Raisonnement bayésien, EBE et shrinkage

Racym Berrah, PharmD PMx Explain Mise à jour : 2026-10-09 Relecture scientifique par l'auteur : 2026-10-09 ORCID

Comment les estimations individuelles empruntent de la force à la population.

01 · Pourquoi ce chapitre

Les jeux de données cliniques sont souvent pauvres : une ou deux concentrations par patient, pas une courbe riche.

Le raisonnement bayésien permet au modèle de combiner ce que l'on sait de la population avec ce que l'on observe chez l'individu.

02 · Intuition

Si vous ne voyez qu'une seule photo de la construction d'un élève, vous ne devriez pas ignorer ce que vous savez de toute la classe.

Le modèle de population est l'attente a priori ; la mesure individuelle met à jour cette attente.

03 · La formule décortiquée

Le raisonnement bayésien part du théorème de Bayes. Pour l'écart individuel $\eta_i$ :

\underbrace{p(\eta_i \mid y_i)}_{\text{a posteriori}} \;\propto\; \underbrace{p(y_i \mid \eta_i)}_{\text{vraisemblance}} \;\times\; \underbrace{p(\eta_i)}_{\text{a priori}}

L'a priori $p(\eta_i)$ est le modèle de population (une gaussienne de variance $\Omega$ , la variabilité inter-individuelle). La vraisemblance $p(y_i \mid \eta_i)$ mesure l'accord aux observations, pondéré par l'erreur résiduelle $\sigma$ .

Dans le cas simplifié d'erreurs gaussiennes indépendantes, de variance constante $\sigma^2$ , l'estimation MAP (maximum a posteriori) maximise cet a posteriori, ce qui revient à minimiser l'objectif individuel :

\hat{\eta}_i = \arg\min_{\eta}\;\sum_j \frac{\bigl(y_{ij} - f(\eta)\bigr)^2}{\sigma^2} \;+\; \eta^{\mathsf T}\,\Omega^{-1}\,\eta

L'individu s'écrit alors avec son EBE : $CL_i = CL_{\mathrm{typique}}, e^{\hat{\eta}_i}$ .

04 · Exemple concret

En suivi thérapeutique, une seule concentration après une dose peut mettre à jour la clairance estimée d'un patient.

Si la concentration observée est plus basse que prévu, le modèle peut inférer une clairance plus élevée — mais l'ampleur de l'ajustement dépend du moment du prélèvement, de l'erreur de dosage, de la variabilité a priori et de tout l'historique posologique.

05 · Piège fréquent

Ne sur-interprétez pas les EBE quand le shrinkage est élevé.

06 · À retenir

Les EBE sont des estimations individuelles informées par le modèle de population.
Le MAP combine l'a priori de population et les observations du patient (théorème de Bayes).
L'estimation arbitre entre coller aux données (pondéré par $\sigma$ ) et rappeler vers la population (pondéré par $\Omega$ ) : elle dépend fortement de l'erreur résiduelle et de la variabilité choisies.
Le shrinkage avertit que les estimations individuelles sont peu informées.
La mise à jour bayésienne est centrale en TDM, mais dépend de la qualité des données et de la spécification de $\sigma$ et $\Omega$ .

Point de contrôle

Vérifiez votre compréhension

Q1. Un EBE est...

Q2. Le shrinkage est élevé quand...

Q3. L'estimation MAP combine...

Exercices d'entraînement

Activités guidées

Cas en plusieurs étapes combinant calcul, interprétation et raisonnement.

Activité guidée · 10 min · Niveau 2

Pondérer le prior et une mesure

Calcul · InterprétationÀ commencer

Citer cette page

Berrah R. Raisonnement bayésien, EBE et shrinkage. PMx Explain, 2026. https://rberrah.github.io/pharmacometrie/chapitres/bayes-ebes/

@misc{berrah2026bayesebes,
  author       = {Berrah, Racym},
  title        = {{Raisonnement bayésien, EBE et shrinkage}},
  howpublished = {PMx Explain},
  year         = {2026},
  url          = {https://rberrah.github.io/pharmacometrie/chapitres/bayes-ebes/},
  note         = {Texte actuel sous licence CC BY-NC-SA 4.0}
}