Covariables
De la caractéristique du patient aux paramètres PK/PD.
Parcours et exercices CovariablesLe poids déplace la valeur typique de CL. Bêta décrit cet effet systématique ; ETA est un écart individuel sur l’échelle logarithmique. Les corrélations entre ETA sont une autre composante du modèle.
CL = θ · (WT / WTref)^β · exp(η)
Relation covariable → CL
Conséquence PK · bolus IV
- CL comparée
- 3.108 L/h
- CL de référence (ETA = 0)
- 4.000 L/h
Exemples pédagogiques, sans données patients ni estimation. Les plages et coefficients ne sont pas des recommandations cliniques. Les profils n’incluent pas de bruit résiduel.
Implémentation
IIV illustrative : variance de log(CL) = 0,09. Erreur proportionnelle : variance = 0,01 ; erreur additive nulle. ETA est tiré lors des simulations de population, et non fixé à sa valeur d’illustration.
// Illustrative IV model; coefficients are not clinically validated.
// The plot's selected ETA is 0; simulations sample ETA from OMEGA.
$PARAM TVCL = 4, TVV = 30
$PARAM @annotated @covariate
WT : 50 : Covariate
$CMT @annotated
CENT : Central [ADM, OBS]
$MAIN
double CL = TVCL * (pow((WT/70), 0.75)) * exp(ETA(1));
double V = TVV;
$OMEGA 0.09
$SIGMA 0.01 0
$ODE
dxdt_CENT = -(CL/V)*CENT;
$TABLE
double IPRED = CENT/V;
double DV = IPRED*(1+EPS(1))+EPS(2);
$CAPTURE CL IPRED DV
Parcours Covariables
- Effets fixes, ETA et transformations
- Catégories, paliers et clusters
- Relations physiologiques et PBPK
- Des réseaux aux équations
- Implémentation et validation
Autres approches
Splines et GAM pour des relations souples ; interactions entre covariables ; régularisation pour stabiliser la sélection ; covariables dépendantes du temps ; modèles d’erreur de mesure ou imputation pour des covariables imparfaites. Ces choix se combinent aux quatre familles et nécessitent une validation au niveau du patient.