| dc.description.abstract | Utilizar modelos no lineales de efectos mixtos para el desarrollo de modelos farmacocinéticos poblacionales es una de las metodologías que más se aplican cuando se requiere caracterizar la disposición de un fármaco en el cuerpo. De esta manera, se puede sintetizar el perfil concentración-tiempo de un fármaco dentro de un conjunto de parámetros que posteriormente serán utilizados para evaluar, comparar y predecir las dosis de un fármaco. Para explicar las fuentes de variabilidad dentro de los modelos farmacocinéticos poblacionales es necesario la implementación de un modelo de covariables que establezca las relaciones entre los parámetros del modelo y las características de los pacientes, y de esta forma, facilitar las decisiones relacionadas al ajuste de dosis, lo cual es uno de los objetivos primordiales de los modelos farmacocinéticos poblacionales. Del desarrollo del modelo de covariables surge el problema sobre qué covariables deben de ser incluidas en el modelo. La selección de potenciales covariables se basa normalmente en el conocimiento de las propiedades del fármaco o de evaluaciones estadísticas preliminares sobre las covariables. Pocos estudios están dedicados a la comparación de métodos de selección de covariables, esto se debe en parte, a que los métodos utilizados para la selección de covariables están relacionados con técnicas estadísticas como análisis de correlación o técnicas basadas en regresión. Al utilizar estas técnicas estadísticas se consume mucho tiempo además no garantizan un modelo óptimo, sobre todo cuando se tiene un número amplio de covariables y no se tiene un conocimiento preciso sobre la relación que guardan estas covariables con el fármaco. En este trabajo se implementa un algoritmo genético, como una alternativa para el método de selección de covariables. Adicionalmente, se implementa un método estadístico basado en regresión conocido como regresión por pasos. Finalmente se presentan los resultados correspondientes a la implementación de ambos métodos en un modelo farmacocinético poblacional de efectos mixtos.
__________________________________
Nonlinear mixed effect models is the most used technique when developing a pharmacokinetic population model, and the characterization of a drug disposition inside the body. By using nonlinear mixed effects models we are able to develop a concentration-time data of a drug, include covariates, and predict the exact dose. In order to explain the sources of variability within the pharmacokinetic population model, it is necessary to implement a covariate model that establishes the relationship between the model parameters, and the characteristics of the patients. This facilitates the decisions related to the dose adjustments, which is the main objective in the pharmacokinetic population models. Furthermore, a problem arises from the development of the covariate model when deciding which covariates should or should not be included in the model. The selection of potential covariates is usually based on the properties of the drug, or preliminary covariates evaluations. There have only been a few studies comparing the different covariate selection. This is because they use methods related to statistical methods of correlation or regression, which their run time can be a time consuming task, and they do not guarantee an ideal model, especially when it has a wide number of covariates, and have no previous knowledge about the drug covariates. In this work a genetic algorithm is implemented, as an alternative for the method of covariate selections. Additional, a statistical implementation is done based on regression known as stepwise. Finally, the results presented are corresponding to the implementation of both methods in population pharmacokinetic model (PPK). | |
