Development of a Plasminogen Population PK model supporting prophylactic replacement therapy for Plasminogen deficient patients within the WAPPS‐Hemo platform
Notice bibliographique
Résumé
INTRODUCTION: Plasminogen deficiency is an ultra rare disease whose patients may develop ligneous lesions if untreated. Prophylactic replacement therapy with plasma derived plasminogen, Ryplazim, is efficient in treating lesions and could benefit from pharmacokinetic (PK) tailoring. AIM: The objectives of this study are to develop, evaluate and integrate into the WAPPS-Hemo platform a Population PK model supporting prophylactic replacement therapy for Plasminogen deficient patients. METHODS: Population PK modelling and evaluations followed the same protocol performed for factor VIII and IX concentrates. Limited sampling analysis used dosing and sampling scenarios in accordance with recommended treatment for Ryplazim. RESULTS: The population PK model, derived from 16 participants included in previous clinical studies, was a 2-compartment model whose variability was best described by fat-free mass. Evaluations showed that the model described well the data and Bayesian forecasting in limited sampling environment led to acceptable precision for PK parameters relevant to plasminogen treatment. CONCLUSION: The model was integrated into the WAPPS-Hemo webservice to help individualize prophylactic treatment in plasminogen deficient patients. Prospective PK data to be collected through the WAPPS-Hemo database will be used to better understand plasminogen PK and improve patient care.
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 | 0,001 | 0,004 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».