KI und seltene Erkrankungen ── 2026-10-21

1 Artikel in dieser Ausgabe. Schwerpunkt: Prädiktive Leistungsfähigkeit pyDarwin-ausgewählter gegenüber expertenentwickelten pädiatrischen Tobramycin-Populationspharmakokinetik-Modellen für die modellgestützte Präzisionsdosierung.

Neue Studien zu seltenen Erkrankungen (außer neurologischen und Krebs) und KI, gesammelt aus Journal-Feeds, PubMed (über alle Journale durchsucht) und OpenAlex (ein öffentlicher Index, der anstelle von Google Scholar verwendet wird), beurteilt von Jev (einer KI, die sprachliche Urteile fällt): Originalforschung, KI zentral, welche von 8 Krankheitsgruppen, Behandlung oder klinische Studien, und anschließend nach Wichtigkeit bis zu einem Tageslimit gerankt. Journale werden nicht nach Impact Factor gefiltert; jede Studie zeigt das IF-Äquivalent ihres Journals (OpenAlex-Zweijahresmittel der Zitationshäufigkeit) und das Datum dieses Werts. Jeder Eintrag zeigt die vollständige Original-Zusammenfassung.

Nach Erkrankung lesen: Plattformen（1） · Angeborene Stoffwechselstörungen（0） · Genetische Syndrome（0） · Seltene Bluterkrankungen（0） · Immun- und Bindegewebe（0） · Herz und Lunge（0） · Niere, Leber und Darm（0） · Haut und Knochen（0）

Plattformen für Diagnose und Wirkstoffforschung bei seltenen Erkrankungen und KI

Prädiktive Leistung von pyDarwin-ausgewählten gegenüber von Experten entwickelten pädiatrischen Populationspharmakokinetik-Modellen von Tobramycin für modellgestütztes Precision Dosing.
The AAPS journal · 2026-10-19 · Evidenz: Retrospektive Beobachtungsstudie (methodologischer Vergleich von Ansätzen zur Modellerstellung mit externer Validierung)
Zusammenfassung
PyDarwin ist ein Open-Source-Python-Paket, das maschinelles Lernen mit NONMEM für eine automatisierte Modellauswahl integriert; sein Nutzen im Bereich der modellgestützten Präzisionsdosierung (MIPD) ist jedoch weiterhin nicht validiert. Ziel dieser Studie ist es, pyDarwin für die Entwicklung von Populationspharmakokinetik-Modellen (PopPK) in der MIPD im Vergleich zu von Experten entwickelten Modellen zu evaluieren, wobei pädiatrisches Tobramycin als repräsentativer Fall dient. Der Modellierungsdatensatz umfasste 450 Plasmakonzentrationen von 63 Kindern mit zystischer Fibrose (CF). Eine Gruppe entwickelte manuell ein Modell mittels schrittweiser Kovariatenselektion, während eine andere pyDarwin innerhalb eines vordefinierten 27-dimensionalen Modellraums anwendete und dabei eine Fitnessfunktion verwendete, die einen Strafterm auf Grundlage der Fläche unter der Kurve über 24 Stunden (AUC 24h ) einbezog. Die externe Validierung erfolgte mit 1011 Konzentrationen von 144 Kindern, einschließlich einer Auswertung mit allen Therapeutic-Drug-Monitoring-Daten (TDM) und klinisch relevanten MIPD-Szenarien (a priori [AP], Bayesian 1, Bayesian 2). Beide Modelle enthielten gewichtsbasierte Skalierung, eine Reifungsfunktion und die geschätzte glomeruläre Filtrationsrate als Kovariaten für die Clearance und lieferten vergleichbare Clearance-Schätzungen. Das von pyDarwin ausgewählte Modell war ein Zweikompartment-Modell mit festen allometrischen Skalierungsexponenten, während das manuelle Modell ein Einkompartment-Modell mit geschätzten Exponenten war. Beide Modelle zeigten eine vergleichbare Wahrscheinlichkeit des Zielerreichens für die Steady-State-AUC 24h . In der externen Validierung mit allen TDM-Daten zeigte das von pyDarwin ausgewählte Modell eine bessere Vorhersageleistung für CF-Patienten als das manuelle Modell (prädiktionsbasierter MPE -14.6% vs. -41.6%; MAPE 34.0% vs. 54.4%). In den MIPD-Szenarien zeigte das von pyDarwin ausgewählte Modell im AP-Setting eine überlegene Leistung, wobei sich die Unterschiede nach der Bayes'schen Aktualisierung abschwächten. Diese Ergebnisse stützen die pyDarwin-basierte automatisierte PopPK-Modellauswahl als zuverlässigen und effizienten Rahmen für die MIPD.
Zeitschriften-IF-Äquivalent: 3.7 (OpenAlex 2-Jahres-Durchschnitt der Zitierhäufigkeit, Wert vom 2026-10-20, abgerufen am 2026-10-21; nicht der offizielle Clarivate IF)
Referenz: Wang J, Harwood K, Yang W, Lei A, Lai T, Nieforth K, et al. Prädiktive Leistungsfähigkeit von pyDarwin-ausgewählten gegenüber expertenentwickelten pädiatrischen Tobramycin-Populationspharmakokinetik-Modellen für modellgestützte Präzisionsdosierung. AAPS J. 2026 Okt 19;28(6):171. doi:10.1208/s12248-026-01321-z.
Geprüft: Nur Zusammenfassung

Alle 1 Paper zu Plattformen ansehen →

Angeborene Stoffwechselstörungen: Behandlung, Studien und KI

Kein neuer qualifizierter Beitrag für diese Ausgabe.

Genetische Syndrome und seltene Erkrankungen im Kindesalter: Behandlung, Studien und KI

Kein neuer qualifizierter Beitrag für diese Ausgabe.

Seltene Bluterkrankungen: Behandlung, Studien und KI

Kein neuer qualifizierter Beitrag für diese Ausgabe.

Autoinflammatorische Erkrankungen, Immundefekte und seltene Bindegewebserkrankungen: Behandlung, Studien und KI

Kein neuer qualifizierter Beitrag für diese Ausgabe.

Seltene Herz-Kreislauf- und Atemwegserkrankungen: Behandlung, Studien und KI

Kein neuer qualifizierter Beitrag für diese Ausgabe.

Seltene Nieren-, Leber- und Magen-Darm-Erkrankungen: Behandlung, Studien und KI

Kein neuer qualifizierter Beitrag für diese Ausgabe.

Seltene Haut- und Knochenerkrankungen: Behandlung, Studien und KI

Kein neuer qualifizierter Beitrag für diese Ausgabe.

Wie Papers ausgewählt werden: (1) aus Zeitschriften-Feeds, PubMed (alle Zeitschriften) und OpenAlex gesammelt; (2) Editorials, Korrekturen und Beiträge ohne Fach-/KI-Begriffe werden entfernt; (3) Jev beurteilt vier Punkte (Originalforschung ≥ 0.6, KI ≥ 0.6, eine von 8 Krankheitsgruppen, Therapie/Studien ≥ 0.5 bei Krankheitsgruppen); (4) nach Jev-Wichtigkeit bis zu einem Tageslimit gereiht (zwei pro Gruppe); (5) das IF-Äquivalent wird nur angezeigt, wenn Jev die Zuordnung der Zeitschrift bestätigt. Beiträge, die Jev nicht beurteilen kann, werden nicht aufgeführt.