Pharmacokinetic modelling of intravenous immunoglobulin in children with primary immunodeficiencies and secondary antibody deficiencies
Notice bibliographique
Résumé
Abstract Aims Children with primary immunodeficiency (PID) and secondary antibody deficiency (SAD) often require immunoglobulin replacement therapy due to low plasma immunoglobulin G (IgG) levels and recurrent infections. Existing pharmacokinetic models for immunoglobulin in PID patients predominantly focus on adults, with limited attention to secondary antibody deficiencies and a lesser emphasis on paediatric populations. This study aims to investigate the pharmacokinetic properties of IgG in paediatric patients with PID and SAD. Methods Population pharmacokinetic analysis for PID and SAD children treated with intravenous immunoglobulin at a tertiary paediatric centre was conducted using NONMEM® (7.5.1). Dosing simulations to achieve therapeutic levels of 6 and 8 gL −1 were performed. Results A population pharmacokinetic analysis of 64 patients (median age 4.08 years, range 0.06–16.8) was performed. A two‐compartment model with first‐order elimination, incorporating both additive and proportional residual error, adequately described the data. Interindividual variability was modelled on clearance, volume of distribution and baseline IgG levels, with allometric scaling to a 70‐kg body weight applied a priori. The estimated clearance was 0.308 L −1 day −1 70 kg −1 (95% CI 0.23, 0.67), and the volume of distribution was 10.96 L −1 70 kg −1 (95% CI 5.97, 15.79). Patients with SAD exhibited a lower clearance rate of 54% compared with PID patients. Dosing simulations indicated that the recommended SAD dosing regimen maintained therapeutic IgG levels in the simulated population. However, only 44.8% to 51.9% of patients with PID achieved target IgG levels with the standard regimen. Conclusions This study provides insights into immunoglobulin pharmacokinetics in paediatric PID and SAD patients, guiding optimised dosing strategies. Administering a loading dose would improve the probability of maintaining therapeutic IgG levels during the 4‐week dosing interval.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».