AIと希少疾病 ── 基盤（総論） ── 2026-10-21

対象誌と選び方は索引の頁に

希少疾病の診断と創薬の基盤とAI

• モデルに基づく個別化投与のための小児トブラマイシン母集団薬物動態モデル：pyDarwin選択モデルと専門家開発モデルの予測性能
  Predictive Performance of pyDarwin-Selected Versus Expert-Developed Paediatric Tobramycin Population Pharmacokinetic Models for Model-Informed Precision Dosing.
  The AAPS journal · 2026-10-19 · 証拠の段階: 後ろ向きの観察研究（既存データによるモデル開発手法の比較と外部検証）
  抄録（全訳）

  PyDarwinは、機械学習とNONMEMを組み合わせてモデル選択を自動化する、オープンソースのPythonパッケージである。ただし、モデルに基づく個別化投与（MIPD）での有用性はまだ検証されていない。本研究は、pyDarwinをMIPDのための母集団薬物動態（PopPK）モデル構築に適用し、専門家開発モデルと比較して評価することを目的とした。代表例は小児のトブラマイシンとした。

  モデル構築データは、嚢胞性線維症（CF）の小児63例から得られた血漿中濃度450点であった。一方のグループは、段階的な共変量選択によって手作業でモデルを構築した。もう一方は、あらかじめ定めた27次元のモデル空間にpyDarwinを適用した。その際の適応度関数には、24時間血中濃度曲線下面積（AUC24h）に基づくペナルティを組み込んだ。外部検証には、小児144例からの血漿中濃度1011点を用いた。治療薬物モニタリング（TDM）データ全体での評価に加え、臨床で重要なMIPDシナリオ（事前投与設計［AP］、ベイズ1、ベイズ2）でも評価した。

  両モデルとも、クリアランスの共変量として体重に基づくスケーリング、成熟関数、推定糸球体濾過率を組み込み、クリアランスの推定値は両者で同程度であった。pyDarwinが選択したモデルは、アロメトリックスケーリングの指数を固定した2コンパートメントモデルであった。一方、手作業モデルは指数を推定した1コンパートメントモデルであった。定常状態のAUC24hに対する目標達成確率は、両モデルで同程度であった。

  TDMデータ全体による外部検証では、CF患者に対する予測性能でpyDarwin選択モデルが手作業モデルを上回った。予測ベースの平均予測誤差（MPE）は-14.6%対-41.6%、平均絶対予測誤差（MAPE）は34.0%対54.4%であった。MIPDシナリオでは、APの設定でpyDarwin選択モデルが優れた成績を示した。ベイズ更新を重ねると、両モデルの差は小さくなった。以上の結果から、pyDarwinによるPopPKモデルの自動選択は、MIPDのための信頼性が高く効率的な手法として支持された。

  掲載誌の IF 相当：3.7（OpenAlex の直近 2 年の平均被引用数・2026-10-20 時点の値、2026-10-21 に取得。正式な IF（Clarivate）ではない）
  書誌：Wang J, Harwood K, Yang W, Lei A, Lai T, Nieforth K, et al. Predictive Performance of pyDarwin-Selected Versus Expert-Developed Paediatric Tobramycin Population Pharmacokinetic Models for Model-Informed Precision Dosing. AAPS J. 2026 Oct 19;28(6):171. doi:10.1208/s12248-026-01321-z.
  確認の範囲：抄録のみ確認

← この号の目次へ