METODOLOGÍA DE LA MONITORIZACIÓN - LUNES - 02.pdf · muchos casos estos métodos a priori se...
Transcript of METODOLOGÍA DE LA MONITORIZACIÓN - LUNES - 02.pdf · muchos casos estos métodos a priori se...
METODOLOGÍA DE LA MONITORIZACIÓN
DEPARTAMENTO DE FARMACIA Y TECNOLOGÍA FARMACÉUTICA
SERVICIO DE FARMACIA. HOSPITAL UNIVERSITARIO DE SALAMANCA
DEPARTAMENTO DE FARMACIA Y TECNOLOGÍA FARMACÉUTICA
SERVICIO DE FARMACIA. HOSPITAL UNIVERSITARIO DE SALAMANCA
Mª José García SánchezMª del Mar Fernández de Gatta García
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
Introducción
El principal objetivo de conocer el comportamiento farmacocinético (PK) y
farmacodinámico (PD) de un fármaco, es la optimización de sus regímenes de
dosificación en los pacientes. Las estrategias posológicas habitualmente utilizadas
pueden agruparse en dos grandes grupos que incluyen métodos “a priori” y métodos
“a posteriori” también denominados de “control adaptado”. Un régimen de
dosificación estimado con métodos “a priori” está basado en información del
comportamiento PK del fármaco en la población. En la actualidad y gracias al desarrollo
de numerosos modelos poblacionales se han identificado variables antropométricas,
bioquímicas, fisiopatológicas, genéticas y de tratamiento que explican parte de la
amplia variabilidad en el comportamiento PK de los fármacos lo que puede mejorar
significativamente los métodos de dosificación “a priori”, en los cuales se desconocen
las concentraciones plasmáticas que alcanza el fármaco tras su administración. En
muchos casos estos métodos a priori se presentan en forma de nomogramas basados en
los modelos de población y que resultan muy útiles para la dosificación de
determinados grupos de fármacos, siendo los antibióticos uno de los grupos en los que
más se han desarrollado. Estos métodos de dosificación resultan muy útiles para
establecer las dosis al inicio de los tratamientos farmacológicos. También se están
desarrollando aplicaciones informáticas de fácil utilización como la que existe para la
dosificación inicial de Warfarina (http://www.warfarindosing.org/Source/Home.aspx) basada en
un modelo poblacional PK/PD que incluye información fisiopatológica, genética y de
tratamiento con fármacos concomitantes. En este caso el genotipo en la enzima
CYP2C9 es responsable del metabolismo, mientras que polimorfismos en la VKORC1
(vitamina K epóxido reductasa) son responsables del efecto sobre el tiempo de
protrombina.
En cambio la optimización posológica estimada por “control adaptado” requiere
la administración previa de un régimen de dosificación, seguido de la obtención de
información PK específica en el paciente (concentraciones plasmáticas, que en realidad
vienen a ser biomarcadores) que conduce al consiguiente ajuste de dosis para cada
individuo. Cuando estos métodos no utilizan la información previa de modelos PK
poblacionales, el cálculo de los parámetros farmacocinéticos del paciente exige para su
correcta caracterización la determinación de un amplio número de muestras de sangre lo
cual limita su aplicación en la práctica clínica.
Algunos métodos de control adaptado requieren estrategias de muestreo limitado
que hagan posible su aplicación en la clínica. Entre estos métodos existen aquellos que
han demostrado que la toma de muestras a tiempos concretos pueden proporcionar una
buena estimación del comportamiento cinético del fármaco en el paciente, pero estos
métodos son muy estrictos en lo que se refiere a la rigurosa adherencia a los tiempos de
muestreo para los que se ha establecido la ecuación que relaciona los datos de
concentración sérica de fármaco y los parámetros farmacocinéticos (ej. Estimar ABC
con 2 ó 3 datos de concentración a tiempos exactos). Los problemas derivados de las
dificultades de obtener estos datos en la práctica clínica por el personal de enfermería, y
el hecho de que solo puedan aplicarse cuando se utilizan las mismas dosis y protocolos
de tratamiento seguidos en el estudio original del que se ha derivado la relación, limitan
significativamente su aplicación.
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
Debido a estas limitaciones los métodos de “control adaptado”, que incluyen la
estimación bayesiana, son los más ampliamente utilizados en farmacocinética clínica.
Análisis de regresión
El análisis de regresión permite establecer el tipo de dependencia que existe entre
dos variables y tiene como objetivo el ajuste de datos experimentales, obtenidos para
esas variables, a una ecuación matemática, regida por unos parámetros. En
Farmacocinética Clínica, habitualmente disponemos de datos de concentración o
cantidad de fármaco en un fluido biológico (variable dependiente) obtenidos a
diferentes tiempos (variable independiente) y mediante el análisis de regresión se
pretende estimar unos parámetros que relacionen ambas variables a través de una
ecuación matemática, diseñada de acuerdo con un modelo farmacocinético al que se
ajusta el comportamiento cinético del fármaco en el organismo.
Cuando las variables se pueden relacionar linealmente, el ajuste de datos se
realiza mediante una análisis de regresión lineal, sin embargo en farmacocinética,
habitualmente, la relación entre variables suele ser de tipo no lineal, por lo que si se
quiere aplicar este tipo de análisis es necesario la linearización previa de la función, lo
que obliga a hacer transformaciones en una o en ambas variables. Por ejemplo, la
evolución de las concentraciones de un fármaco administrado por vía endovenosa y que
se ajusta a un modelo monocompartimental abierto puede establecerse de acuerdo a la
siguiente ecuación:
Ecuación 1
Donde D es la dosis administrada, Vd el volumen aparente de distribución, Ke la
constante de velocidad de eliminación y t el tiempo. Esta relación no lineal puede
hacerse una función lineal si expresamos la concentración sérica del fármaco en forma
logarítmica, con lo cual la expresión quedaría:
Ecuación 2
Mediante regresión lineal se estiman los parámetros de una línea recta (pendiente
y ordenada en el origen) que hacen mínima la diferencia entre los valores observados
experimentalmente para la variable dependiente y los predichos con esos parámetros.
En consecuencia la estimación conlleva la minimización de la siguiente expresión,
conocida como suma de cuadrados (SS) o de desviaciones cuadráticas:
n
i
XifYiSS1
2)( Ecuación 3
Donde Yi corresponde a los valores experimentales de la variable dependiente y f(x) su
valor predicho a partir de los parámetros que definen la ecuación de la línea recta que
define la relación entre las variables x e y.
C =D
Vde
-Ke.t
ln C = lnD
Vd- Ke.t
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
Para minimizar SS, también denominada función objetivo, y obtener los valores
exactos de los parámetros de la ecuación de la recta, se hace su derivada parcial, con
respecto a cada uno de los parámetros, igual a cero.
La regresión lineal presenta la ventaja de ser una técnica sencilla y rápida, que no
requiere el uso del ordenador, sin embargo plantea algunos inconvenientes derivados de
los errores que conlleva la linealización de funciones. Además no siempre permite
utilizar toda la información de concentraciones existente en el paciente, especialmente
cuando ésta procede de diferentes regímenes de dosificación y de diferentes intervalos
posológicos.
El desarrollo de los medios informáticos, ha facilitado considerablemente el uso
de los métodos de regresión no lineal para estimar los parámetros farmacocinéticos, sin
recurrir a la linealización, de las funciones que reflejan la evolución de las
concentraciones séricas de fármaco.
Para el ajuste de los datos experimentales a la función correspondiente, mediante
regresión no lineal, al igual que en el análisis de regresión lineal, se minimiza la
siguiente SS o función objetivo:
n
i
tPmftCiSS1
2),(, Ecuación 4
Donde m corresponde al número de parámetros estimados (Ke, Vd, F...), n el
número de datos de concentración sérica, Ci la concentración del fármaco a tiempo ti y
f(Pm,t) la concentración predicha con la función a la que se intenta ajustar los datos
(dependiente del modelo farmacocinético seleccionado) y los parámetros estimados.
La función objetivo debe incluir un factor de ponderación (Wi) para la variable
dependiente, ya que no todos los datos experimentales tienen el mismo grado de
fiabilidad, ni están afectados del mismo error. Este factor está estrechamente
relacionado con la varianza de los datos experimentales, por lo que se asume igual al
valor de la inversa de la varianza (Wi=1/ 2), lo que implica que cuanto mayor sea la
varianza del dato experimental menor será su contribución al ajuste de la función y
viceversa. Si se asume que todos los datos tienen la misma varianza, es decir la pesada
estadística es la misma para todos los datos, el método de estimación es homocedástico,
pero si la varianza es diferente el método de estimación es heterocedástico y se utiliza
como función objetivo la siguiente expresión (mínimos cuadrados ponderados):
n
i
tPmftCiWiSS1
2),(,. Ecuación 5
Es fundamental utilizar una varianza de los datos fiable para poder obtener
estimadas adecuadas de los parámetros farmacocinéticos. Sin embargo no es frecuente
conocer la varianza de los datos experimentales, por lo que en Farmacocinética es
habitual establecer la pesada estadística por aproximación a la varianza, utilizando
como factores de pesada diferentes funciones de la concentración sérica (1/Ci, 1/Ci2,
1/Ci0,5
...) También es frecuente estimar el factor de ponderación a partir del coeficiente
de variación (CV%) de la técnica analítica en el margen de concentraciones analizadas,
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
lo que implica que la desviación estandar del error de la técnica es proporcional a la
concentración de fármaco. La varianza ( ) se establece a partir de la siguiente
expresión:
Ecuación 6
Siendo Stec la sensibilidad de la técnica analítica. Por ejemplo, si el error de la
técnica analítica, para un determinado fármaco, tiene un coeficiente de variación
constante del 10 % en un margen de valores de 1 a 10 unidades, ello implica que el
error oscila entre 0,1 (10% de 1) a 1 (10% de 10).
Este tipo de pesada estadística es utilizado frecuentemente en los programas
comerciales de Farmacocinética Clínica (ej. PKS), pero tiene la limitación de sólo
incluir los errores atribuibles a la técnica analítica, ignorándose otros tipos de errores
dependientes por ejemplo del tiempo de muestreo, adecuación del modelo
farmacocinético al que se ajustan los datos, tiempos de administración y de obtención
de muestras, variabilidad intraindividual...
La situación ideal sería hacer un estudio de la varianza de los datos y establecer la
relación que tiene con la concentración sérica, que suele ser de tipo polinomial o
potencial. También es posible introducir la varianza residual del error como un modelo,
función de la concentración predicha, cuyos parámetros deben ser estimados
simultáneamente a los del modelo farmacocinético. Para ello se utilizan métodos que
incluyen un modelo farmacoestadístico que permite, mediante mínimos cuadrados
expandidos, estimar simultáneamente los parámetros faramcocinéticos y los del modelo
de varianza.
El análisis de regresión no lineal, a diferencia del lineal, no permite encontrar
soluciones exactas al hacer las derivadas respecto a cada parámetro igual a cero, por
tratarse de funciones muy complejas. Por ello para estimar los parámetros del modelo
utiliza algoritmos iterativos que parten de un valor inicial de los parámetros (estimadas
iniciales) y buscan la combinación de valores de éstos para los que la función objetivo o
SS (ecuación 4 ó 5) adquiera un valor mínimo. Los algoritmos iterativos pueden ser de
búsqueda directa (Simplex, Nelder-Mead...) o de gradiente (Steepest Descent,
Mardkart, Gauss-Newton..). Ambos tipos de algoritmos difieren en el procedimiento de
búsqueda de los parámetros y, más que alternativos, son complementarios y suelen
utilizarse conjuntamente.
Los algoritmos de búsqueda directa son métodos geométricos, que buscan el
mínimo de la función objetivo por el procedimiento de formar, en el espacio
paramétrico, una figura geométrica de tantos vértices como parámetros deben estimarse
más uno. En cada uno de los vértices calcula el valor de la función objetivo (SS) que
intentamos minimizar. El método consiste en reemplazar el vértice que presenta un
valor más elevado para SS por otro de valor inferior, repitiendo la operación hasta
localizar una zona del espacio paramétrico en la que SS presente un valor mínimo,
donde se encuentre la solución de los parámetros. Es un algoritmo sencillo con una
elevada potencia para localizar la zona de ubicación del mínimo, por lo que resulta muy
efectivo en la búsqueda de estimadas iniciales de los parámetros. Sus principales
limitaciones son su baja precisión y el hecho de no proporcionar medidas de la bondad
= C i . CV + S tec
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
en la estimación de los parámetros, motivo por el cual suele utilizarse combinado con
un algoritmo de gradiente.
Los algoritmos de gradiente evalúan la primera y segunda derivada de la función
objetivo con respecto a los parámetros inicialmente propuestos (estimadas iniciales). El
mínimo se considera alcanzado cuando las diferencias entre cada uno de los parámetros
estimados en una iteración previa y en la actual es inferior al criterio de convergencia
definido (ej.: 0,01). Este tipo de algoritmos es rápido y eficaz y, al utilizar derivadas,
proporciona medidas de la precisión en la estimación de los parámetros. Sin embargo al
ser numéricamente complejo es propenso a rebotar en zonas del espacio parámetrico
que no se corresponde con la respuesta verdadera, por ello su efectividad depende
significativamente de los valores incorporados como estimadas iniciales, ya que si éstos
están muy alejados de los verdaderos parámetros pueden encontrar un falso mínimo. De
aquí se deriva el interés de utilizarlos conjuntamente con los algoritmos de búsqueda
directa, los cuales proporcionan unos valores de parámetros, utilizados como estimadas
iniciales en los algoritmos de gradiente.
Las técnicas de regresión descritas estiman los parámetros farmacocinéticos
individuales a partir de información obtenida en el paciente sobre concentraciones
séricas del fármaco. Para que la estimación sea aceptable el número de concentraciones
en el ajuste debe ser superior al número de parámetros estimados. En monitorización el
número de concentraciones disponibles por paciente es, habitualmente, muy pequeño,
lo que inicialmente ha conllevado la utilización de modelos farmacocinéticos sencillos
que requieran la estimación de pocos parámetros (1 a 3) y que reflejen adecuadamente
la evolución de las concentraciones séricas en el organismo. Estos modelos se expresan
en forma de ecuaciones matemáticas que relacionan, por medio de los parámetros
farmacocinéticos, el régimen posológico administrado con las concentraciones séricas
alcanzadas por el fármaco. Estas ecuaciones matemáticas pueden simplificarse de forma
importante cuando las concentraciones de fármaco son obtenidas en la fase terminal de
eliminación, una vez finalizados los procesos de absorción y distribución.
Actualmente, existen numerosos programas de ordenador que facilitan la
estimación de los parámetros farmacocinéticos del paciente y a partir de ellos las pautas
de dosificación necesarias para alcanzar unas concentraciones séricas de fármaco
deseadas.
La limitación más importante de este tipo de estimación, es la baja fiabilidad y
precisión de los parámetros obtenidos, cuando el número de datos de concentración
tiempo, es bajo, situación habitual en monitorización. Ello puede dar lugar a valores de
parámetros muy alejados del margen de variación de los parámetros de una población
con características fisiopatológicas similares a las del paciente monitorizado.
Métodos Bayesianos
Con objeto de paliar las limitaciones previamente comentadas de la regresión no lineal
se introdujo en Farmacocinética Clínica un método alternativo, basado en la teoría de
Thomas Bayes (1702-1761). Se trata de una teoría de decisión estadística que permite
calcular la probabilidad de una proposición basándose en su probabilidad inicial y el
aporte de nuevas evidencias.
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
La estrategia bayesiana incorpora como información “a priori” los parámetros PK del
modelo de población para iniciar la estimación de éstos en un individuo; y después
ajusta estos parámetros estimados utilizando los valores de concentración de fármaco
medidos en el paciente, teniendo en consideración la variabilidad de los parámetros de
población y la variabilidad de las concentraciones plasmáticas medidas. De esta manera
el modelo de población se incorpora dentro del procedimiento de estimación. Los datos
de concentración plasmática de fármaco se interpretan a la luz de ambas variabilidades,
la de los parámetros del modelo de población y la de las concentraciones medidas.
Los métodos bayesianos permiten una mayor flexibilidad y adaptabilidad en lo que
a los tiempos de muestreo se refiere, siempre que sean correctamente anotados los
tiempos de obtención de las mismas y pueden ser compatibles con otros protocolos de
administración por lo que son mucho más fáciles de aplicar y con ellos, en general, se
obtienen resultados adecuados. Aunque los métodos “a priori”, especialmente cuando
incorporan muchos factores responsables de la variabilidad del comportamiento PK/PD
pueden ser útiles para establecer una dosis inicial, numerosos investigadores han llegado
a la conclusión de que el método bayesiano “a posteriori” para el ajuste individual de
las dosis es mucho más exacto.
La predicción del comportamiento cinético de los fármacos con algoritmos
bayesianos (MAP: Bayesian maximum a posteriori probability) constituye un método
eficiente y robusto para la optimización de la terapia farmacológica y se ha usado
ampliamente con diferentes grupos farmacológicos demostrando que mejora los
beneficios clínicos en tratamientos con fármacos antiepilépticos, antibióticos,
inmunosupresores, cardiotónicos, antineoplásicos o antirretrovirales, entre otros. No
obstante la experiencia con esta metodología varía mucho de unos grupos a otros.
Los métodos de ajuste bayesiano han demostrado para los fármacos habitualmente
monitorizados ser más exactos y precisos en la predicción de las dosis necesarias para
alcanzar una concentración deseada, que la mayoría de los métodos convencionales,
cuando la información sobre concentraciones séricas del fármaco es mínima. La
principal limitación de este método es la disponibilidad de parámetros farmacocinéticos
de población, representativos y correctamente caracterizados, para los diferentes tipos
de pacientes monitorizados (neonatos prematuros, niños, ancianos, insuficientes renales,
pacientes críticos...). Los parámetros poblacionales necesarios para su implementación
en un algoritmo bayesiano son de tres tipos:
Parámetros de efectos fijos, que cuantifican el comportamiento cinético medio de
la población y las relaciones entre diferentes variables fisiopatológicas (edad,
aclaramiento de creatinina, sexo...) y los parámetros farmacocinéticos.
Parámetros de efectos aleatorios interindividuales, que cuantifican la magnitud
de la variabilidad interindividual.
Parámetros de efectos aleatorios residuales, que cuantifican la magnitud de la
variabilidad residual, en la cual se incluye fundamentalmente la variabilidad
intraindividual y el error analítico.
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
Para la estimación individualizada de los parámetros farmacocinéticos por el
método bayesiano se utiliza también el análisis de regresión no lineal, pero en este caso
la función objetivo que se pretende minimizar incluye un nuevo término que evalúa las
diferencias entre los parámetros estimados en el paciente a partir de las concentraciones
utilizadas en el ajuste y los parámetros de población. Cuando los parámetros
poblacionales se distribuyen aproximadamente de forma normal, la aplicación bayesiana
del método de estimación por máxima verosimilitud, se realiza mediante la
minimización de la función objetivo (ObjBAY) expresada con la siguiente ecuación:
Ecuación 7
Siendo P*m y Pm los valores típicos de los parámetros de población y los estimados en el
paciente, respectivamente, y 2
Pm la varianza interindividual de los P*m.
El primer sumando de esta expresión, similar a la función objetivo de la regresión
no lineal por mínimos cuadrados, incluye la información de los datos individuales del
paciente, cuantificada mediante el sumatorio del cuadrado de las diferencias entre los
datos experimentales y los valores estimados por el modelo, ponderado por la
credibilidad de cada medida (σ2
Ci). El segundo sumando, hace referencia a la
información poblacional y se cuantifica mediante el sumatorio de los cuadrados de las
diferencias entre los parámetros típicos de la población a la que presumiblemente
pertenece el paciente y los estimados mediante la regresión bayesiana. Esta diferencia se
pondera por la variabilidad interindividual asociada a cada parámetro poblacional
(2
Pm).
A diferencia de lo que ocurre cuando se utiliza en la estimación de parámetros la
regresión no lineal sin estimación bayesiana, en la que los parámetros pueden tomar
cualquier valor, en el método bayesiano, la varianza de los parámetros limita el margen
de valores que pueden presentar los parámetros estimados en el paciente, acercándolos a
los que presenta la población. En consecuencia la estimación de los parámetros del
paciente está influenciada por la información poblacional utilizada, la cual pierde valor
en la contribución al ajuste de datos cuando la varianza interindividual de los
parámetros es alta y la varianza residual es baja. Sin embargo los parámetros
farmacocinéticos de una población habitualmente no se ajustan a una distribución
normal, si no que su distribución está sesgada (Figura 1). Con frecuencia su
transformación logarítmica origina una distribución normal, la cual, desde el punto de
vista estadístico es mucho más sencilla de tratar y definir.
j
m Pm
mmn
i i
iiBAY
PPCCOBJ
12
2
12
2 )()(
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
Figura 1. Distribución normal y logaritmo-normal de un parámetro farmacocinético.
Cuando los parámetros en la población se distribuyen de forma logarítmico-normal,
la función objetivo es válida siempre y cuando se sustituyan los valores de los
parámetros típicos de la población y los predichos en el ajuste por sus correspondientes
logaritmos neperianos y la varianza por el coeficiente de variación poblacional al
cuadrado. Por ello la función objetivo, pasa a ser la siguiente:
n
i
Ci
m
j
Pjjj tPmftCiPPSS1
22
1
22* /,(,/loglog Ecuación 8
El valor de la varianza de los parámetros limita el rango de valores que pueden
presentar los parámetros estimados, de forma que a menor varianza menor será la
amplitud del rango alrededor del valor medio que puedan tomar los parámetros
individuales. El valor de la varianza de las concentraciones determina la contribución de
las mismas en la estimación de los parámetros. Así, cuanto menor sea dicha varianza
mayor será la contribución de las concentraciones en la estimación de los parámetros, y
viceversa.
De acuerdo con la función objetivo que se desea minimizar se pone de manifiesto
que si se dispone de un número alto de concentraciones séricas en el paciente (primer
sumatorio), la contribución al ajuste del segundo sumatorio de la ecuación va perdiendo
influencia en la estimación de los parámetros del paciente, de forma que este método
tiende a comportarse como el de regresión no lineal sin estimación bayesiana. Por el
contrario cuando no se dispone de ninguna información acerca de las concentraciones
séricas del fármaco en el paciente, el primer sumatorio de la expresión se anula,
ignorándose de este forma el comportamiento cinético del fármaco en el paciente, de
esta forma los parámetros estimados coincidirán exactamente con los parámetros típicos
de la población, y en realidad, estaríamos aplicando un método “a priori” ya que el
paciente es considerado como un individuo típico de la población, a la que en teoría
pertenece, en relación a los valores de sus parámetros farmacocinéticos. Por ello ambos
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
métodos, “a priori” y de regresión no lineal por mínimos cuadrados ponderados, pueden
considerarse como casos particulares de método bayesiano.
Se deduce por tanto que la utilidad del método bayesiano se incrementa cuando el
número de muestras de concentración de fármaco en el paciente es limitado, lo que hace
que sea un método muy ventajoso de aplicar en Monitorización, donde con frecuencia
se dispone de una cantidad mínima de información individual.
Los algoritmos bayesianos más ampliamente utilizados están basados en
parámetros de población obtenidos a partir de métodos paramétricos (ej.,
NONMEM), que asumen una distribución conocida para los parámetros cinéticos del
modelo, habitualmente normal o logaritmo normal, de forma que los
parámetros poblacionales están caracterizados por valores únicos (media, varianza).
Asumir este tipo de distribuciones, aunque más simples y fáciles de interpretar,
puede suponer la inclusión de errores en la estimación de parámetros, especialmente si
la elevada variabilidad que presentan pueden ser atribuida a subpoblaciones diferentes
(ej., deficientes y eficientes metabolizadores). Alternativamente, se pueden usar
parámetros de población estimados con métodos no paramétricos, que no asumen una
distribución conocida (ej., NPEM2 en USC*PACK). En este caso se obtienen, en lugar
de valores únicos, múltiples conjuntos de estimadas de los parámetros en la población,
asociados cada uno con su probabilidad. Actualmente, para la aplicación del teorema de
Bayes es posible incorporar funciones de distribución de probabilidad de los parámetros
obtenidas de forma no paramétrica. Este constituye el fundamento principal del
denominado modelo múltiple propuesto por R. Jelliffe (1998), el cual parece una
aproximación más robusta que la estimación paramétrica. La experiencia con esta
aproximación todavía es escasa y se requieren más estudios que puedan confirmar su
mayor utilidad con respecto a la aproximación paramétrica.
La Figura 2 ilustra la estimación de parámetros farmacocinéticos individuales por
estimación bayesiana, integrando la información de la distribución de los parámetros en
la población y la información de concentraciones séricas del paciente.
Figura 2. Estimación bayesiana de parámetros farmacocinéticos.
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
BIBLIOGRAFÍA RECOMENDADA
Buffington DE, Lampasona V and Chandler MHH. Computers in pharmacokinetics.
Choosing software of clinical decision making. Clin Pharmacokinet 1993; 25: 205-16.
Charpiat B, Breant V, Pivot-Dumarest C, Maire P, Jelliffe R. Prediction of future serum
concentrations with Bayesian fitted pharmacokinetic models: results with data collected
by nurses versus trained pharmacy residents. Ther Drug Monit 1994 Apr;16(2):166-73
Destache CJ, Hilleman DE, Mohiuddin SJ, Lang PT Predictive performance of
Bayesian and nonlinear least-squares regression programs for lidocaine. Ther Drug
Monit 1992 Aug;14(4):286-91.
El Desoky E., Meinshausen J., Buhl K. et al. Generation of pharmacokinetic data during
routine therapeutic drug monitoring: Bayesian approach vs pharmacokinetic studies.
Ther Drug Monit 1993; 15: 281-88.
Fernández de Gatta MM, García MJ, Lanao JM, Domínguez-Gil A. Bayesian
forecasting in paediatric populations. Clin Pharmacokinet 1996 Nov;31(5):325-30.
Jelliffe RW, Schumitzky A, Van Guilder M et al. Individualizing drug dosage
regimens: roles of population pharmacokinetic and dynamic models, Bayesian fitting,
and adaptive control. Ther Drug Monit 1993 Oct;15(5):380-93.
Lainez, J., G. Blau, L. Mockus, S. Orcun, G. Reklaitis. Pharmacokinetic Based Design
of Individualized Dosage Regimens Using a Bayesian Approach. Industrial and
Engineering Chemistry Research, 2011; 50: 5114-130.
Peck CC., Sheiner LB., Nichols A. The problem of chossing weights in non-linear
regression analysis of pharmacokientic data. Drug Metab Rev. 1984; 15: 113.
Peck CC, Beal SL, Sheiner LB, Nichols AI. Extended least squares non-linear
regression: a possible solution to the "choice of weights" problem in analysis of
individual pharmacokinetic data. J Pharmacokin Biopharm 1984; 12(5): 545-58.
Peck CC, D'Argenio DZ, Rodman JH. Analysis of pharmacokinetic data for
individualizing drug dosage regimens. In: Evans WE, Schentag JJ. Jusko WJ., eds.
Applied pharmacokientics principles of therapeutic drug monitoring, 3ª ed. Vancouver:
Applied Therapeutics. Inc, 1992.
Pons G, Treluyer JM, Dimet J, Merle Y.Potential benefit of Bayesian forecasting for
therapeutic drug monitoring in neonates. Ther Drug Monit 2002 Feb;24(1):9-14
Sheiner LB, Beal SL. Pharmacokinetics parameter estimates from several least squares
procedures: superiority of extended least squares. J Pharmacokin Biopharm 1985;
13(2): 185-201.
Thomson AH, Whiting B. Bayesian parameters estimation and population
pharmacokinetics. Clin Pharmacokinet 1992; 22(6): 447-67.
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
PROGRAMAS INFORMÁTICOS EN MONITORIZACIÓN
En los últimos años el avance de la informática y el desarrollo de la
farmacocinética han propiciado la aparición de numerosos programas de ordenador
diseñados para facilitar la resolución de problemas farmacocinéticos específicos.
Surgen así los programas informáticos de farmacocinética clínica cuyos objetivos
fundamentales son automatizar las funciones implícitas en un servicio de
farmacocinética clínica, facilitar la interpretación de los datos obtenidos en
monitorización y el diseño de pautas de dosificación individualizadas, así como
aumentar la eficacia y calidad de la información suministrada tanto al clínico como a
los pacientes.
Las características generales de este tipo de programas informáticos se recogen en
la siguiente tabla.
______________________________________________________________________
- Emplean los principios generales de la farmacocinética
- Adecuación a las características del paciente
- Datos demográficos
- Datos clínicos
- Estiman parámetros farmacocinéticos
- Datos poblacionales
- Datos individuales
- Bayesianos
- Realizan cálculos posológicos
- Programación y/o corrección
- Simulación de la evolución temporal de concentraciones-tiempo
- Permiten elaboración de informes y archivo de información
______________________________________________________________________
Tabla.- Características generales de los programas informáticos de farmacocinética
clínica.
En la actualidad, la creciente disponibilidad de este tipo de programas, plantea la
necesidad de definir criterios que permitan la selección del más adecuado. Dicha
selección debería efectuarse de acuerdo a tres hechos fundamentales:
a) Necesidades definidas del usuario
b) Adecuación del software disponible a las mismas
c) Criterios de validación
El conjunto de características deseadas en un programa informático, se denominan
REQUERIMIENTOS FUNCIONALES que se subdividen en 2 tipos:
1.- GENERALES
- Compatibilidad de hardware y software
- Información utilizada
- Características de uso
- Criterios de seguridad
- Opciones de ayuda y actualización
- Coste económico y servicios de apoyo
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
2.- FARMACOCINÉTICOS
- Fármacos y modelos farmacocinéticos incluidos y/o factibles de utilizar
- Métodos de estimación de parámetros farmacocinéticos
- Modelos poblacionales y variables fisiopatológicas u de otro tipo consideradas
- Posibilidades con respecto a:
- Cálculos posológicos-predicciones
- Simulaciones y gráficos
- Informes y bases de datos
Una vez que los requerimientos funcionales han sido definidos es necesario
efectuar una evaluación para identificar el programa que más se adapte a los mismos.
Los hechos fundamentales a considerar en dicha evaluación son:
- Capacidad de adecuación a los requerimientos definidos
- Documentación detallada de las características del programa
- Posibilidades de asesoramiento y actualización
La utilización de un protocolo general, como el que se recoge a continuación,
facilita la evaluación de los programas informáticos de farmacocinética clínica.
Un aspecto fundamental, y a menudo no considerado en la selección de un
programa de farmacocinética clínica, es el relativo a los criterios utilizados para su
validación, ya que es responsabilidad de los usuarios garantizar una eficaz y segura
aplicación del mismo en la toma de decisiones terapéuticas. Entre las características
ideales de un programa de farmacocinética clínica se incluyen que su capacidad
predictiva haya sido validada en estudios prospectivos y que su utilidad clínica haya
sido contrastada. De hecho, la documentación que acompaña a los programas debería
incluir un resumen de los procedimientos de validación.
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
PROTOCOLO DE EVALUACIÓN DE UN PROGRAMA DE FARMACOCINÉTICA
CLÍNICA
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
PROTOCOLO DE EVALUACION DE UN PROGRAMA DE FARMACOCINÉTICA
CLÍNICA (Continuación)
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
Algunos criterios utilizados habitualmente para la validación de programas de
farmacocinética clínica se recogen en la tabla.
CRITERIOS DE VALIDACIÓN
______________________________________________________________________
- Análisis de la capacidad predictiva de las distintas técnicas
- Comparación con métodos no computarizados
- Análisis de la utilidad clínica
- Estudios costo-beneficio
______________________________________________________________________
Los principales problemas que plantea la comparación directa de programas
informáticos son:
- Diferencias en la utilización de un programa dado
- Diferencias metodológicas entre programas
- Ausencia de bases de datos generales
- Carácter retrospectivo
Fuchs y cols (2013) han publicado recientemente un articulo que evalúa y revisa
la mayoría del software disponible en la actualidad para abordar la optimización
posológica en la TDM. Los programas informáticos que analiza se incluyen en la
siguiente tabla.
SOFTWARE DISPONIBLE EN FARMACOCINÉTICA CLÍNICA
Esta revisión otorga una puntuación a cada uno de los 12 programas analizados de acuerdo a una
serie de “ítems” utilizando, entre otros, los siguientes criterios, ponderados de acuerdo a su
importancia:
Facilidad de uso
Interfase y posibilidad de intercambio con otros software
Posibilidad de almacenar datos de los pacientes
Calidad de los informes generados para los clínicos
Coste
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
Aspectos computacionales
Número de fármacos y tipos de poblaciones contempladas
Tipos de modelos PK
Estrategías de cálculo
Capacidad de simulación y de gráficos
Utilidades para la estimación de parámetros fisiológicos (superficie corporal, peso magro,
aclaramiento de creatinina…)
La mayoría de ellos utilizan algoritmos bayesianos (10 de 12) para realizar ajustes de control
adaptado “a posteriori” y permiten estimar regímenes de dosis “a priori” basados en características
individuales de los pacientes, tales como edad, sexo, peso, aclaramiento de creatinina…De los
programas analizados únicamente MM-USC*PACK© considera distribución no paramétrica y
MwPharm© y TCIWorks son los mejor puntuados globalmente ya que además de ser muy completos
desde el punto de vista farmacocinético son fáciles y rápidos de utilizar en la rutina clínica, incluso
por usuarios con poco experiencia. Todos ellos funcionan con el sistema operativo Windows®
. La
tabla siguiente muestra los fármacos más habitualmente incluidos en estos programas.
Medicamentos incorporados a los programas informáticos
Sistema Cardiovascular Inmunomoduladores
Digoxina Imatinib Quinidina Ciclosporina Procainamida Tacrolimus Antiinfecciosos Everolimus Ceftazidima Sirolimus
Aminoglucósidos Sistema Nervioso Streptomicina Ácido Acetilsalicílico (aspirina) Tobramicina Paracetamol Gentamicina Fenobarbital Amikacina Fenitoina Netilmicina Carbamazepina Vancomicina Ácido Valproico Kanimicina Litio Indinavir Sistema Respiratorio Ritonavir Teofilina
Zidovudina Aminofilina
Enfuvirtida Oxtrifilina
Los programas tienen paginas webs para su difusión y apoyo, las cuales proporcionan información
técnica sobre los mismos y suelen incluir ejemplos prácticos para el aprendizaje de su manejo. La
mayoría se pueden descargar de internet , tienen contactos de soporte y suelen tener versiones de
demostración que en ocasiones incluyen audiovisuales para facilitar su comprensión. Otros como
RxKinetics© y la nueva versión de MM-USC*PACK© (actualmente denominado RightDoseTM
)
ofrecen foros de discusión.
En cuanto al coste, algunos son gratis (TCIWorks, JPKD®
, TDM for R), mientras que otros
requieren una tasa de inscripción anual para descargar la licencia, la cual se puede actualizar
anualmente. Pocos programas consideran la influencia de diferentes estados patológicos ni las
interacciones entre fármacos (T.D.M.S. 2000TM
, MwPharmÓ, JPKD®
y Kinetidex®)
).
Departamento de Farmacia y Tecnología Farmacéutica
María José García Sánchez
Es preciso considerar los importantes progresos realizados en el campo de la
farmacogenética, los cuales permitirán adaptar los regímenes de dosificación “a priori” en algunas
situaciones clínicas mediante la inclusión de este tipo de información dentro del contexto de la
medicina personalizada. También son significativos los avances en el descubrimiento de
interacciones fármacos/alimentos ( ej. zumo de pomelo, alcohol..) que pueden afectar
fundamentalmente a la biodisponibilidad y al metabolismo, por inducción o inhibición enzimática. Es
muy probable que, en un futuro, cuando este tipo de situaciones estén suficientemente identificadas y
cuantificadas, este tipo de información sea incluida en los software de TDM.
BIBLIOGRAFÍA
Bauer RJ, Guzy S , and C. Ng C. A Survey of Population Analysis Methods and Software
for Complex Pharmacokinetic and Pharmacodynamic Models with Examples. The AAPS
Journal 2007; 9 (1) Article 7:E60-E83
Buffington, DE. V. Lampasona, MHH. Chandler. Computers in pharmacokinetics.
Choosing software for clinical decision making. Clinical Pharmacokinetics. 1993, 25:
205-16.
Charles BG, Duffull SB. Pharmacokinetic software for the health sciences: choosing the
right package for teaching purposes. Clin Pharmacokinet 2001;40(6):395-403
Fuchs A, Csajka C, Thoma Y, Buclin T and Widmer N. Benchmarking Therapeutic
Drug Monitoring Software: A Review of Available Computer Tools. Clin
Pharmacokinet.2013,52:9–22.
Gex-Fabry, M. LP. Balant. Considerations on data analysis using computer methods
and currently available software for personal computers. En: Pharmacokinetic of drugs.
PG Welling, LP. Balant. Eds. Springer Verlag 1994. Capítulo 18: 507-27.
Mungall D, Heissler J, Kaltenbach . Computer applications in clinical pharmacokinetics
and pharmacodynamics. En: Handbook of phamacokinetic/pharmacodynamic
correlation. H. Derendorf, G. Hochland Eds. CRC Press. 1995. Capítulo 17: 415-63.
Poirier TJ, Giudici RA. Survey of clinical pharmacokinetic software for
microcomputers. Hospital Pharmacy. 1992, 27: 971-77.Computers in biology and
medicine.
Proost JH, Meijer DKF. MW/Pharm, an integrated software package for drug dosage
regimen calculation and therapeutic drug monitoring.1992;22:155-63
Schwartz J, Fink L. Legal issues associated with pharmacokinetic software. American
Journal of Hospital Pharmacy. 1989; 46: 120-24.
Walton S, Dovery E, Harrey N. Computer support for determining drug dose:
systematic review and meta-analysis. BMJ, 1999, 318: 984-90.
www.boomer.org/pkin/soft.html. Pharmacokinetic Software en Internet