Machine learning pour le TDM

Racym Berrah, PharmD PMx Explain Relecture scientifique par l'auteur : 2026-07-09 ORCID

Estimer l'exposition (AUC) à partir de quelques prélèvements par apprentissage automatique.

01 · Pourquoi ce chapitre

Le TDM bayésien (MAP) exige un bon modèle PopPK a priori. Une alternative — ou un complément — est d'apprendre directement, à partir de grandes bases, la relation entre quelques concentrations et l'exposition (AUC).

C'est un axe de recherche très actif, notamment porté par l'équipe de Limoges.

02 · Intuition

Plutôt que d'ajuster une équation différentielle par patient, un modèle d'arbres (Random Forest, XGBoost) apprend une fonction : quelques prélèvements + covariables → AUC.

Rapide, non paramétrique, il capte des interactions complexes — mais reste une boîte plus noire qu'un modèle mécaniste.

03 · La formule décortiquée

Deux familles se comparent (et se combinent) :

Bayésien (MAP) : $a,posteriori \propto vraisemblance \times a,priori$ — interprétable, dépend du modèle PopPK.
ML : $\text{AUC} = f_{ML}(C_1, C_2, \text{covariables})$ — flexible, appris sur des milliers de profils.
Hybride : garder la PopPK et laisser le ML corriger la partie mal expliquée.

04 · Exemple concret

Pour le tacrolimus (greffe), estimer l'AUC₀₋₂₄ à partir de 2–3 prélèvements est crucial. Les modèles de ML atteignent une précision comparable — voire meilleure — que les estimateurs bayésiens classiques, à condition d'une base d'apprentissage riche.

L'approche hybride (Destere et al.) combine le meilleur des deux : structure PopPK + correction ML.

05 · Piège fréquent

Un bon score interne ne fait pas un bon outil clinique.

06 · À retenir

Le ML prédit l'exposition (AUC) à partir de peu de prélèvements, en complément du bayésien.
Arbres (XGBoost), modèles hybrides PopPK + ML (Destere), sélection de variables (Woillard, Labriffe).
Cas phares : tacrolimus, iohexol ; travaux de l'équipe de Limoges (Woillard, Sayadi, Berrah).
Exige validation externe, incertitude et prudence à l'extrapolation.

Point de contrôle

Vérifiez votre compréhension

Q1. L'apport principal du ML pour le TDM est de...

Q2. Un modèle hybride PopPK + ML cherche à...

Exercices d'entraînement

Activités guidées

Cas en plusieurs étapes combinant calcul, interprétation et raisonnement.

Activité guidée · 10 min · Niveau 2

Biais, RMSE et AUC à ±20 %

Calcul · InterprétationÀ commencer

Citer cette page

Berrah R. Machine learning pour le TDM. PMx Explain, 2026. https://rberrah.github.io/pharmacometrie/chapitres/ai-ml-tdm/

@misc{berrah2026aimltdm,
  author       = {Berrah, Racym},
  title        = {{Machine learning pour le TDM}},
  howpublished = {PMx Explain},
  year         = {2026},
  url          = {https://rberrah.github.io/pharmacometrie/chapitres/ai-ml-tdm/},
  note         = {Texte actuel sous licence CC BY-NC-SA 4.0}
}