An Open‐Source Framework for Virtual Bioequivalence Modeling and Clinical Trial Design
Notice bibliographique
Résumé
To establish bioequivalence (BE) of a generic test formulation with respect to a reference listed drug, it is necessary to demonstrate a comparable rate and extent to which active ingredients reach the site of action. To decrease unnecessary human testing and simulate scenarios involving specific populations or challenges with recruitment or study design, industry and regulators are increasingly considering in silico virtual bioequivalence (VBE) approaches. This tutorial introduces the VBEToolbox R package: a toolbox within the Open Systems Pharmacology framework to streamline and standardize computational VBE workflows. The package integrates in vitro and in vivo data to train pharmacokinetic models through inference of inter-individual variability from clinical data and establishment of in vitro to in vivo extrapolations. A nonparametric approach is adopted to account for uncertainties from parameter non-identifiability. The trained model is then applied to determine the study size with statistical power needed to demonstrate BE virtually. The use of the VBE tool is illustrated with two case studies. The first evaluates the VBE of petrolatum and ethylene glycol dermal formulations of testosterone by integrating in vitro skin permeation tests, vehicle/skin partitioning data, testosterone solubility data, and in vivo absorption data in a mechanistic in vitro/in vivo dermal absorption model. The second assesses the VBE of two oral bupropion formulations by integrating in vitro dissolution data in a physiologically based pharmacokinetic model. These case studies highlight essential considerations for model development, training, and extrapolation toward application for VBE assessment.
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 | 0,027 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 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 ».