Physiologically Based Biopharmaceutics Modeling (PBBM): Best Practices for Drug Product Quality, Regulatory and Industry Perspectives: 2023 Workshop Summary Report
Notice bibliographique
Résumé
Physiologically based biopharmaceutics modeling (PBBM) is used to elevate drug product quality by providing a more accurate and holistic understanding of how drugs interact with the human body. These models are based on the integration of physiological, pharmacological, and pharmaceutical data to simulate and predict drug behavior in vivo. Effective utilization of PBBM requires a consistent approach to model development, verification, validation, and application. Currently, only one country has a draft guidance document for PBBM, whereas other major regulatory authorities have had limited experience with the review of PBBM. To address this gap, industry submitted confidential PBBM case studies to be reviewed by the regulatory agencies; software companies committed to training. PBBM cases were independently and collaboratively discussed by regulators, and academic colleagues participated in some of the discussions. Successful bioequivalence "safe space" industry case examples are also presented. Overall, six regulatory agencies were involved in the case study exercises, including ANVISA, FDA, Health Canada, MHRA, PMDA, and EMA (experts from Belgium, Germany, Norway, Portugal, Spain, and Sweden), and we believe this is the first time such a collaboration has taken place. The outcomes were presented at this workshop, together with a participant survey on the utility and experience with PBBM submissions, to discuss the best scientific practices for developing, validating, and applying PBBMs. The PBBM case studies enabled industry to receive constructive feedback from global regulators and highlighted clear direction for future PBBM submissions for regulatory consideration.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».