Ouvrir cette fenêtre en pleine page
  • Imprimer
  • Partager
    • Courriel
    • Twitter
    • Facebook
    • del.icio.us
    • Viadeo
    • LinkedIn

Développement d’un algorithme de machine learning pour la prédiction de la première dose de daptomycine à administrer

(Document en Français)

Accès au(x) document(s)

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Accéder au(x) document(s) :
    • https://cdn.unilim.fr/files/theses-exercice/P20233352.pdf
    Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Informations sur les contributeurs

Auteur
Rivals Florence
Date de soutenance
23-10-2023

Directeur(s) de thèse
Woillard Jean-Baptiste

Etablissement de soutenance
Limoges

Informations générales

Discipline
Pharmacie
Classification
Médecine et santé

Mots-clés
Daptomycine,
Apprentissage automatique,
Pharmacocinétique
Résumé :

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.

Informations techniques

Type de contenu
Text
Format
PDF

Informations complémentaires

Entrepôt d'origine
Ressource locale
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