Glossaire

Ce que l'organisme fait au médicament : absorption, distribution, métabolisme et élimination (ADME). Décrit l'évolution des concentrations au cours du temps.

Intuition

Décrit les concentrations et quantités au cours du temps.

Hypothèse

La structure retenue doit être adaptée à la question et aux données.

Erreur fréquente

Confondre concentration, quantité et exposition.

Ne pas conclure

Une courbe PK ne démontre pas, à elle seule, un mécanisme physiologique.

Alias

pharmacocinétique · pharmacokinetics

Ce que le médicament fait à l'organisme : la relation entre concentration et effet (thérapeutique ou toxique).

Intuition

Relie une exposition ou un temps à une réponse définie.

Hypothèse

La réponse, son échelle et sa chronologie doivent être explicites.

Erreur fréquente

Assimiler automatiquement effet observé et mécanisme biologique.

Ne pas conclure

Une association exposition-réponse ne prouve pas une causalité de dose.

Alias

pharmacodynamie · pharmacodynamics

Les quatre étapes du devenir d'un médicament dans l'organisme, base de tout modèle structural PK.

Intuition

Organise le devenir du médicament en quatre processus.

Erreur fréquente

Prendre ADME pour un modèle quantitatif complet.

Ne pas conclure

Les processus se chevauchent et ne correspondent pas toujours à quatre étapes séparées.

Alias

absorption distribution métabolisme élimination

Volume de plasma totalement épuré du médicament par unité de temps (L/h). C'est une capacité d'épuration, pas une vitesse : elle gouverne l'exposition à l'équilibre (AUC = Dose/CL).

Unité

L/h

Équation

AUC = Dose / CL

Intuition

Capacité d'épuration du système.

Ne pas conclure

Ce n'est ni un débit massique ni une vitesse de décroissance isolée.

Exemple

À dose identique, une CL doublée divise approximativement l’AUC par deux en PK linéaire.

Part de la clairance assurée par le rein (filtration, sécrétion, réabsorption). Clairance totale = CL_r + CL_nr (non rénale). Estimée en pratique via la clairance de la créatinine.

Unité

L/h ou mL/min

Équation

CLr = filtration + sécrétion − réabsorption

Intuition

Contribution rénale à la clairance totale.

Hypothèse

Chaque terme dépend de la fraction libre, des transporteurs et de la fonction rénale.

Erreur fréquente

Assimiler CLr au DFG sans vérifier sécrétion et réabsorption.

Fraction du médicament extraite par un organe à chaque passage : CL = Q_organe · E, où Q est le débit sanguin de l'organe. Un E proche de 1 rend la clairance dépendante du débit.

Unité

sans unité

Équation

E = CLorgane / Qsanguin

Intuition

Fraction extraite lors d'un passage dans un organe.

Hypothèse

Le débit, la concentration d’entrée et la clairance doivent être définis sur le même sang ou plasma.

Erreur fréquente

Confondre rapport d'extraction et fraction de dose éliminée.

Volume de plasma filtré par les glomérules par unité de temps (~120 mL/min chez l'adulte sain). Repère clé de la fonction rénale, approché par la clairance de la créatinine.

Unité

mL/min/1,73 m²

Intuition

Repère de filtration glomérulaire utilisé comme covariable rénale.

Erreur fréquente

Extrapoler une relation DFG-CL hors de la plage étudiée.

Ne pas conclure

Une estimation de DFG comporte une erreur et ne résume pas toute l’élimination rénale.

Alias

GFR · eGFR

Volume apparent reliant la quantité de médicament dans l'organisme à sa concentration plasmatique (C = A/V). Un V grand signifie une forte distribution tissulaire, pas un volume physiologique réel.

Unité

L

Équation

C = A / V

Intuition

Facteur reliant quantité et concentration.

Ne pas conclure

Un volume apparent n'est pas forcément un volume anatomique.

Volume de distribution à l'équilibre de distribution ; somme des volumes central et périphériques dans un modèle multi-compartimental.

Unité

L

Intuition

Volume apparent lorsque les échanges de distribution sont à l’équilibre.

Hypothèse

Sa formule NCA dépend de la voie ; après perfusion, le MRT doit être corrigé de la durée de perfusion.

Erreur fréquente

Confondre Vss, volume central et volume terminal.

Débit d'échange du médicament entre le compartiment central (V1) et un compartiment périphérique (V2) dans un modèle bi-compartimental.

Unité

L/h

Équation

Flux net = Q × (C1 − C2)

Intuition

Paramètre d’échange entre compartiments.

Erreur fréquente

Remplacer Q par une constante de vitesse sans tenir compte des volumes.

Ne pas conclure

Q n’est ni une clairance d’élimination ni un débit anatomique directement mesuré.

Constante de vitesse d'absorption d'ordre 1 (1/h) : plus Ka est grand, plus le pic (Cmax) arrive tôt et haut.

Unité

1/h

Équation

dAdep/dt = -Ka × Adep

Intuition

Vitesse d'entrée d'une absorption d'ordre 1.

Ne pas conclure

Son effet sur Cmax dépend aussi de CL, V, F et du modèle d'absorption.

Constante de vitesse d'élimination d'ordre 1 (1/h), égale à CL/V. Fixe la pente de décroissance sur une courbe semi-logarithmique.

Unité

1/h

Équation

ke = CL / V

Intuition

Constante de décroissance dans un modèle monocompartimental linéaire.

Hypothèse

La relation ke=CL/V suppose ce modèle et cette paramétrisation.

Erreur fréquente

Interpréter toute pente terminale comme ke.

Concentration juste après un bolus IV, égale à Dose/V. Point de départ de la courbe concentration-temps.

Unité

mg/L

Équation

C0 = Dose / V

Intuition

Concentration extrapolée immédiatement après un bolus IV idéal.

Hypothèse

Le mélange est supposé instantané dans un modèle monocompartimental.

Erreur fréquente

Traiter une première mesure retardée comme un vrai C0.

Concentration maximale observée et instant où elle survient. Ce sont des résumés de la courbe, pas des paramètres du modèle. Dans un modèle où Tlag ne fait que décaler l'absorption, il retarde Tmax sans modifier à lui seul la hauteur de Cmax ; Cmax dépend notamment de la vitesse et de l'étendue de l'absorption, de CL, de V, de la formulation et du modèle retenu.

Unité

mg/L ; h

Intuition

Hauteur et temps du maximum observé.

Ne pas conclure

Tlag peut décaler Tmax sans diminuer Cmax dans un simple modèle translaté.

Temps nécessaire pour que la concentration diminue de moitié : t½ = ln(2)·V/CL. Se déduit de V et CL — une demi-vie longue peut venir d'un grand V ou d'une faible CL.

Unité

h

Équation

t½ = ln(2) × V / CL

Hypothèse

Formule simple valable pour un modèle monocompartimental linéaire.

Aire sous la courbe concentration-temps, mesure de l'exposition totale. Calculée par la règle des trapèzes en NCA ; AUC = Dose/CL pour une cinétique linéaire.

Unité

mg·h/L

Équation

AUC = ∫ C(t)dt

Intuition

Exposition cumulée sur un horizon défini.

Ne pas conclure

Toujours préciser l'horizon et la concentration totale ou libre.

Fraction de la dose administrée qui atteint la circulation systémique sous forme inchangée (0–1). Vaut 1 pour une voie IV.

Unité

sans unité

Équation

F = (AUCpo / Dosepo) / (AUCiv / Doseiv)

Intuition

Fraction de dose atteignant la circulation systémique sous forme inchangée.

Hypothèse

La comparaison d’AUC suppose une PK comparable et une référence IV appropriée.

Erreur fréquente

Confondre faible F avec absorption incomplète uniquement.

Délai entre l'administration et le début de l'absorption (dissolution, vidange gastrique). Avant Tlag, la concentration reste nulle.

Unité

h

Intuition

Décalage modélisé avant le début de l’entrée.

Erreur fréquente

L’utiliser pour remplacer toute absorption complexe.

Ne pas conclure

Tlag décrit un retard mais n’en identifie pas le mécanisme.

Chaîne de n compartiments traversés au rythme ktr modélisant une absorption progressive. Le temps de transit moyen MTT = n/ktr ; alternative souple au Tlag.

Équation

dTj/dt = ktr × (Tj-1 - Tj)

Intuition

Décompose un délai d’entrée en plusieurs étapes exponentielles.

Erreur fréquente

Interpréter chaque transit comme une structure anatomique.

Ne pas conclure

Le nombre de transits décrit une forme de délai, pas des organes identifiés.

Élimination saturable : vitesse = Vmax·C/(Km+C). Aux fortes concentrations l'élimination sature (cinétique non linéaire) ; Km est la concentration donnant la moitié de Vmax.

Unité

masse/temps pour Vmax ; concentration pour Km

Équation

v = Vmax × C / (Km + C)

Intuition

La capacité d'élimination atteint progressivement un plafond.

Hypothèse

Vmax, Km et la concentration motrice doivent être sur des unités cohérentes.

Erreur fréquente

Résumer ce processus par une clairance constante sur toute la plage.

Sur une courbe semi-log à deux compartiments, la phase α (rapide) traduit surtout la distribution vers les tissus, la phase β (lente) est une phase terminale hybride influencée par l'élimination et les échanges intercompartimentaux. La demi-vie terminale suit la phase β.

Unité

1/h

Équation

C(t) = A exp(-αt) + B exp(-βt)

Intuition

Décrit deux pentes hybrides d’un profil bicompartimental.

Erreur fréquente

Assimiler automatiquement β à CL/V central.

Ne pas conclure

α et β combinent plusieurs paramètres micro et ne sont pas des clairances.

Représentation de l'organisme par un ou plusieurs compartiments bien mélangés reliés par des débits, décrits par des équations différentielles.

Intuition

Représente des quantités dans des compartiments bien mélangés reliés par des flux.

Hypothèse

Chaque compartiment est homogène sur l’échelle considérée.

Erreur fréquente

Donner une interprétation anatomique automatique à chaque compartiment.

Ne pas conclure

Un compartiment n’est pas nécessairement un organe.

La partie déterministe d'un modèle de population : nombre de compartiments, type d'absorption et d'élimination, décrivant le patient « typique ».

Intuition

Décrit entrées, états, échanges et sorties avant l’ajout des variabilités.

Erreur fréquente

Confondre qualité d’ajustement et validité de la structure.

Ne pas conclure

Une structure plausible peut rester non identifiable avec le plan disponible.

Décrit la vitesse de transfert entre compartiments (dA/dt). Analogie hydraulique : réservoirs reliés par des tuyaux dont le débit dépend du niveau et du diamètre (clairance).

Unité

variable par unité de temps

Équation

dA/dt = entrées − sorties

Intuition

Exprime localement comment un état évolue.

Hypothèse

Les états et unités doivent fermer le bilan de masse.

Erreur fréquente

Mélanger quantité et concentration dans la même équation sans conversion.

Alias

ODE · équation différentielle

Approche descriptive « model-independent » : calcule AUC, Cmax, t½ par géométrie/algèbre sans supposer de modèle. Robuste mais non prédictive.

Intuition

Résume un profil observé avec peu d’hypothèses structurelles.

Hypothèse

Horaires, doses, phase terminale et règles d’intégration doivent être adaptés.

Erreur fréquente

La qualifier de totalement indépendante de toute hypothèse.

Ne pas conclure

Elle décrit le profil étudié et extrapole peu au-delà du dessin.

Approche top-down à effets mixtes : estime les paramètres typiques ET leur variabilité sur une population, permet la simulation et l'individualisation. Standard du domaine.

Intuition

Sépare tendance populationnelle, variabilité et erreur d’observation.

Hypothèse

Les distributions, covariables et modèle résiduel doivent être évalués.

Erreur fréquente

Transporter le modèle sans vérifier population, voie et dessin.

Ne pas conclure

Les paramètres décrivent d’abord la population et le domaine étudiés.

Approche bottom-up : un compartiment par organe relié par les débits sanguins. Puissante pour extrapoler et prédire les interactions, mais gourmande en hypothèses.

Intuition

Relie propriétés du médicament et physiologie dans une structure d’organes.

Hypothèse

Le modèle doit être qualifié pour la question et la population visées.

Erreur fréquente

Présenter une prédiction comme certaine parce que le modèle est physiologique.

Ne pas conclure

Une structure mécaniste ne garantit pas une extrapolation correcte.

Modèle combinant effets fixes (valeurs typiques de population) et effets aléatoires (écarts individuels), base de la PopPK.

Équation

Paramètre individuel = effet fixe + effet aléatoire (sur une échelle choisie)

Intuition

Combine une tendance partagée et des écarts individuels.

Hypothèse

L’échelle et la distribution des effets aléatoires doivent être explicites.

Erreur fréquente

Confondre variabilité interindividuelle et erreur résiduelle.

Paramètre de population « typique » (ex. CL_pop, V_pop) : la tendance moyenne dans la population.

Intuition

Valeur typique ou coefficient fixe de la population étudiée.

Erreur fréquente

L’interpréter comme la moyenne arithmétique de tous les paramètres individuels.

Ne pas conclure

Sa signification dépend de la paramétrisation et du centrage.

Écart individuel d'un patient par rapport à la valeur typique, souvent log-normal : CLᵢ = CL_pop·e^ηᵢ. De moyenne nulle et de variance ω².

Unité

dépend de l’échelle

Équation

η ~ N(0, Ω) (choix fréquent)

Intuition

Écart individuel latent autour de la valeur typique.

Hypothèse

La normalité porte sur l’échelle définie par le modèle.

Erreur fréquente

Traiter un EBE comme une mesure sans incertitude.

Différences entre patients (via les η) ; approximativement constante pour un patient donné. Expliquée en partie par les covariables.

Unité

% ou variance sur l’échelle du modèle

Intuition

Quantifie les différences de paramètres entre individus.

Erreur fréquente

L’interpréter comme une erreur de mesure.

Ne pas conclure

Elle dépend de la population, du modèle et des covariables incluses.

Alias

BSV · variabilité interindividuelle

Variabilité chez un même patient d'une occasion à l'autre (κ). Si l'IOV dépasse l'IIV, le suivi thérapeutique devient difficile.

Unité

% ou variance sur l’échelle du modèle

Intuition

Décrit les changements de paramètre entre occasions chez un même individu.

Hypothèse

Les occasions doivent être définies de façon cohérente avec le dessin.

Erreur fréquente

Confondre IOV, dérive temporelle et erreur résiduelle.

Écart-type (ω) ou matrice de variance-covariance (Ω) des effets aléatoires η : quantifie l'ampleur de l'IIV.

Unité

variance/covariance des η

Équation

η ~ N(0, Ω)

Intuition

Ω porte les variances et corrélations des effets aléatoires.

Erreur fréquente

Confondre variance, écart-type et coefficient de variation.

Ne pas conclure

Une corrélation estimée n’implique pas un mécanisme physiologique.

Alias

OMEGA · variance covariance

Écart inexpliqué entre l'observation et la prédiction individuelle. σ en est l'écart-type. À ne pas confondre avec l'IIV.

Unité

dépend du modèle résiduel

Intuition

Décrit l’écart observation-prédiction non expliqué ailleurs.

Hypothèse

La variance conditionnelle doit correspondre à l’échelle des observations.

Erreur fréquente

Utiliser σ pour absorber une structure PK manquante.

Alias

RUV · erreur résiduelle

Bruit d'amplitude constante (y = f + ε_add), pertinent près de la limite de quantification.

Unité

unité de l'observation

Équation

Y = IPRED + εadd

Intuition

Garde une dispersion absolue approximativement constante.

Erreur fréquente

Saisir une variance quand le logiciel attend un écart-type, ou l'inverse.

Ne pas conclure

Peut autoriser des observations négatives si elle est utilisée sans transformation.

Bruit croissant avec la concentration (y = f·(1+ε_prop)), typique des dosages analytiques.

Unité

sans unité

Équation

Y = IPRED × (1 + εprop)

Intuition

Fait croître la dispersion absolue avec la prédiction.

Erreur fréquente

Confondre coefficient d'erreur, variance et coefficient de variation.

Ne pas conclure

Décrit une variance conditionnelle, pas une garantie de pourcentage constant dans toutes les données.

Somme d'une composante additive et proportionnelle : y = f + (f·ε_prop + ε_add). Souvent le modèle d'erreur le plus réaliste.

Équation

SD = √(σadd² + (σprop × IPRED)²)

Intuition

Associe un plancher absolu et une composante dépendante du niveau.

Hypothèse

La combinaison exacte dépend de la convention du logiciel.

Erreur fréquente

Supposer que toutes les implémentations combinent les deux termes de la même façon.

Modèle additif sur l'échelle naturelle : Pᵢ = Ppop + ηᵢ. Il autorise en principe toute valeur réelle et convient donc mal à un paramètre qui doit rester strictement positif.

Équation

X ~ N(μ, σ²)

Intuition

Distribution symétrique définie sur toute la droite réelle.

Erreur fréquente

La choisir uniquement parce qu’elle est familière.

Ne pas conclure

Elle peut attribuer une probabilité à des valeurs négatives impossibles.

Modèle multiplicatif garantissant un paramètre positif : Pᵢ = Ppop·exp(ηᵢ). C'est un choix fréquent pour CL, V ou Ka.

Équation

P = Ptyp × exp(η)

Intuition

Produit une variable positive et souvent asymétrique.

Hypothèse

Le logarithme du paramètre suit la distribution normale choisie.

Erreur fréquente

Confondre moyenne, médiane et valeur typique sur l’échelle naturelle.

Transformation logit d'un effet normal pour maintenir un paramètre entre 0 et 1, par exemple une fraction. Elle ne décrit pas la distribution de la covariable elle-même.

Unité

entre 0 et 1

Équation

P = invlogit(logit(Ptyp) + η)

Intuition

Contraint un paramètre individuel entre zéro et un.

Erreur fréquente

Ajouter directement un ETA normal à une fraction.

Ne pas conclure

La variabilité devient non symétrique sur l’échelle naturelle près des bornes.

Caractéristique mesurée (poids, âge, créatinine, génotype…) qui explique une partie de la variabilité d'un paramètre.

Intuition

Explique une part systématique des différences de paramètres.

Hypothèse

Relation, référence, plage observée et chronologie doivent être définies.

Erreur fréquente

Confondre association prédictive et mécanisme causal.

Ne pas conclure

Une relation estimée sur une plage ne justifie pas une extrapolation hors de cette plage.

Mise à l'échelle des paramètres par le poids selon une loi de puissance : CL = CL_std·(WT/70)^0,75 ; V exposant ≈ 1. La physiologie n'est pas linéaire avec le poids.

Équation

P = Pref × (WT / WTref)^expo

Intuition

Met à l’échelle un paramètre par une loi de puissance.

Hypothèse

La référence, l’exposant et la population doivent être justifiés.

Erreur fréquente

Extrapoler très loin de la plage de poids étudiée sans validation.

Ne pas conclure

Elle ne remplace pas automatiquement la maturation pédiatrique.

Rapporter une covariable à une valeur de référence (ex. 70 kg) pour garder les paramètres typiques interprétables et décorréler θ et effet covariable.

Équation

Effet = (COV / COVref)^β ou β × (COV − COVref)

Intuition

Rend le paramètre typique interprétable à une valeur de référence.

Erreur fréquente

Oublier d’indiquer la valeur de référence et son unité.

Ne pas conclure

Le centrage améliore l’interprétation mais ne rend pas une relation correcte.

Ajout puis retrait de covariables selon le ΔOFV (forward p<0,05 → ΔOFV<−3,84 ; backward p<0,01 → ΔOFV>6,63). À compléter par plausibilité et diagnostics.

Intuition

Ajoute puis retire des relations candidates selon des règles préspécifiées.

Hypothèse

Les candidats, seuils et ordre de recherche doivent être documentés.

Erreur fréquente

Faire la sélection avant une validation croisée puis évaluer sur les mêmes données.

Ne pas conclure

La procédure ne garantit ni le vrai modèle ni la stabilité de sélection.

Plausibilité des données observées sous le modèle. L'estimation cherche les paramètres qui la maximisent.

Équation

L(θ) = p(données | θ, modèle)

Intuition

Mesure la compatibilité relative des données avec des paramètres dans un modèle.

Erreur fréquente

Comparer directement des vraisemblances de données ou cadres incompatibles.

Ne pas conclure

Elle ne donne pas la probabilité que le modèle soit vrai.

Objective Function Value ≈ −2·log(vraisemblance). Un ΔOFV entre deux modèles emboîtés suit un χ² (test du rapport de vraisemblance).

Équation

OFV ≈ −2 log L

Intuition

Critère logiciel pour comparer conditionnellement certains modèles.

Hypothèse

Le test du rapport de vraisemblance exige emboîtement et conditions de régularité.

Erreur fréquente

Appliquer automatiquement le seuil 3,84 aux paramètres à la frontière.

Ne pas conclure

Une OFV plus basse ne suffit pas à retenir un modèle.

Algorithme d'estimation déterministe (NONMEM historique). Rapide sur modèles simples, mais peut rester bloqué dans un minimum local.

Intuition

Approxime la vraisemblance autour des effets aléatoires conditionnels avec interaction résiduelle.

Erreur fréquente

Interpréter une terminaison numérique comme preuve de validité.

Ne pas conclure

La qualité dépend du modèle, de la non-linéarité, des données et de la convergence numérique.

Algorithme stochastique (Monolix, nlmixr2) : cycle Exploration → Approximation → Maximisation. Robuste pour les modèles complexes, explore l'espace pour éviter les minima locaux.

Intuition

Alterne simulation des variables latentes et approximation stochastique.

Hypothèse

Convergence, graines, phases et chaîne simulée doivent être examinées.

Erreur fréquente

Ne vérifier qu’un indicateur final sans trajectoires ni réplications.

Ne pas conclure

Sa robustesse pratique ne garantit pas un modèle adéquat.

Échantillonnage utilisé en estimation bayésienne complète (Stan, WinBUGS) pour approcher la distribution a posteriori des paramètres.

Intuition

Échantillonne une distribution cible par une chaîne de Markov.

Hypothèse

Mélange, convergence, autocorrélation et nombre effectif d’échantillons doivent être évalués.

Erreur fréquente

Prendre un grand nombre d’itérations pour une garantie de convergence.

AIC = −2logL + 2p ; BIC pénalise davantage le nombre de paramètres p. Plus bas = meilleur compromis ajustement/parcimonie — utile mais insuffisant seul.

Équation

AIC = -2 log L + 2k ; BIC = -2 log L + k log n

Intuition

Compare un compromis ajustement-complexité dans un ensemble de modèles.

Hypothèse

Vraisemblances et données doivent être comparables ; le comptage des paramètres doit être cohérent.

Erreur fréquente

Dire que le plus petit critère gagne sans examiner diagnostics et pertinence.

Dans un modèle linéaire simple, N − P résume les degrés de liberté résiduels. Cette formule ne mesure pas à elle seule l'information effective ni l'identifiabilité d'un modèle non linéaire à effets mixtes, qui dépendent aussi du plan, de la structure et de la variabilité.

Équation

N − P (cas linéaire simple)

Ne pas conclure

N − P n'est pas une mesure générale d'identifiabilité en NLME.

Possibilité d'estimer de façon unique les paramètres à partir des données. Une FIM mal conditionnée signale une sur-paramétrisation.

Intuition

Demande si les données peuvent distinguer des valeurs de paramètres différentes.

Erreur fréquente

Conclure à la non-identifiabilité à partir du seul RSE élevé.

Ne pas conclure

Identifiabilité structurelle et pratique sont distinctes.

Mesure l'information apportée par les données sur les paramètres ; son inverse donne les erreurs standard (RSE). Un conditionnement élevé indique des paramètres corrélés.

Intuition

Approxime l’information locale du dessin sur les paramètres.

Hypothèse

Les résultats reposent sur le modèle, les valeurs nominales et des approximations locales.

Erreur fréquente

Assimiler automatiquement mauvais conditionnement et preuve unique de non-identifiabilité.

Ne pas conclure

Une FIM favorable ne remplace pas l’évaluation sur données réelles.

Erreur standard rapportée à la valeur estimée, exprimée en pourcentage. Un RSE élevé indique une faible précision dans le cadre de l'approximation utilisée ; il ne démontre pas, à lui seul, une non-identifiabilité. Les seuils usuels sont des heuristiques, pas des règles de validation.

Unité

%

Équation

100 × SE(θ̂) / |θ̂|

Ne pas conclure

Mesure une précision approximative, pas l'identifiabilité à elle seule.

Rééchantillonnage de l'étude (avec remise) pour créer de nombreuses études virtuelles et estimer l'intervalle de confiance des paramètres. Un IC étroit = modèle robuste.

Intuition

Répète un ajustement sur des échantillons rééchantillonnés.

Hypothèse

Le schéma de rééchantillonnage doit respecter l’unité indépendante pertinente.

Erreur fréquente

Rééchantillonner des observations dépendantes comme si elles étaient indépendantes.

Ne pas conclure

Les échecs de convergence sont une information, pas des lignes à supprimer silencieusement.

Algorithme non paramétrique qui estime une distribution discrète pondérée de vecteurs de paramètres sans imposer une forme normale unique.

Intuition

Estime une distribution discrète sans imposer une forme normale unique.

Hypothèse

Les bornes, le modèle structural et le modèle d’erreur restent explicites.

Erreur fréquente

Confondre bornes de recherche et intervalle de confiance.

Ne pas conclure

Des groupes de points ne démontrent pas automatiquement des phénotypes biologiques.

Algorithme non paramétrique de Pmetrics fondé sur les gradients de vraisemblance, distinct de NPAG et encore en développement actif.

Intuition

Optimise une distribution discrète par une stratégie fondée sur les gradients de vraisemblance.

Hypothèse

Le modèle, les bornes et les initialisations restent déterminants.

Erreur fréquente

Supposer qu’un résultat NPOD et un résultat NPAG sont nécessairement interchangeables.

Ne pas conclure

Algorithme distinct de NPAG, en développement actif et potentiellement sensible aux minima locaux.

Distribution des paramètres individuels qui, combinée aux vraisemblances conditionnelles, forme la distribution observée dans un modèle de population.

Intuition

Décrit comment les vecteurs de paramètres sont distribués dans la population.

Erreur fréquente

Confondre une distribution de paramètres avec une distribution brute des concentrations.

Ne pas conclure

Sa forme estimée reste conditionnelle au modèle, aux données, à l’erreur et aux contraintes.

Vecteur de paramètres associé à un poids dans une distribution non paramétrique discrète.

Intuition

Un vecteur de paramètres possible et son poids dans la population.

Erreur fréquente

Interpréter chaque point comme un patient ou un sous-groupe clinique certain.

Ne pas conclure

Sa position et son poids dépendent des données, du modèle et des contraintes.

Graphes d'adéquation : observé vs prédit, résidus vs temps/prédiction, etc. Un premier contrôle visuel de la qualité du modèle.

Intuition

Recherche des structures systématiques entre observations, prédictions et résidus.

Erreur fréquente

Utiliser uniquement DV versus IPRED.

Ne pas conclure

Un nuage visuellement satisfaisant ne valide pas seul le modèle.

PRED est la prédiction de population ; IPRED incorpore l'estimation individuelle des effets aléatoires. Leur comparaison aux observations renseigne sur des aspects différents de l'ajustement. Une proximité de la diagonale est souhaitable, mais ne suffit pas à valider le modèle et peut être favorisée par un ajustement individuel très flexible.

Intuition

PRED teste la tendance populationnelle ; IPRED inclut les ajustements individuels.

Ne pas conclure

Une diagonale IPRED-DV ne suffit pas à valider le modèle.

Écarts standardisés entre observation et prédiction. Sous les hypothèses du modèle, on recherche une distribution approximativement centrée et sans tendance ; beaucoup de valeurs se situent souvent entre −2 et +2, sans que cet intervalle soit une règle d'acceptation individuelle.

Intuition

Chercher centrage, dispersion attendue et absence de structure.

Ne pas conclure

±2 est un repère probabiliste, pas une frontière de validité.

Comparaison des statistiques observées à leur distribution dans des études simulées selon le modèle et le même plan. Une VPC évalue une cohérence prédictive conditionnelle ; elle ne constitue ni un verdict unique ni une preuve que la structure est vraie.

Intuition

Comparer les données aux réplications du modèle sous le même plan.

Ne pas conclure

Le résultat dépend du binning, du plan simulé et des hypothèses du modèle.

Regroupement des temps en intervalles pour calculer des percentiles stables sur une VPC. Trop large lisse les problèmes ; trop fin ajoute du bruit.

Intuition

Regroupe l’axe indépendant pour calculer des résumés observés et simulés.

Erreur fréquente

Choisir les classes après avoir vu le résultat sans analyse de sensibilité.

Ne pas conclure

Les conclusions peuvent changer avec les limites et effectifs des classes.

A posteriori ∝ Vraisemblance × A priori. Fondement de l'estimation individuelle : on combine ce que l'on sait de la population et ce que l'on mesure chez le patient.

Équation

p(θ|y) ∝ p(y|θ) p(θ)

Intuition

Met à jour une information préalable avec la vraisemblance des nouvelles données.

Hypothèse

Prior, vraisemblance et paramétrisation doivent être explicités.

Erreur fréquente

Confondre p(données|paramètre) et p(paramètre|données).

Connaissance préalable, ici le modèle de population (valeurs typiques et variabilité) avant de voir les données du patient.

Intuition

Encode l’information disponible avant les données individuelles courantes.

Erreur fréquente

Le traiter comme neutre parce qu’il vient d’un modèle publié.

Ne pas conclure

Un prior populationnel non transportable peut orienter fortement un posterior peu informé.

Distribution mise à jour d'un paramètre après avoir observé les données du patient ; fournit l'estimation individuelle avec son incertitude.

Intuition

Combine le prior et l’information apportée par les observations.

Erreur fréquente

Réduire toute la distribution à son mode sans montrer l’incertitude.

Ne pas conclure

Il reste conditionnel au modèle structural, à l’erreur et aux données.

Valeur la plus probable de la distribution a posteriori ; méthode d'estimation individuelle utilisée en TDM.

Équation

argmaxθ [log L(données | θ) + log p(θ)]

Intuition

Cherche le compromis le plus probable entre données individuelles et a priori.

Erreur fréquente

Présenter le MAP comme une vérité individuelle sans incertitude.

Ne pas conclure

Le résultat dépend du modèle populationnel, de l’erreur et du prélèvement.

Estimation bayésienne empirique du paramètre individuel (η̂), obtenue en combinant a priori de population et données du patient.

Intuition

Estimation individuelle d’un effet aléatoire conditionnelle au modèle populationnel.

Erreur fréquente

Corréler naïvement des EBE fortement shrinkés à des covariables.

Ne pas conclure

Avec peu d’information, l’EBE est attiré vers zéro et devient moins informatif.

Rétrécissement : quand les données individuelles sont peu informatives, les EBE sont tirés vers la moyenne de population. Des valeurs autour de 20–30 % sont parfois utilisées comme repères heuristiques ; plus le shrinkage augmente, moins les diagnostics fondés sur les ETA individuels sont informatifs, sans seuil universel d'invalidité.

Unité

%

Intuition

Mesure combien les estimations individuelles reviennent vers la population.

Ne pas conclure

20–30 % est une heuristique ; les diagnostics ETA deviennent progressivement moins informatifs.

Mesurer → Estimer (Bayes) → Ajuster : on interprète une concentration mesurée dans son contexte (dose, horaire) pour individualiser la posologie. Aide à la décision, pas substitut au clinicien.

Intuition

Replace une concentration mesurée dans l’historique de dose, de temps et du patient.

Hypothèse

Dose, horaires, prélèvement, voie et modèle doivent être cohérents.

Erreur fréquente

Interpréter un chiffre sans vérifier l’horaire et l’unité.

Ne pas conclure

C’est une aide à la décision, pas une prescription autonome.

Alias

therapeutic drug monitoring · suivi thérapeutique pharmacologique

Individualisation de la dose à partir d'un modèle a priori et de quelques prélèvements (ex. package mapbayR), pour maximiser l'efficacité et limiter la toxicité.

Intuition

Adapte une dose à une cible explicite à partir de données et d’un modèle.

Hypothèse

Population, voie, cible, prélèvement et contexte clinique doivent correspondre à l’usage.

Erreur fréquente

Présenter toute dose individualisée comme nécessairement plus précise.

Ne pas conclure

Une recommandation calculée ne remplace pas l’expertise clinique ni la validation du dispositif.

Estimation individuelle qui combine les concentrations du patient, l'erreur résiduelle Σ et la distribution a priori des effets aléatoires Ω. Modifier Ω ou Σ modifie donc l'ajustement.

Équation

argmaxη [log L(y|η) + log p(η)]

Intuition

Estime les paramètres individuels les plus probables sous un modèle populationnel.

Erreur fréquente

Oublier que modifier OMEGA ou SIGMA modifie l’estimation.

Ne pas conclure

Fiabilité conditionnelle au modèle, à la variance résiduelle et au dessin de prélèvement.

Combinaison de prédictions issues de plusieurs modèles compatibles, pondérées par un critère défini. Elle représente une incertitude entre modèles mais ne corrige pas un modèle inadéquat.

Équation

Prédiction = Σm wm × prédictionm

Intuition

Combine plusieurs prédictions compatibles sous des poids explicites.

Hypothèse

Voie, unités, horizon, cible et population doivent être compatibles.

Erreur fréquente

Moyenner des modèles oraux et IV sans contrat commun.

Ne pas conclure

Le moyennage ne corrige pas des modèles tous inadéquats.

Effet maximal atteignable : E = E0 + Emax·C/(EC50+C). Au-delà de l'EC50, augmenter la concentration apporte peu d'effet mais peut accroître la toxicité (plateau/saturation).

Équation

E = E0 + Emax × C / (EC50 + C)

Intuition

Relation phénoménologique avec plateau.

Ne pas conclure

Le plateau ne prouve pas une saturation des récepteurs.

Concentration produisant la moitié de l'effet maximal. Mal estimée si les données ne couvrent que 20–80 % de l'effet.

Unité

unité de concentration

Intuition

Concentration donnant la moitié de l’effet maximal incrémental dans le modèle.

Hypothèse

E0, Emax, forme et échelle de concentration doivent être définis.

Erreur fréquente

L’estimer à partir de données qui ne couvrent pas la courbure informative.

Ne pas conclure

EC50 n’est pas automatiquement une cible thérapeutique.

Facteur de forme de la courbe sigmoïde Emax : plus il est grand, plus la réponse est « tout ou rien » (raide autour de l'EC50).

Unité

sans unité

Équation

E = E0 + Emax × Cγ / (EC50γ + Cγ)

Intuition

Contrôle la raideur de la transition concentration-effet.

Erreur fréquente

Interpréter γ comme un nombre de sites de liaison sans preuve.

Ne pas conclure

Une forte pente ne démontre pas une coopérativité moléculaire.

Le médicament agit sur la production (kin) ou l'élimination (kout) d'une variable de réponse : dR/dt = kin − kout·R. Explique un effet retardé (délai PD, non PK).

Unité

réponse/temps pour kin ; 1/temps pour kout

Équation

dR/dt = kin − kout × R

Intuition

Le médicament modifie la production ou la disparition d’un stock de réponse.

Hypothèse

L’équilibre basal vérifie R0 = kin/kout dans le modèle simple.

Erreur fréquente

Confondre délai de réponse et délai PK.

Ne pas conclure

Le retard provient du turnover modélisé, pas nécessairement du mécanisme biologique réel.

Compartiment hypothétique reliant concentration et effet avec un retard d'équilibrage ke0, pour modéliser l'hystérèse entre concentration et effet.

Unité

1/h

Équation

dCe/dt = ke0 × (Cp − Ce)

Intuition

Crée un délai d’équilibration entre plasma et signal d’effet.

Erreur fréquente

Interpréter ke0 comme une clairance ou un volume anatomique.

Ne pas conclure

Ce est un état hypothétique, pas nécessairement une concentration mesurable.

Boucle observée quand on trace l'effet en fonction de la concentration : le décalage temporel entre PK et PD fait que l'effet « retarde » sur la concentration.

Intuition

La même concentration correspond à des effets différents selon le moment.

Erreur fréquente

Attribuer toute boucle à un compartiment d’effet.

Ne pas conclure

La boucle peut refléter un retard d’équilibration, un turnover, une tolérance ou un biais temporel.

Plus faible concentration testée qui inhibe visiblement la croissance d'un microorganisme dans des conditions standardisées. Elle dépend du couple antibiotique–microorganisme et de la méthode de mesure.

Unité

mg/L

Intuition

Mesure microbiologique discrète et dépendante de la méthode.

Ne pas conclure

Ne pas la traiter comme une constante exacte du patient.

Proportion de profils simulés qui atteignent une cible PK/PD donnée pour une posologie et une CMI. Elle est conditionnelle au modèle, à la population simulée et à la cible choisie.

Unité

%

Intuition

Fréquence simulée d’atteinte d’une cible définie.

Ne pas conclure

Conditionnelle au modèle, à la population, au schéma et à la cible.

Fraction de l'intervalle pendant laquelle la concentration libre dépasse la CMI. Indice PK/PD souvent étudié pour les bêta-lactamines.

Unité

% de l’intervalle

Équation

100 × durée(C libre > CMI) / τ

Intuition

Mesure la durée relative d’exposition libre au-dessus de la CMI.

Hypothèse

Profil libre, intervalle, CMI et interpolation doivent être définis.

Erreur fréquente

Utiliser les concentrations totales avec une cible définie sur les concentrations libres.

Rapport entre l'aire sous la courbe des concentrations libres et la CMI. L'horizon de l'AUC et la cible doivent être explicités.

Unité

h

Équation

fAUC / CMI

Intuition

Rapporte l’exposition libre intégrée à la sensibilité microbiologique.

Hypothèse

Préciser l’horizon d’AUC, la fraction libre, la méthode de CMI et la cible.

Erreur fréquente

Mélanger AUC totale et cible définie sur l’AUC libre.

Ne pas conclure

Une cible n’est pas universelle entre molécules, espèces et infections.

Alias

fAUC/MIC

Modèle mécaniste (white, tout en équations), purement appris (black, réseau de neurones) ou hybride (grey) combinant structure connue et composant flexible.

Intuition

Situe la part mécaniste et la part apprise d’un modèle.

Erreur fréquente

Présumer qu’un modèle white-box est vrai ou qu’un black-box est forcément opaque.

Ne pas conclure

Ces catégories forment un continuum et ne mesurent pas seules l’interprétabilité.

Équation différentielle où un réseau de neurones apprend une correction : dA/dt = f_PK(A,θ) + f_NN(A,x). La partie NN doit rester contrainte, vérifiée et interprétée.

Équation

dA/dt = fmécaniste(A,θ) + fNN(A,x)

Intuition

Apprend une composante dynamique dans un système différentiel.

Erreur fréquente

Interpréter la composante apprise comme un mécanisme causal.

Ne pas conclure

Extrapolation, identifiabilité et stabilité restent à démontrer.

Sélection de variables par forêts aléatoires : trie des dizaines de covariables et repère les plus influentes, au-delà du forward/backward manuel.

Intuition

Sélectionne des variables à partir d’importances de forêts aléatoires.

Erreur fréquente

Effectuer VSURF une fois avant la validation croisée.

Ne pas conclure

La sélection dépend des données, corrélations, hyperparamètres et objectif.

Modèle d'arbres boostés utilisé pour prédire directement une cible (ex. concentration → AUC) sans passer par une équation différentielle.

Intuition

Additionne séquentiellement des arbres corrigeant les erreurs précédentes.

Erreur fréquente

Évaluer sur des simulations ou patients vus pendant l’entraînement.

Ne pas conclure

La performance dépend du domaine d’entraînement, des variables et de la validation.

Réplique virtuelle du patient fusionnant physiologie et IA pour simuler et individualiser (ex. consortium DIGPHAT). Horizon de la pharmacométrie assistée par IA.

Intuition

Met à jour une représentation informatique individualisée avec de nouvelles données.

Erreur fréquente

Employer le terme pour toute simulation patient.

Ne pas conclure

Le terme ne garantit ni actualisation temps réel, ni causalité, ni validité clinique.

Logiciel historique d'estimation PopPK, très largement utilisé dans les soumissions réglementaires et piloté par des control streams en langage NM-TRAN.

Intuition

Environnement de modélisation NLME piloté par des control streams.

Erreur fréquente

Confondre succès d’exécution et convergence scientifique.

Ne pas conclure

Très utilisé en soumission, mais non imposé comme format unique par les agences.

Logiciel PopPK à interface graphique, fondé sur l'algorithme SAEM ; adapté à la visualisation et à l'apprentissage.

Intuition

Suite NLME centrée notamment sur SAEM, diagnostics et simulation.

Erreur fréquente

Présenter la désactivation de l’auto-stop comme une règle universelle.

Ne pas conclure

Les résultats dépendent des phases, graines, modèles et réglages.

Écosystème open-source en R pour l'estimation (nlmixr2) et la simulation d'EDO (rxode2) de modèles PK/PD à effets mixtes.

Intuition

Associe estimation NLME et simulation rapide dans l’écosystème R.

Erreur fréquente

Supposer que deux méthodes de même nom ont les mêmes réglages et conventions.

Ne pas conclure

Les méthodes partagent de grandes familles avec d’autres logiciels, pas des implémentations identiques.

Package R de simulation rapide de modèles PK/PD par EDO, très utilisé pour les simulations d'essais et le precision dosing.

Intuition

Compile un modèle en C++ puis simule ses états depuis R.

Erreur fréquente

Confondre compartiment de dose et compartiment observé.

Ne pas conclure

La compilation vérifie le code, pas la fidélité au modèle source.

Package R d'estimation MAP bayésienne fondé sur des modèles mrgsolve. Le modèle doit fournir une structure, Ω, Σ et les compartiments d'administration et d'observation attendus.

Intuition

Réalise une estimation MAP à partir d’un modèle mrgsolve compatible.

Erreur fréquente

Transférer un modèle sans sa variabilité ni son erreur résiduelle.

Ne pas conclure

Exige des contrats corrects pour compartiments, OMEGA, SIGMA, doses et observations.

Package R de modélisation de population paramétrique et non paramétrique, notamment avec l'algorithme NPAG.

Intuition

Associe données, modèle et algorithme paramétrique ou non paramétrique dans R.

Erreur fréquente

Traiter un squelette traduit comme une analyse NPAG prête à publier.

Ne pas conclure

Le logiciel ne remplace pas la justification du modèle, des bornes et du dessin.

Langage de modèles de MonolixSuite pour décrire les paramètres individuels, covariables, administrations, équations longitudinales et modèles d'observation.

Intuition

Décrit les blocs de modèles, paramètres individuels, covariables et observations dans MonolixSuite.

Erreur fréquente

Accepter une conversion partielle silencieuse d’une équation complexe.

Ne pas conclure

Une traduction automatique ne peut conserver que les constructions représentées par le schéma cible.

Situation où l'absorption est plus lente que l'élimination (Ka < ke) : la pente terminale reflète alors l'absorption, faussant l'estimation de la demi-vie d'élimination.

Équation

Ka < ke dans le cas simple

Intuition

La pente terminale observée reflète l’absorption plus lente que l’élimination.

Hypothèse

Cette lecture suppose un modèle oral simple et une phase terminale informative.

Erreur fréquente

Interpréter la pente terminale comme une demi-vie d’élimination sans vérifier Ka.