L'erreur résiduelle en MIPD : un levier caché

L'estimation MAP est un compromis permanent entre deux voix : le prior (ce que la population dit du patient « moyen ») et les données (les prélèvements de ce patient). L'erreur résiduelle σ est le bouton de volume entre les deux.

Un petit σ monte le volume des données : le postérieur est tiré vers les points mesurés. Un grand σ laisse parler le prior : les paramètres restent proches de la population.

Ce compromis est exactement ce que minimise le critère de l'estimation MAP, qui met en balance deux forces :

• Le premier terme pénalise l'écart entre concentrations observées $y_i$ et prédites $\hat{y}_i$, pondéré par $1/\sigma_i^2$.
• Le second terme pénalise l'éloignement des paramètres individuels par rapport à la population en tenant compte de $\Omega$. Il se réduit à $\sum_j\eta_j^2/\omega_j^2$ lorsque les effets aléatoires sont indépendants.

La division par $\sigma_i^2$ dit tout : plus σ est petit, plus $1/\sigma_i^2$ est grand, plus une même erreur de prédiction coûte cher — l'algorithme est contraint de coller aux données plutôt qu'au prior.

Puisque la valeur publiée de σ a été estimée sur une autre population et d'autres conditions, la garder aveuglément peut sous-exploiter les mesures du patient. Dans les modèles et jeux de données étudiés, réduire σ pouvait améliorer la précision de l'AUC individuelle.

C'est le résultat central de Berrah et al. (Epub 2025, publication imprimée 2026). Sur les jeux riches étudiés de tacrolimus, iohexol et acide mycophénolique, avec seulement 3 prélèvements par patient, abaisser l'erreur proportionnelle a réduit la RMSE des AUC de 30 à 40 % par rapport au modèle d'origine. Pour le tacrolimus, la RMSE tombe de 28,5 % à 16,3 % en passant à une erreur de 1 % ; pour l'iohexol, une erreur quasi nulle atteint jusqu'à 40 % de réduction.

Fait notable de l'étude : c'est quand le modèle d'origine était le moins précis que la réduction de σ apportait le plus — l'augmentation du poids des données corrige en partie l'imprécision d'un modèle importé d'un autre contexte (par ex. développé sur des patients de réanimation puis appliqué en population générale).

Si un peu de données vaut mieux que trop de prior, faut-il pousser σ à zéro ? Non — et c'est là tout le sel.

Dans leur analyse, ce piège restait rare (3 patients sur 321), mais il rappelle que σ code aussi le bruit total d'observation — imprécision analytique plus aléas pré-analytiques (horaires, manipulation) — et pas seulement le CV du dosage. Manipulez le curseur de bruit du schéma, ramenez σ à 1 % : la courbe postérieure se met à onduler vers les points bruités et l'écart d'AUC dérape.

La ligne de conduite proposée par Berrah et al. est un ensemble de scénarios pragmatiques à explorer, pas des standards universels de MIPD :

Le scénario Flat1 (1 %) ressort comme performant dans les modèles et données étudiés au niveau population ; au niveau individuel, l'erreur nulle était souvent la plus exacte pour capter les profils extrêmes, mais au prix d'un risque de surajustement. Un σ petit mais non nul empêche le prior d'écraser des données éparses tout en amortissant le bruit.

• En MIPD, l'erreur résiduelle σ n'est pas une constante figée : c'est un levier qui règle le poids des données du patient face au prior de population dans l'estimation MAP.
• Réduire σ renforce l'influence des mesures et a amélioré la précision de l'AUC dans les modèles et jeux de données étudiés — Berrah et al. rapportent 30–40 % de RMSE en moins (tacrolimus : 28,5 % → 16,3 % à 1 %), sans nouveau prélèvement ni redéveloppement du modèle.
• σ trop petit (≈ 0) sur des données bruitées → surajustement : le modèle suit le bruit et produit des AUC invraisemblables.
• Point de départ pragmatique à vérifier : ≈ 1 % en contexte de haute qualité, 2–5 % sinon ; vérifier par un balayage de sensibilité et des diagnostics ; ajouter un terme additif si les horaires sont imprécis.
• Documenter le σ retenu et sa justification lors de la réutilisation d'un modèle publié.