Mining Small Routine Clinical Data: A Population Pharmacokinetic Model and Optimal Sampling Times of Capecitabine and its Metabolites
Notice bibliographique
Résumé
PURPOSE: The present study was performed to demonstrate that small amounts of routine clinical data allow to generate valuable knowledge. Concretely, the aims of this research were to build a joint population pharmacokinetic model for capecitabine and three of its metabolites (5-DFUR, 5-FU and 5-FUH2) and to determine optimal sampling times for therapeutic drug monitoring. METHODS: We used data of 7 treatment cycles of capecitabine in patients with metastatic colorectal cancer. The population pharmacokinetic model was built as a multicompartmental model using NONMEM and was internally validated by visual predictive check. Optimal sampling times were estimated using PFIM 4.0 following D-optimality criterion. RESULTS: The final model was a multicompartmental model which represented the sequential transformations from capecitabine to its metabolites 5-DFUR, 5-FU and 5-FUH2 and was correctly validated. The optimal sampling times were 0.546, 0.892, 1.562, 4.736 and 8 hours after the administration of the drug. For its correct implementation in clinical practice, the values were rounded to 0.5, 1, 1.5, 5 and 8 hours after the administration of the drug. CONCLUSIONS: Capecitabine, 5-DFUR, 5-FU and 5-FUH2 can be correctly described by the joint multicompartmental model presented in this work. The aforementioned times are optimal to maximize the information of samples. Useful knowledge can be obtained for clinical practice from small databases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».