Towards model-informed precision dosing of piperacillin: multicenter systematic external evaluation of pharmacokinetic models in critically ill adults with a focus on Bayesian forecasting
Notice bibliographique
Résumé
PURPOSE: Inadequate piperacillin (PIP) exposure in intensive care unit (ICU) patients threatens therapeutic success. Model-informed precision dosing (MIPD) might be promising to individualize dosing; however, the transferability of published models to external populations is uncertain. This study aimed to externally evaluate the available PIP population pharmacokinetic (PopPK) models. METHODS: A multicenter dataset of 561 ICU patients (11 centers/3654 concentrations) was used for the evaluation of 24 identified models. Model performance was investigated for a priori (A) predictions, i.e., considering dosing records and patient characteristics only, and for Bayesian forecasting, i.e., additionally including the first (B1) or first and second (B2) therapeutic drug monitoring (TDM) samples per patient. Median relative prediction error (MPE) [%] and median absolute relative prediction error (MAPE) [%] were calculated to quantify accuracy and precision. RESULTS: 29/39%). The model by Kim et al. was identified to be most appropriate for the total dataset (A/B1/B2: MPE - 9.8/- 5.9/- 0.9%; MAPE 37/27.3/23.7%), Udy et al. performed best in patients receiving intermittent infusion, and Klastrup et al. best predicted patients receiving continuous infusion. Additional evaluations stratified by sex and renal replacement therapy revealed further promising models. CONCLUSION: The predictive performance of published PIP models in ICU patients varied considerably, highlighting the relevance of appropriate model selection for MIPD. Our differentiated external evaluation identified specific models suitable for clinical use, especially in combination with TDM.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».