วิธีการตรวจสอบความถูกต้องของแบบจำลองเภสัชจลนศาสตร์

การตรวจสอบแบบจำลองทางเภสัชจลนศาสตร์ (PK) เป็นกระบวนการในการพิจารณาว่าแบบจำลองนั้นเพียงพอสำหรับวัตถุประสงค์ทางวิทยาศาสตร์หรือกฎระเบียบที่เฉพาะเจาะจงหรือไม่ แบบจำลองที่เป็นประโยชน์สำหรับการเลือกขนาดยาในการสำรวจอาจไม่เพียงพอที่จะสนับสนุนการปรับขนาดยาที่สำคัญ การอนุมานในเด็ก หรือการทำนายปฏิกิริยาระหว่างยากับยา การตรวจสอบจึงไม่สามารถแยกออกจากบริบทการใช้งานได้ คำถามสำคัญไม่ใช่ว่าโมเดลนั้น "ถูกต้อง" ในความหมายที่แน่นอนหรือไม่ แต่ไม่ว่าจะเป็นสมมติฐาน การประมาณค่าพารามิเตอร์ และการพยากรณ์ที่เชื่อถือได้เพียงพอสำหรับการตัดสินใจที่ตั้งใจจะสนับสนุนหรือไม่

แบบจำลองทางเภสัชจลนศาสตร์อธิบายช่วงเวลาของการได้รับยาในระบบทางชีววิทยา ขึ้นอยู่กับวัตถุประสงค์ อาจประมาณการสัมผัสทั้งระบบ ความเข้มข้นของเนื้อเยื่อ วิถีการกวาดล้าง ผลกระทบของความแปรปรวนร่วม ความแปรปรวนระหว่างแต่ละบุคคล หรือการสัมผัสภายใต้เกณฑ์การให้ยาที่ไม่ได้รับการทดสอบ วิธีการทั่วไป ได้แก่ การวิเคราะห์แบบไม่แบ่งแยกส่วน การสร้างแบบจำลองแบบแบ่งส่วน การสร้างแบบจำลองทางเภสัชจลนศาสตร์ของประชากร และการสร้างแบบจำลองทางเภสัชจลนศาสตร์ตามสรีรวิทยา แต่ละแนวทางมีสมมติฐาน ข้อกำหนดข้อมูล และมาตรฐานการตรวจสอบที่แตกต่างกัน

สำหรับการใช้งานทางวิทยาศาสตร์ ควรวางแผนการตรวจสอบก่อนที่จะใช้แบบจำลองเพื่อสนับสนุนการตัดสินใจ ควรรวมถึงการประเมินข้อมูล เหตุผลในการสร้างแบบจำลอง การประเมินการวินิจฉัย การทดสอบประสิทธิภาพเชิงคาดการณ์ การวิเคราะห์ความไม่แน่นอน และเอกสารเกี่ยวกับข้อจำกัด

กำหนดบริบทการใช้งาน

ขั้นตอนแรกคือการระบุอย่างชัดเจนว่าโมเดลนี้จะใช้ทำอะไร แบบจำลองที่มีจุดมุ่งหมายเพื่อสรุปการสัมผัสที่สังเกตได้ในการศึกษาระยะที่ 1 จำเป็นต้องมีการตรวจสอบข้อเท็จจริงในระดับที่แตกต่างจากแบบจำลองที่ใช้ในการแนะนำการให้ยาสำหรับภาวะไตวายหรือเพื่อคาดการณ์การสัมผัสในเด็ก

บริบทของการใช้ควรระบุประชากรที่ต้องการ ช่วงการให้ยา เส้นทางการให้ยา สารวิเคราะห์ การออกแบบการสุ่มตัวอย่าง จุดสิ้นสุด และเกณฑ์การตัดสินใจ นอกจากนี้ยังควรกำหนดระดับข้อผิดพลาดในการทำนายที่ยอมรับได้ ตัวอย่างเช่น แบบจำลองที่ใช้เพื่อจัดอันดับสูตรผสมที่อาจทนต่อความไม่แน่นอนมากกว่าแบบจำลองที่ใช้เพื่อพิสูจน์การลดขนาดยาในประชากรที่อ่อนแอ

บริบทการใช้งานที่ชัดเจนช่วยป้องกันการตีความมากเกินไป แบบจำลองทางเภสัชจลนศาสตร์จำนวนมากใช้ได้เฉพาะภายในช่วงของขนาดยา เวลาสุ่มตัวอย่าง สูตรผสม ประชากร และเส้นทางที่แสดงในข้อมูล การอนุมานนอกขอบเขตเหล่านั้นจำเป็นต้องอาศัยเหตุผลเพิ่มเติม

ประเมินคุณภาพและความเกี่ยวข้องของข้อมูล

การตรวจสอบโมเดลเริ่มต้นด้วยข้อมูล ไม่มีวิธีการวินิจฉัยใดที่สามารถช่วยแบบจำลองที่สร้างขึ้นจากการสังเกตที่มีคุณลักษณะไม่ดีหรือเอนเอียงได้

ชุดข้อมูลควรได้รับการประเมินสำหรับการออกแบบการศึกษา ความแม่นยำในการจ่ายยา เวลาในการสุ่มตัวอย่าง ประสิทธิภาพการตรวจวิเคราะห์ทางชีวภาพ ข้อมูลที่ขาดหายไป การสังเกตที่ต่ำกว่าขีดจำกัดปริมาณ การเบี่ยงเบนของโปรโตคอล และความสม่ำเสมอในการศึกษาหรือกลุ่มรุ่นต่างๆ การสุ่มตัวอย่างควรเพียงพอที่จะแสดงคุณลักษณะทางเภสัชจลนศาสตร์ที่เกี่ยวข้องกับแบบจำลอง เช่น การดูดซึม การกระจาย การกำจัดส่วนปลาย การสะสม หรือการชำระแบบไม่เป็นเชิงเส้น

สำหรับแบบจำลองทางเภสัชจลนศาสตร์ของประชากร ชุดข้อมูลควรแสดงถึงปริภูมิโควาเรียตที่สนใจ หากจะใช้แบบจำลองในผู้ป่วยที่มีความบกพร่องทางไต ตับบกพร่อง ผู้ป่วยเด็ก ผู้สูงอายุ หรือสภาวะโรคเฉพาะ ข้อมูลสนับสนุนควรรวมอาสาสมัครจากกลุ่มเหล่านั้น หรือจัดเตรียมพื้นฐานทางชีวภาพที่สามารถป้องกันได้สำหรับการประมาณค่า

สำหรับแบบจำลองทางเภสัชจลนศาสตร์ที่มีพื้นฐานทางสรีรวิทยา ความเกี่ยวข้องของข้อมูลยังรวมถึงคุณภาพของพารามิเตอร์ของระบบ ข้อมูลนำเข้าภายนอกร่างกาย ข้อสันนิษฐานการแบ่งพาร์ติชันของเนื้อเยื่อ ข้อมูลการแสดงออกของเอนไซม์หรือตัวขนส่ง และข้อมูลทางคลินิกที่ใช้สำหรับการตรวจสอบคุณสมบัติ

พัฒนาแบบจำลองที่สอดคล้องกับชีววิทยาและการออกแบบการศึกษา

การพัฒนาแบบจำลองไม่ควรอาศัยเพียงความเหมาะสมทางสถิติเท่านั้น การประมาณค่าพารามิเตอร์ต้องเป็นไปได้ทางชีวภาพ สามารถระบุได้จากข้อมูล และสอดคล้องกับเภสัชวิทยาที่ทราบ

สำหรับแบบจำลองทางเภสัชจลนศาสตร์แบบแบ่งส่วนและแบบประชากร ซึ่งรวมถึงการประเมินแบบจำลองการดูดซึม จำนวนส่วน โครงสร้างการกวาดล้าง เงื่อนไขความแปรปรวน แบบจำลองข้อผิดพลาดตกค้าง และความสัมพันธ์แบบแปรปรวนร่วม ความซับซ้อนของโมเดลควรได้รับการพิสูจน์ด้วยข้อมูลและการใช้งานตามวัตถุประสงค์ การเพิ่มพารามิเตอร์อาจปรับปรุงความพอดีในขณะที่ลดความสามารถในการตีความหรือความน่าเชื่อถือในการคาดการณ์

สำหรับการวิเคราะห์แบบไม่แบ่งส่วน ควรตรวจสอบสมมติฐานด้วย การเลือกเฟสส่วนปลาย พื้นที่คาดการณ์ใต้เส้นโค้ง ความเพียงพอในการสุ่มตัวอย่าง และสมมติฐานสัดส่วนขนาดยาอาจส่งผลต่อการตีความ การวิเคราะห์แบบไม่แบ่งแยกส่วนไม่ได้ปราศจากการสันนิษฐาน มันใช้สมมติฐานเชิงโครงสร้างน้อยกว่าแบบจำลองแบบแบ่งส่วน

สำหรับแบบจำลอง PBPK ความน่าเชื่อถือทางชีวภาพเป็นสิ่งสำคัญอย่างยิ่ง แบบจำลองควรอธิบายคุณสมบัติเฉพาะของยา พารามิเตอร์เฉพาะระบบ และสมมติฐานทางกลไกโดยละเอียดเพียงพอสำหรับการทบทวนโดยอิสระ

ตรวจสอบการใช้งานแบบจำลอง

ก่อนที่จะประเมินประสิทธิภาพการทำนาย ควรตรวจสอบการใช้งานแบบจำลอง ข้อผิดพลาดในการเข้ารหัส ความไม่สอดคล้องกันของหน่วย บันทึกปริมาณยาที่ไม่ถูกต้อง กำหนดเวลาในการสุ่มตัวอย่างไม่ถูกต้อง หรือข้อผิดพลาดในการจัดการโควาเรียตสามารถให้ผลลัพธ์ที่ดูเหมือนเป็นไปได้แต่ไม่ถูกต้อง

การตรวจสอบอาจรวมถึงการตรวจสอบโค้ดอิสระ การสร้างผลลัพธ์ที่สำคัญ การตรวจสอบการจำลอง การเปรียบเทียบกับโซลูชันการวิเคราะห์ หากมี และการตรวจสอบชุดข้อมูลอินพุต หน่วยควรสอดคล้องกันทั้งในด้านความเข้มข้น ขนาดยา การชำระล้าง ปริมาตร เวลา น้ำหนักตัว และการดูดซึม ขั้นตอนนี้เป็นขั้นตอนพื้นฐาน แต่จะป้องกันข้อผิดพลาดที่สามารถหลีกเลี่ยงได้หลายอย่าง

ดำเนินการประเมินผลการวินิจฉัย

การวินิจฉัยภายในจะประเมินว่าแบบจำลองนั้นอธิบายชุดข้อมูลการพัฒนาอย่างเพียงพอหรือไม่ การวินิจฉัยเหล่านี้ควรตีความร่วมกันแทนที่จะถือเป็นรายการตรวจสอบ

แผนความดีที่เหมาะสมมักใช้เพื่อเปรียบเทียบความเข้มข้นที่สังเกตได้กับประชากรและการพยากรณ์รายบุคคล แปลงที่เหลือสามารถเปิดเผยอคติเมื่อเวลาผ่านไป ความเข้มข้น ปริมาณ การศึกษา เส้นทาง หรือค่าความแปรปรวนร่วม ส่วนที่เหลือถ่วงน้ำหนักแบบมีเงื่อนไข ข้อผิดพลาดในการแจกแจงการคาดการณ์ที่ทำให้เป็นมาตรฐาน หรือการวินิจฉัยที่เกี่ยวข้องอาจช่วยตรวจจับการระบุข้อมูลจำเพาะของแบบจำลองที่ไม่ถูกต้อง

ควรประเมินความแม่นยำของพารามิเตอร์โดยใช้ช่วงความเชื่อมั่น ข้อผิดพลาดมาตรฐาน วิธีบูตสแตรป การสุ่มตัวอย่างที่สำคัญอีกครั้ง ช่วงหลังแบบเบย์ หรือวิธีอื่นๆ ที่เหมาะสม พารามิเตอร์ที่ประมาณการไม่ดีอาจยังทำให้เกิดการประมาณค่าภายในข้อมูลที่สังเกตได้ แต่อาจทำให้การคาดการณ์ตามการจำลองไม่น่าเชื่อถือ

ควรพิจารณาการหดตัวเมื่อตีความการประมาณค่า Bayes เชิงประจักษ์และการวินิจฉัยที่เกี่ยวข้องแต่ละรายการ การหดตัวที่สูงสามารถบดบังการระบุแบบจำลองที่ไม่ถูกต้อง และทำให้ข้อสรุปในระดับบุคคลอ่อนลง

ประเมินประสิทธิภาพการคาดการณ์

การตรวจสอบเชิงคาดการณ์จะทดสอบว่าแบบจำลองสามารถสร้างคุณลักษณะที่เกี่ยวข้องทางคลินิกของข้อมูลได้หรือไม่ วิธีการที่เหมาะสมขึ้นอยู่กับประเภทรุ่นและการใช้งานที่ต้องการ

การตรวจสอบการคาดการณ์ด้วยภาพจะเปรียบเทียบข้อมูลเวลาความเข้มข้นที่สังเกตได้กับช่วงการคาดการณ์ที่จำลองขึ้น การตรวจสอบการคาดการณ์ด้วยภาพซึ่งแก้ไขด้วยการทำนายจะมีประโยชน์เมื่อการศึกษารวมถึงขนาดยาที่แตกต่างกัน ตารางการสุ่มตัวอย่าง หรือการแจกแจงแบบโควาเรียต การตรวจสอบการคาดการณ์ภายหลัง ข้อผิดพลาดในการกระจายการทำนายแบบปกติ และการวินิจฉัยตามการจำลองก็มีประโยชน์เช่นกัน

การประเมินควรเน้นไปที่ปริมาณที่เกี่ยวข้องกับการตัดสินใจ แบบจำลองที่ใช้สำหรับการจ่ายควรได้รับการประเมินสำหรับตัวชี้วัดการสัมผัส เช่น AUC ความเข้มข้นสูงสุด ความเข้มข้นของรางน้ำ อัตราส่วนการสะสม หรือเวลาที่สูงกว่าเกณฑ์ตามความเหมาะสม แบบจำลองอาจเหมาะสมกับแนวโน้มศูนย์กลางของข้อมูลเวลาความเข้มข้น แต่ยังคงทำนายส่วนท้ายที่สำคัญทางคลินิกของการกระจายได้ไม่ดี

สำหรับการตัดสินใจอย่างเป็นหมวดหมู่ เช่น การได้รับสัมผัสเกินเกณฑ์ความปลอดภัยหรือไม่ การสอบเทียบความเสี่ยงที่คาดการณ์ไว้อาจมีความสำคัญมากกว่าข้อผิดพลาดด้านความเข้มข้นโดยเฉลี่ย

ใช้การตรวจสอบภายนอกเมื่อเป็นไปได้

การตรวจสอบภายนอกจะประเมินโมเดลกับข้อมูลที่ไม่ได้ใช้ในการสร้างโมเดล นี่เป็นหนึ่งในการทดสอบประสิทธิภาพของโมเดลที่แข็งแกร่งที่สุด โดยที่ชุดข้อมูลภายนอกมีความเกี่ยวข้องกับการใช้งานที่ต้องการ

ชุดข้อมูลภายนอกอาจมาจากการศึกษาทางคลินิกที่แยกจากกัน กลุ่มร่วมรุ่นอิสระ ระดับขนาดยาอื่น สูตรผสมที่แตกต่างกัน หรือประชากรที่ไม่รวมอยู่ในการพัฒนาแบบจำลอง ชุดข้อมูลการตรวจสอบควรอธิบายอย่างชัดเจน รวมถึงความแตกต่างจากชุดข้อมูลการพัฒนา ไม่ควรละทิ้งความคลาดเคลื่อน พวกมันอาจเปิดเผยโควาเรียตที่หายไป ผลของการกำหนดสูตร จลนศาสตร์ไม่เชิงเส้น ความแตกต่างของการทดสอบ ปัญหาการเกาะติด หรือการเปลี่ยนแปลงทางเภสัชจลนศาสตร์ที่เกี่ยวข้องกับโรค

การตรวจสอบจากภายนอกไม่สามารถทำได้เสมอไป โดยเฉพาะอย่างยิ่งในช่วงเริ่มต้นของการพัฒนา เมื่อไม่สามารถทำได้ ควรระบุข้อจำกัด และอาจใช้แนวทางอื่น เช่น การตรวจสอบความถูกต้องข้าม การบูตสแตรปปิ้ง การวินิจฉัยการจำลอง หรือการอัพเดตโมเดลในอนาคต วิธีการเหล่านี้มีประโยชน์ แต่ไม่เทียบเท่ากับการตรวจสอบความถูกต้องภายนอกที่เป็นอิสระ

หาปริมาณความไม่แน่นอนและความไว

แบบจำลองที่ได้รับการตรวจสอบแล้วควรรวมถึงการประเมินความไม่แน่นอนด้วย การทำนายคะแนนเพียงอย่างเดียวไม่เพียงพอสำหรับการตัดสินใจทางวิทยาศาสตร์

ความไม่แน่นอนอาจเกิดขึ้นจากการประมาณค่าพารามิเตอร์ ความแปรปรวนที่เหลือ ความแปรปรวนระหว่างบุคคล การสันนิษฐานเชิงโครงสร้าง ผลกระทบของความแปรปรวนร่วม ข้อผิดพลาดในการทดสอบ และการประมาณค่านอกเหนือจากข้อมูลที่สังเกตได้ การจำลองควรเผยแพร่แหล่งที่มาของความไม่แน่นอนที่เกี่ยวข้อง แทนที่จะนำเสนอเฉพาะการคาดการณ์ทั่วไป

การวิเคราะห์ความไวมีความสำคัญอย่างยิ่งเมื่อการคาดการณ์ขึ้นอยู่กับพารามิเตอร์ที่ทราบไม่ดีหรือสมมติฐานเชิงกลไก ในแบบจำลอง PBPK สิ่งนี้อาจรวมถึงความไวต่อเศษส่วนที่ไม่ได้ผูกไว้ การกวาดล้างจากภายใน ความสามารถในการซึมผ่าน การแบ่งเนื้อเยื่อ ความอุดมสมบูรณ์ของเอนไซม์ กิจกรรมของตัวขนส่ง หรือพารามิเตอร์ทางสรีรวิทยา ในแบบจำลองทางเภสัชจลนศาสตร์ของประชากร อาจรวมถึงความไวต่อผลกระทบของโควาเรียต การสันนิษฐานเกี่ยวกับการดูดซึม หรือโครงสร้างข้อผิดพลาดที่ตกค้าง

เป้าหมายคือการระบุว่าสมมติฐานใดส่งผลกระทบอย่างมีนัยสำคัญต่อข้อสรุป หากคำแนะนำในการใช้ยาเปลี่ยนแปลงเมื่อค่าพารามิเตอร์ที่เป็นไปได้เปลี่ยนแปลง ควรมองเห็นความไม่แน่นอนนั้นได้

ประเมินประชากรพิเศษและเส้นทางการบริหาร

แบบจำลองทางเภสัชจลนศาสตร์ไม่ควรสันนิษฐานว่าใช้ได้กับประชากรหรือเส้นทางการบริหารที่ไม่ได้แสดงในข้อมูล

ประชากรพิเศษอาจรวมถึงผู้ป่วยเด็ก ผู้สูงอายุ บุคคลตั้งครรภ์ ผู้ป่วยที่มีความบกพร่องทางไตหรือตับ ผู้ป่วยวิกฤต หรือผู้ป่วยที่มีการเปลี่ยนแปลงการจับกับโปรตีน การอักเสบ การไหลเวียนของอวัยวะ หรือกิจกรรมการขนส่ง การตรวจสอบความถูกต้องในกลุ่มเหล่านี้อาจต้องใช้ข้อมูลทางคลินิกโดยเฉพาะ กลยุทธ์ในการเชื่อมโยง หรือการให้เหตุผลเชิงกลไก

เส้นทางการบริหารก็มีความสำคัญเช่นกัน ช่องปาก ฉีดเข้าเส้นเลือดดำ ฉีดเข้าช่องไขสันหลัง intracerebroventricular ฉีดเข้าจมูก ฉีดใต้ผิวหนัง และเส้นทางอื่นๆ อาจแตกต่างกันในจลนศาสตร์การดูดซึม การดูดซึม การกระจายของเนื้อเยื่อ และการสัมผัสเฉพาะที่ แบบจำลองที่พัฒนาขึ้นสำหรับเส้นทางหนึ่งไม่ควรนำไปใช้กับอีกเส้นทางหนึ่งโดยไม่มีหลักฐานว่ากระบวนการที่เกี่ยวข้องได้รับการนำเสนออย่างเพียงพอ

สำหรับแนวทางการนำส่งแบบกำหนดเป้าหมาย เช่น การนำส่งระบบประสาทส่วนกลาง หรือการนำส่งทางจมูกสู่สมอง ความเข้มข้นของพลาสมาในระบบอาจไม่เพียงพอที่จะตรวจสอบความถูกต้องของแบบจำลอง หากคำถามทางวิทยาศาสตร์เกี่ยวข้องกับการสัมผัสของเนื้อเยื่อในท้องถิ่น ในกรณีดังกล่าว กลยุทธ์การตรวจสอบความถูกต้องควรระบุถึงการสัมผัสที่วัดได้หรืออนุมาน ณ สถานที่ดำเนินการ ควบคู่ไปกับความไม่แน่นอนในการอนุมานนั้น

ข้อจำกัดของโมเดลเอกสาร

รายงานการตรวจสอบความถูกต้องที่เข้มงวดควรอธิบายถึงสิ่งที่แบบจำลองสามารถและไม่สามารถสนับสนุนได้ ซึ่งรวมถึงแหล่งข้อมูล สมมติฐาน การประมาณค่าพารามิเตอร์ การวินิจฉัย ชุดข้อมูลการตรวจสอบ ประสิทธิภาพการทำนาย การวิเคราะห์ความไม่แน่นอน ซอฟต์แวร์ เวอร์ชันโค้ด และขั้นตอนความสามารถในการทำซ้ำ

ข้อจำกัดควรมีความเฉพาะเจาะจง ตัวอย่างเช่น "แบบจำลองไม่ได้รับการตรวจสอบความถูกต้องเกินกว่า 200 มก." "การคาดการณ์ในเด็กนั้นอนุมานได้จากอัลโลเมทรีการกวาดล้างของผู้ใหญ่ และไม่ได้รับการยืนยันทางคลินิก" หรือ "ระยะการดูดซึมมีการสุ่มตัวอย่างอย่างกระจัดกระจาย ดังนั้นการประมาณเวลาจนถึงความเข้มข้นสูงสุดจึงไม่แน่นอน" ข้อความดังกล่าวมีประโยชน์มากกว่าการกล่าวอ้างแบบกว้างๆ ว่าแบบจำลองนั้นเชื่อถือได้

เอกสารที่ชัดเจนช่วยให้นักวิทยาศาสตร์ ผู้ตรวจสอบ และผู้มีอำนาจตัดสินใจคนอื่นๆ สามารถตัดสินได้ว่าแบบจำลองนั้นเหมาะสมกับวัตถุประสงค์หรือไม่

ขั้นตอนการตรวจสอบแบบจำลองทางเภสัชจลนศาสตร์ที่สามารถป้องกันได้มักจะประกอบด้วยองค์ประกอบต่อไปนี้:

• คำจำกัดความบริบท:กำหนดบริบทการใช้งานและเกณฑ์การตัดสินใจ
• การประเมินข้อมูล:ประเมินคุณภาพข้อมูล ความเกี่ยวข้อง และความครอบคลุมของประชากรที่ต้องการและเงื่อนไขการให้ยา
• ความน่าเชื่อถือทางชีวภาพ:พัฒนาแบบจำลองที่เป็นไปได้ทางชีวภาพพร้อมพารามิเตอร์ที่ระบุตัวได้
• การตรวจสอบการใช้งาน:ตรวจสอบชุดข้อมูล รหัส หน่วย และการนำแบบจำลองไปใช้
• การวินิจฉัยภายใน:ดำเนินการวินิจฉัยภายใน รวมถึงการวิเคราะห์สารตกค้างและการประเมินความแม่นยำของพารามิเตอร์
• ประสิทธิภาพการทำนาย:ประเมินประสิทธิภาพเชิงคาดการณ์โดยใช้การตรวจสอบตามการจำลอง
• การยืนยันภายนอก:ทดสอบโมเดลกับข้อมูลภายนอกเมื่อพร้อมใช้งาน
• ปริมาณความไม่แน่นอน:หาปริมาณความไม่แน่นอนและดำเนินการวิเคราะห์ความไว
• การประเมินสถานการณ์:ประเมินประชากรพิเศษ เส้นทาง สูตร และสถานการณ์สมมติแยกกัน
• เอกสารประกอบ:เอกสารสมมติฐาน ข้อจำกัด และขั้นตอนการทำซ้ำ

การตรวจสอบแบบจำลองทางเภสัชจลนศาสตร์หมายถึงการแสดงให้เห็นว่าแบบจำลองนั้นเพียงพอต่อการใช้งานตามวัตถุประสงค์ กระบวนการนี้ต้องการข้อมูลความเข้มข้นที่สังเกตได้อย่างเหมาะสมมากกว่า โดยต้องการข้อมูลที่เกี่ยวข้อง สมมติฐานที่เป็นไปได้ทางชีวภาพ การใช้งานที่ได้รับการตรวจสอบ การประเมินการวินิจฉัย การตรวจสอบเชิงคาดการณ์ การวิเคราะห์ความไม่แน่นอน และการจัดทำเอกสารที่ชัดเจนเกี่ยวกับขอบเขตของแบบจำลอง

สำหรับการตัดสินใจทางวิทยาศาสตร์และด้านกฎระเบียบ กลยุทธ์การตรวจสอบความถูกต้องที่เข้มงวดที่สุดคือกลยุทธ์ที่เชื่อมโยงแบบจำลองโดยตรงกับการตัดสินใจที่สนับสนุน แบบจำลองควรได้รับการตัดสินโดยการทำนายการวัดการสัมผัสที่เกี่ยวข้องด้วยความแม่นยำและความไม่แน่นอนที่ยอมรับได้ในประชากร ช่วงขนาดยา เส้นทาง และการตั้งค่าทางคลินิกที่จะใช้แบบจำลองนั้นหรือไม่

ติดต่อพริซิส ไบโอเทค

อ้างอิง

1. คำแนะนำสำหรับอุตสาหกรรม: เภสัชจลนศาสตร์ของประชากร กระทรวงสาธารณสุขและบริการมนุษย์ สำนักงานคณะกรรมการอาหารและยา (FDA) ของสหรัฐอเมริกา

2. การวิเคราะห์ทางเภสัชจลนศาสตร์ตามสรีรวิทยา - คำแนะนำรูปแบบและเนื้อหาสำหรับอุตสาหกรรม อย.