recherche automatique de covariables, exemple d’un modèle semi-mécanistique en pharmacocinétique de population (Automatic covariate research, example of a semi-mechanistic model in population pharmacokinetics) | ||
Brugalé, Alban - (2025-01-27) / Universite de Rennes - Recherche automatique de covariables, exemple d’un modèle semi-mécanistique en pharmacocinétique de population Langue : Français Directeur de thèse: Pouzin, Clémence Thématique : Médecine et santé | ||
Mots-clés : Thérapie ciblée, covariables, pharmacocinétique de population, pharmacocinétique, pharmacométrie, Machine Learning, Thérapie moléculaire ciblée , Analyse de covariance, Pharmacocinétique de population, Apprentissage automatique, Conjugués anticorps-médicament, Modélisation Pharmacocinétique/Pharmacodynamique Résumé : Le cancer est l'une des principales causes de mortalité dans le monde, nécessitant des innovations thérapeutiques constantes comme les conjugués anticorps-médicaments (ADC). Ces molécules utilisent un anticorps monoclonal pour cibler les cellules cancéreuses et y libérer un agent cytotoxique. La pharmacocinétique de population, à l’aide de modèles mathématiques, étudie leur absorption, distribution et élimination, dans le but d’optimiser l’efficacité et la tolérance. Une étape clé dans cette démarche est la sélection des covariables qui permettent d’expliquer la variabilité inter-individuelle observée. La recherche de covariables peut devenir un processus complexe et chronophage, dans le cas de modèle pharmacocinétiques complexes. Cette thèse s’intéresse à l’intégration de méthodes automatiques, telles que COSSAC et SAMBA, ainsi que certains algorithmes issus du Machine Learning, afin de comparer leur performance aux méthodes traditionnelles pour la sélection des covariables en pharmacocinétique de population. En s’appuyant sur des données cliniques d’ADC, cette étude analyse l’efficacité, la rapidité et les défis de ces approches, mettant en lumière leur rôle potentiel dans l’évolution de la modélisation pharmacocinétique et la personnalisation des traitements. Résumé (anglais) : Cancer is one of the leading causes of mortality worldwide, driving constant therapeutic innovation, such as antibody-drug conjugates (ADC). These molecules use a monoclonal antibody to target cancer cells and release a cytotoxic agent at the site. Population pharmacokinetics, through mathematical models, studies their absorption, distribution, and elimination to optimize efficacy and minimize toxicity. A critical step in this process is the selection of covariates to explain interindividual variability. For complex pharmacokinetic models, covariate selection can become time-consuming and challenging. This thesis focuses on integrating automatic methods, such as COSSAC and SAMBA, alongside machine learning algorithms, to compare their performance with traditional approaches for covariate selection in population pharmacokinetics. Using clinical ADC data, this work evaluates the efficiency, speed, and challenges of these approaches, highlighting their potential role in advancing pharmacokinetic modeling and enabling more personalized treatments. Identifiant : rennes1-ori-wf-1-20633 | ||
| Exporter au format XML |