Description : Dans un premier temps, nous avons développé un algorithme de Machine Learning (ML),
capable d'estimer la meilleure dose initiale de vancomycine chez les nouveau-nés à
terme ou prématurés. Nous avons pour cela simulé des profils pharmacocinétiques à
l'aide d'un modèle pharmacocinétique de population publié pour développer cet algorithme
et nous avons ensuite comparé les performances de l’algorithme de ML sur des profils
pharmacocinétiques simulés à ceux d’une deuxième équation déjà publiée et validée
dérivée d'un modèle pharmacocinétique de population. L’algorithme Xgboost obtenait
les meilleures performances. Le taux d’atteinte de cible de l’algorithme était de
46.9% dans la base de simulation et de 35.3% dans la base externe. Par ailleurs, le
modèle Xgboost a entraîné moins d'AUC/CMI 600, ce qui réduit le risque de néphrotoxicité.Dans
un deuxième temps, Nous avons utilisé au cours de cette étude des algorithmes de ML
pour estimer la meilleure dose de départ de Ganciclovir (GCV) ou Valganciclovir (VGCV)
chez les enfants, entrainés à partir de profils PK simulés obtenus par des simulations
de Monte Carlo basées sur 4 modèles POPPK issus de la littérature ; puis nous avons
comparé les performances de l’algorithme développé avec des modèles de pharmacocinétiques
précédemment publiés sur une base de patient externe. Une combinaison linaire des
algorithmes Xgboost, random forrest et Neural network a donné les meilleures performances
(taux d’atteinte de cible : 47,3 % pour le ganciclovir et 50,5 % pour le valganciclovir
pour la base de simulation). Chez les patients réels, l’algorithme était le meilleur
pour le valganciclovir et le second pour le ganciclovir.Cependant, malgré de bonnes
performances pour ces 2 algorithmes, le taux d'atteinte de la cible thérapeutique
est resté faible dans une base de patients externes, ce qui justifie le suivi thérapeutique
chez les enfants et les nouveau-nés. Dans un troisième temps, nous avons développé
et validé une approche de stratégie limitée de prélèvements basée sur le Machine Learning
pour prédire l'AUC0-24 du GCV et du VGCV chez les enfants. Les meilleures performances
ont été obtenues avec l'algorithme Xgboost avec les concentrations 2 et 6 heures après
la dose pour le VGCV et les concentrations 1 et 6 heures après la dose pour le GCV.
L’ensemble de cette thèse a permis de préciser les avantages et inconvénients des
algorithmes de ML pour prédire les premières doses d’anti-infectieux chez l’enfant
et pour estimer l’AUC de GCV ou VGCV.;