Développement d'un algorithme de machine learning pour le calcul de la première dose d'amikacine garantissant un pic thérapeutique et une concentration résiduelle ≤ 5 mg/L

Abstract

Introduction

L'amikacine est un antibiotique aminoglycoside dont l'efficacité repose sur l'atteinte d'un pic plasmatique suffisant (objectif 60-80), tout en limitant les concentrations résiduelles afin de réduire la néphrotoxocitié et l'ototoxicité. Actuellement, la posologie est ajustée empiriquement, sans modèle prédictif intégré. Cette étude vise à développer un algorithme d'aide à la décision clinique pour déterminer la première dose optimale d'amikacine en fonction des caractéristiques du patient par approche de machine learning.

Matériels et méthodes

Mille trois cents patients ont été simulés à partir d'un modèle de pharmacocinétique de population issu de la littérature (Joubert). Les données simulées comprenaient la dose administrée d'amikacine, le poids et la fonction rénale des patients. L'objectif était la réussite du schéma posologique, défini par un pic entre 64 et 100 mg/L et une résiduelle à 24h ≤ 5 mg/L.

Les données simulées ont été divisées en une base d'entrainement (75%) et une base de test (25%).

Un modèle de Random Forest a été entraîné puis une grille de recherche a été appliquée pour déterminer la dose optimale en fonction des caractéristiques des patients pour répondre à l'objectif.

Les performances du modèle ont été évaluées par la précision, l'aire sous la courbe, la sensibilté et la spécificité du modèle.

Deux cents doses optimales prédites ont été appliquées sur 200 patients simulés, ainsi que sur 200 autres patients simulés à partir d'un autre modèle de pharmacocinétique de population (Burdet).

Résultats

Un modèle de machine learning par Random Forest a été developpé à partir de 1300 patients simulés à partir du modèle de Joubert. L'objectif était de définir la première dose d'amikacine permettant un concentration au pic comprises entre 64 et 100 mg/L et une concentration résiduelle à 24h ≤ 5 mg/L. Le modèle a présenté des performances robustes avec une précision de 92.1%, une valeur d'aire sous la courbe à 0.974, une sensibilité de 92.5% et une spécificité de 92.31%.

Deux cents doses optimales calculées par le modèle ont été testées sur des patients simulés à partir du modèle de Joubert avec un succès de 198/200 doses, contrairement à l'application sur d'autres patients simulés à partir d'un modèle de pharmacocinétique de population différent (Burdet) avec une obtention de l'objectif dans 82/200 doses. Ainsi, 60% des prédictions ne respectaient pas les critères cibles avec cet autre modèle de pharmacocinétique de population, indiquant la nécessité d'un ajustement supplémentaire.

Une application Shiny a été développée pour permettre au clinicien de prédire la première dose d'amikacine optimale pour répondre à l'objectif.

Conclusion

Ce modèle de machine learning permet d'optimiser la première dose d'amikacine et s'intègre dans l'aide à la décision clinique. Des ajustements supplémentaires sont nécessaires pour améliorer la précision des prédictions et assurer une optimisation individualisée de la posologie.