Construction du modèle de covariables

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

Expliquer la variabilité : allométrie, centrage, sélection pas-à-pas (SCM) et approches modernes.

01 · Pourquoi ce chapitre

La variabilité inter-individuelle n'est pas du hasard pur : une partie s'explique par des covariables (poids, fonction rénale, génotype). Les identifier permet d'individualiser la dose et de comprendre le médicament.

Construire ce modèle de covariables est un art aux pièges nombreux.

02 · Intuition

Une covariable utile réduit la variabilité inexpliquée : après l'avoir ajoutée, les patients « se ressemblent » davantage à covariable égale (l' $\omega$ diminue).

Deux bonnes pratiques : centrer la covariable sur une valeur de référence (le paramètre typique garde son sens) et utiliser des formes physiologiques (allométrie).

03 · La formule décortiquée

La forme la plus courante, centrée et en loi puissance :

CL_i = CL_{ref}\left(\frac{W_i}{70}\right)^{0{,}75}\cdot e^{\eta_i}

Centrage sur 70 kg : $CL_{ref}$ = clairance du sujet de référence ;
Allométrie : les exposants 0,75 pour la clairance et 1 pour les volumes sont des choix usuels ou pré-spécifiés, pas une loi universelle imposée par les données.

Pour la sélection, plusieurs stratégies : SCM (stepwise covariate modeling, forward/backward sur l'OFV), full model (tout inclure puis juger la pertinence), et des approches modernes (SAMBA, sélection pénalisée) plus rapides et moins biaisées.

04 · Exemple concret

Ajouter le poids (allométrie) puis la ClCr sur la clairance fait chuter l'OFV et l' $\omega$ de la clairance : la variabilité devient explicable, la dose peut s'ajuster au poids et à la fonction rénale.

On juge chaque covariable non seulement sur l'OFV mais sur son ampleur clinique (voir l'interprétation par forest plot).

05 · Piège fréquent

La sélection pas-à-pas se piège elle-même.

06 · À retenir

Une covariable pertinente explique une part de l'IIV (l'oméga diminue).
Centrer la covariable ; utiliser l'allométrie avec des exposants usuels ou pré-spécifiés (souvent CL ∝ poids^0,75, V ∝ poids).
Sélection : SCM (stepwise), full model, ou approches modernes (SAMBA, pénalisation).
Le SCM peut induire une sélection instable et surestimer les effets ; attention aux covariables corrélées.

Point de contrôle

Vérifiez votre compréhension

Q1. Ajouter une covariable pertinente à un modèle de population...

Q2. L'allométrie décrit l'effet du poids sur la clairance par...

Q3. La sélection pas-à-pas (SCM) risque...

Exercices d'entraînement

Activités guidées

Cas en plusieurs étapes combinant calcul, interprétation et raisonnement.

Activité guidée · 10 min · Niveau 2

Transformer un effet de poids

Calcul · InterprétationÀ commencer

Citer cette page

Berrah R. Construction du modèle de covariables. PMx Explain, 2026. https://rberrah.github.io/pharmacometrie/chapitres/math-covariates/

@misc{berrah2026mathcovariates,
  author       = {Berrah, Racym},
  title        = {{Construction du modèle de covariables}},
  howpublished = {PMx Explain},
  year         = {2026},
  url          = {https://rberrah.github.io/pharmacometrie/chapitres/math-covariates/},
  note         = {Texte actuel sous licence CC BY-NC-SA 4.0}
}