Application of machine-learning models to predict the ganciclovir and valganciclovir exposure in children using a limited sampling strategy
Notice bibliographique
Résumé
ABSTRACT Intravenous ganciclovir and oral valganciclovir display significant variability in ganciclovir pharmacokinetics, particularly in children. Therapeutic drug monitoring currently relies on the area under the concentration-time (AUC). Machine-learning (ML) algorithms represent an interesting alternative to Maximum-a-Posteriori Bayesian-estimators for AUC estimation. The goal of our study was to develop and validate an ML-based limited sampling strategy (LSS) approach to determine ganciclovir AUC 0–24 after administration of either intravenous ganciclovir or oral valganciclovir in children. Pharmacokinetic parameters from four published population pharmacokinetic models, in addition to the World Health Organization growth curve for children, were used in the mrgsolve R package to simulate 10,800 pharmacokinetic profiles of children. Different ML algorithms were trained to predict AUC 0–24 based on different combinations of two or three samples. Performances were evaluated in a simulated test set and in an external data set of real patients. The best estimation performances in the test set were obtained with the Xgboost algorithm using a 2 and 6 hours post dose LSS for oral valganciclovir (relative mean prediction error [rMPE] = 0.4% and relative root mean square error [rRMSE] = 5.7%) and 0 and 2 hours post dose LSS for intravenous ganciclovir (rMPE = 0.9% and rRMSE = 12.4%). In the external data set, the performance based on these two sample LSS was acceptable: rMPE = 0.2% and rRMSE = 16.5% for valganciclovir and rMPE = −9.7% and rRMSE = 17.2% for intravenous ganciclovir. The Xgboost algorithm developed resulted in a clinically relevant individual estimation using only two blood samples. This will improve the implementation of AUC-targeted ganciclovir therapeutic drug monitoring in children.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».