(mbdd) 3 モデルを考える材料と方法 - showa ujcop/download_third_congress/2010...sexf:...
TRANSCRIPT
第 3 回 日本ファーマコメトリクス研究会第 3 回 日本ファ メトリクス研究会教育セッション
Pharmacometrics の具体例-Modeling & Simulation 技術の文献紹介-g 技術 献紹介
疾患進行モデルを中心とした紹介疾患進行モデルを中心とした紹介
昭和大学薬学部
薬物動態学教室薬物動態学教室
野澤 健二
薬効評価における Modeling & Simulationg
モデルに基づく
医薬品開発
Modeling
医薬品開発
情報収集モデル構築 治療成績
情報収集
仮定疾患進行モデル
治療成績
シミュレーションモデル化シミュレーティング
仮定
事前情報
実験的データ
暴露応答モデル
共変量の特定
研究デザイン最適化
候補を選定実験的デ タ
変動の説明 感度分析
2
モデルに基づく医薬品開発 (MBDD) で用いられる3タイプのモデル
病態進行モデル
薬物効果モデル
トライアルモデルモデル モデル モデル
生物学バイオマ カ
薬理学有効性
患者母集団バイオマーカ-/ 臨床結果との関係
疾病の自然経過
有効性安全性
前臨床/健康成人/患者
脱落
厳守疾病の自然経過
プラセボ効果
前臨床/健康成人/患者
製品特性
厳守
疾患領域で共通疾患領域で共通
薬物固有(PK/PD)
Source: Gobburu JVS and Lesko LJ, Quantitative Disease, Drug and Trial Models,Annu. Rev. Pharmacol. Toxicol. 2009. 49: 291-301 3
モデルを考える材料と方法モデルを考える材料と方法
D PK Bi k O tDose PK Biomarker Outcome
値デ タ ジ
連続データ
2値データ多値データ
障
ロジスティック回帰
帰故障時間Time to event data
Cox 回帰
線形回帰
非線形回帰非線形回帰
4
Pharmacometrics
CHAPTER 21
Developing Models of Disease Progression
DIANE R. MOULD
CHAPTER 24
PK/PD Analysis of Binary (Logistic) Outcome Data
JILL FIEDLER-KELLY
CHAPTER 25
Population Pharmacokinetic/Pharmacodynamic Modeling of Ordered Categorical Longitudinal Data
ENE I ETTE, AMIT ROY, and PARTHA NANDY5
病態進行モデルで使用される薬物作用タイプ
120
140
160
Score
T t d St t (薬物治療)
60
80
100
se S
ym
pto
m
① 徴候的
Treated StatusUntreated Status
Drug Concentrations
(薬物治療)
(未処置)
0
20
40
0 60 120 180 240 300 360
Dis
eas ① 徴候的
(Symptomatic)
0 60 120 180 240 300 360
Time (Days)
140
160
e 140
160
e
80
100
120
140
mpto
m S
cor
80
100
120
140
mpto
m S
core
20
40
60
80
Dis
ease S
ym
20
40
60
80
Dis
ease S
ym
② 疾病の加減(Disease Modifying )
③ 治癒的(Curative)
0
0 60 120 180 240 300 360
Time (Days)
0
20
0 60 120 180 240 300 360
Time (Days)
( y g )
6
Linear Models disease progression
120
140
160
S(t) = Baseline + Slope・ tS( ) 100 0 6
① 徴候的 : S(t) = S0 + E(t) + αt 赤:未処置, 青:薬物治療
80
100
120 → S(t) = 100 + 0.6・ t
S(t) = Baseline + Drug effect + Slope・ t60 → S(t) = 100 – 5 + 0.6・ t
140
160
m S
core ② 疾病の加減 : S(t) = S0 + [E(t) + α]t
S(t) = Baseline + [Drug effect + Sope] ・ t→ S(t) = 100 + [– 0 6 + 0 6 ] ・ t
80
100
120
ase S
ym
pto
m
S(t) 100 + [ 0.6 + 0.6 ] t60
Dis
ea
140
160 ③ 治癒的 : S(t) = S0 + αt
S(t) = Baseline + [Drug effect・ Slope] ・ t→ S(t) = 100 + [– 10 ・ 0.6 ] ・ t
80
100
120
60
0 60 120 180 240 300 360
Time (Days)7
連続データにおけるモデルタイプ連続データにおけるモデルタイプ
モデルタイプ 疾患 評価指標モデルタイプ 疾患 評価指標Linear Model-Symptomatic (徴候的) アルツハイマー ADAS-Disease Modifying (疾病の加減 ) 統合失調症 BPRS-Curative (治癒的)
Exponential ModelpEmax Function 疼痛(小児) 疼痛スコア
虚血性脳梗塞 頻度Nonzero Asymptotic Function パーキンソン UDPR ScoreNonzero Asymptotic Function パ キンソン UDPR ScoreInverse Bateman 抑うつ HAMD ScoreSimple Growth FunctionG M d l 腫瘍 サイズGompers Model 腫瘍 サイズLife Span Model 貧血 EPO on RBC
8
120
e
Exponential Function
80
100pto
m S
core
① 徴候的 (Symptomatic)40
60
sease S
ym
0
20
0 12 24 36 48
Dis
100
120
core
Time (hr)
② 疾病の加減 (Disease Modifying )60
80
Sym
pto
m S
c
② 疾病の加減 (Disease Modifying )
20
40
Dis
ease S
0
0 12 24 36 48
Time (hr)9
120Emax Function
80
100
erity S
cor
e
① 徴候的 (Symptomatic)40
60
sea
se S
eve
① 徴候的 (Symptomatic)
0
20
0 24 48 72 96
Dis
Time (hr)
100
120
ore
② 疾病の加減 (Disease Modifying )60
80
Severity
Sc
② 疾病の加減 (Disease Modifying )
20
40
Dis
ease S
0
0 24 48 72 96
Time (hr)10
Nonzero Asymptotic Function
80
90
100
core
50
60
70
80
verity
Sc
上昇項(↑) 下昇項(↓)
30
40
50
ease
Se
① 徴候的 (Symptomatic)
0
10
20Dis
0
0 30 60 90
Time (Days)
② 疾病の加減 (Disease Modifying )<応用例>
UDPR ScoreUDPR Score (パーキンソン病)
11
Inverse Bateman
30
S0 :baseline severity score (ベースライン)
(再発速度定数)
26
28
30
Score
k on : relapse constant rate (再発速度定数)
k rec: recovery constant rate (回復速度定数)
D l t (スケ ルパラメ タ)
22
24
26
everity
S Drec: scale parameter (スケールパラメータ)
18
20
22
seas
e S
e
① 徴候的 (Symptomatic)
14
16
18D
is
0 15 30 45 60 75
Time (Days)<応用例><応用例>
抑うつ,鬱病12
Simple Growth Function
k growth : growth constant rate (成長速度定数)
k d th : death constant rate (消滅速度定数)
18
20
e
k death : death constant rate (消滅速度定数)
R : response (応答スコア)
12
14
16
18
ity S
core
8
10
12
e S
ever
① 徴候的 (Symptomatic)
② 疾病の加減 (Disease Modifying )
2
4
6
Dis
eas
0
2
0 10 20 30
Time (Days)
13
Gompertz Functionβ : groth constant rate (成長速度定数)
β max : maximum limit for response
500
600
core
max
kdeath : death constant rate (消滅速度定数)
300
400
verity
Sc
① 徴候的 (Symptomatic)
200
300
ease S
ev
0
100Dis
e
<応用例>0
0 10 20 30
Time (Days)
• 腫瘍細胞の増殖抑制
• 細菌の増殖抑制
• パーキンソン病のUPDR score
14
Transit Compartment ModelPharmacokineticsPharmacokinetics
n=1, 3, 9, ・ ・ ・
30
AbsorptionComp.
CentralComp.Dose
Ka
25
30
ion
n=9
15
20
centr
at n=3
5
10Conc
n=1
0
5
0 0.5 1 1.5 2 2.5 3Time (h) 15
Transit ModelLife Span Model (EPO on RBC)Life Span Model (EPO on RBC)
15 赤:未処置, 青:薬物治療
14
(g/dL)
D12
13
mogl
obin
(
SCDose
K K
11Hem
EPO CLKEPO
Ka K010
0 60 120 180 240 300 360
Time (Days)Vd
Smax, SC50
Time (Days)
BFU‐E CFU‐E 赤芽球 網赤血球 赤血球
16
PK‐PD Analysis of Binary (Logistic) Outcome データセットデータセット
性別 来院日 人種
#ID DV AUC MDV SEXF VIS RACE MRG_ RAW1 0 21.9 0 0 1 1 0 01 0 41.5 0 0 2 1 0 01 0 81 0 0 0 3 1 0 01 0 81.0 0 0 3 1 0 01 0 158.9 0 0 4 1 0 01 0 316.1 0 0 5 1 0 01 0 472.7 0 0 6 1 0 01 1 629 9 0 0 7 1 0 01 1 629.9 0 0 7 1 0 01 0 629.9 0 0 8 1 0 01 1 940.1 0 0 9 1 0 01 0 940.1 0 0 10 1 0 02 0 25 6 0 0 1 1 0 02 0 25.6 0 0 1 1 0 02 0 48.9 0 0 2 1 0 02 0 48.9 0 0 3 1 0 02 0 48.9 0 0 4 1 0 02 0 48 9 0 0 5 1 0 02 0 48.9 0 0 5 1 0 02 0 48.9 0 0 6 1 0 02 0 48.9 0 0 7 1 0 02 0 48.9 0 0 8 1 0 02 0 48 9 0 0 9 1 0 02 0 48.9 0 0 9 1 0 02 0 48.9 0 0 10 1 0 0
17
PK‐PD Analysis of Binary (Logistic) O t D tOutcome Data
[ Logistic Model ]1 [ Logistic Model ]Logitj=θ1+θ2 ・XPj=eLogitj/(1+eLogitj)0.6
0.8
(Y)
Pj e /(1+e )
10 2
0.4Pro
b.
0.6
0.8
abili
ty
θ θ
0
0.2
0 2 4 6 8 10
0.2
0.4
Pro
ba
1:
2:
3
θ1, θ2 -5, 1.0 -4, 0.8 3 0 6
[ 抗菌剤 ]
0 2 4 6 8 10
X
0
0 2 4 6 8 10
3: -3, 0.6Y X
臨床効果 AUC/MIC
X細菌学的効果 Cmax/MIC
%T>MIC 18
PK‐PD Analysis of Binary (Logistic) O t D tOutcome Data
Female
Male
[ AUC を含む Model ]
Logitj=θ1+θ2・(AUCj-118)+ηj
[ Final Model ]
Logitj=θ1+θ2・(AUCj-118)+θ3・SEXFj+ηj
SEXF: 0=Male, 1=Female19
Pain relief model により解析した試験Pain relief model により解析した試験
• 3群比較単回投与試験• 3群比較単回投与試験 プラセボ群 0.5 mg群 1.0 mg群
• サンプルサイズ• サンプルサイズ 各群 200例
• 評価項目 疼痛スコア (4, 3, 2, 1, 0 の 5水準) 薬物濃度 薬物濃度
• 評価時期投与後 時間後 投与後 0.25, 0.5, 0.75, 1, 1.5, 2時間後
20
Pain relief model で使用したデータ
痛
完全効いた良く効いた
疼痛スコア
良く効いた効いた少し効いた効果なし
21
Pain relief model のデータセットのデ タセット
被験者 時間疼痛
脱落 投与量 PKパラメ タ被験者 時間疼痛スコア
脱落 投与量 PKパラメータ
# ISIM
ID TIMEMDV PRLS QUIT PTIM DOSE CL VC Q VP KA ALAG FBIO
1 222 0 1 . 0 0 0.5 2.78 9.78 1 20 1.81 0.06 0.401 222 0.25 0 0 0 0 0.5 2.78 9.78 1 20 1.81 0.06 0.401 222 0.5 0 0 1 0.25 0.5 2.78 9.78 1 20 1.81 0.06 0.40
1 597 0 1 . 0 0 1.0 2.64 7.21 1 20 1.21 0.10 0.471 597 0.25 0 0 0 0 1.0 2.64 7.21 1 20 1.21 0.10 0.471 597 0.5 0 1 0 0.25 1.0 2.64 7.21 1 20 1.21 0.10 0.471 597 0.75 0 1 0 0.5 1.0 2.64 7.21 1 20 1.21 0.10 0.471 597 1 0 2 0 0.75 1.0 2.64 7.21 1 20 1.21 0.10 0.471 597 1.5 0 3 0 1 1.0 2.64 7.21 1 20 1.21 0.10 0.471 597 2 0 4 0 1.5 1.0 2.64 7.21 1 20 1.21 0.10 0.47
22
Pain relief model
疼痛スコアY がでる確率
他治療介入(脱落)T がでる確率
・ ランダム効果・
鎮痛薬の臨床試験は,疼痛スコアの経時的推移に脱落を考慮し デ を構築する必要があるに脱落を考慮しモデルを構築する必要がある。
疼痛スコア
4 : 完全効いた
評価時期(投与後時間)0.25
脱落
0 : 継続 4 : 完全効いた3 : 良く効いた2 : 効いた1 : 少し効いた
0.50.751
0 : 継続1 : 中止
1 : 少し効いた0 : 効果なし
11.52 23
他治療介入(脱落) T が発生する確率
0 9
1 λ4 (0.0001)
λ3 (0 001)
完全効いた良く効いた
0.7
0.8
0.9
robabilit
y λ3 (0.001)
λ2 (0.0036)
λ1 (0.00213)
λ0 (0 147)
良く効いた効いた少し効いた効果なし
0.5
0.6
0 0 5 1 1 5 2
Pr λ0 (0.147)
効果な
ラムダを推定し,脱落の有無を予測する0 0.5 1 1.5 2
Time (h)の有無を予測する。
S(t) = e -λt
他治療介入(脱落) T が発生する確率
前の観察時点 (t-1) から,観察時点 (t)の間に他治療介入が発生する確率
24
疼痛スコア Y がでる確率Cp(t)
C ( )
Ke0
Ce(t)
疼痛 ア プラセボ効果 + 薬物効果 + ラ ダム効果疼痛スコア = プラセボ効果 + 薬物効果 + ランダム効果
ベースライン+[増加-減少]ロジステ ク回帰モデルm: 疼痛スコアt 評価時期 ベ スライン+[増加 減少]ロジスティック回帰モデル t : 評価時期
25
Pain Relief Model を用いた予測
26
Disease model のまとめ
欧米諸国ではDi M d lが積極的に構築されている
Disease model のまとめ
・ 欧米諸国ではDisease Modelが積極的に構築されている。
・ Disease Modelを用いることによって 処置および非処置条件Disease Modelを用いることによって,処置および非処置条件における疾病進行の経時的推移を“見える化”することが可能
・ 中長期の臨床試験のためのモデルには,Drug (PK-PD) モデルに加えて,病態悪化に関する情報 (Disease Model) が必要
27