Développement d’un algorithme de machine learning pour la prédiction de la première dose de daptomycine à administrer
(Document en Français)
- Thèse consultable sur internet, en texte intégral. Accéder au(x) document(s) : Ce document est protégé en vertu du Code de la Propriété Intellectuelle.
- Auteur
- Rivals Florence
- Date de soutenance
- 23-10-2023
- Directeur(s) de thèse
- Woillard Jean-Baptiste
- Etablissement de soutenance
- Limoges
- Discipline
- Pharmacie
- Classification
- Médecine et santé
- Mots-clés
- Daptomycine,
- Apprentissage automatique,
- Pharmacocinétique
La daptomycine est généralement administrée selon des doses basées sur le poids corporel. Cependant, il a été démontré que cette approche entraînait une exposition trop élevée chez les patients obèses. L'indice pharmacocinétique et pharmacodynamique (PK/PD) a été proposé pour estimer l'effet antibactérien (AUC/CMI > 666) et la toxicité (Cmin > 24,3 mg/L) de la daptomycine. Nous avons précédemment développé des algorithmes de Machine Learning (ML) pour prédire la dose initiale sur la base de simulations de Monte Carlo pour la vancomycine. Dans cette étude, nous proposons une nouvelle façon d'évaluer la probabilité d'atteinte de l'objectif basée sur un algorithme de ML pour prédire la dose initiale de daptomycine. Le modèle de Dvorchik de la daptomycine a été implémenté dans le package mrgsolve R et 4950 profils pharmacocinétiques ont été simulés avec des doses allant de 4 à 12 mg/kg. Nous avons appris à un algorithme de forêt aléatoire à rechercher de manière itérative la dose optimale de daptomycine maximisant l'événement (AUC/CMI>666 et Cmin>24,3 mg/L). L'algorithme ML a été évalué dans des simulations et dans une base de données externe de patients réels. L'algorithme développé présente d'excellentes performances pour prédire l'événement (précision dans l'ensemble de train et de test = 0,921 et 0,922 respectivement). Les variables les plus importantes dans la prédiction étaient respectivement la dose, la clairance de la créatinine, le sexe et le poids corporel. Dans la base de données externe de patients réels, la dose initiale administrée sur la base de l'algorithme ML aurait amélioré l'atteinte de l'évènement cible de 9,9 % par rapport à la dose administrée basée sur le poids corporel. L'algorithme développé a permis une amélioration de l'atteinte des objectifs pour la daptomycine par rapport au dosage basé sur le poids.
- Type de contenu
- Text
- Format
- Entrepôt d'origine
- Identifiant
- unilim-ori-130848
- Numéro national
- 2023LIMO3352
Pour citer cette thèse
Rivals Florence, Développement d’un algorithme de machine learning pour la prédiction de la première dose de daptomycine à administrer, thèse d'exercice, Limoges, Université de Limoges, 2023. Disponible sur https://aurore.unilim.fr/ori-oai-search/notice/view/unilim-ori-130848