Estimation par Maximum a Posteriori de
Transcription
Estimation par Maximum a Posteriori de
Contexte Méthode Résultats Conclusion Estimation par Maximum a Posteriori de paramètres d’équations différentielles Application à la prédiction de réactions à un changement de traitement chez les patients infectés par le VIH. Mélanie Prague et Daniel Commenges ISPED, Université Bordeaux 2 Inserm U897 - Équipe Biostatistique GDR Statistiques et Santé 30 mai 2011 - Paris M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 1 / 27 Contexte Méthode Résultats Conclusion Les problématiques liées au VIH HAART : Les antirétroviraux actuels permettent de contrôler l’infection mais il existe de nombreux effets secondaires → Dray-Spira et al., AIDS, 2007 Modelisation ODE et HIV : Les modèles à équations différentielles permettent de modéliser l’intéraction entre VIH et système immunitaire → Perelson et al., Science, 1996 Modelisation ODE et Pharmaco-dynamique/cinétique : Prise en compte du traitement - problèmes d’identifiabilité → Wu et al., JAIDS, 2005 M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 2 / 27 Contexte Méthode Résultats Conclusion Objectif Modelisation, mettre en relation : - Biomarqueurs usuels du VIH (CD4 et Charge virale) - Covariables ”pharmacométrique” (dose, poids ...) → Estimation populationnelle MAP par ODE avec effets aléatoires et covariables Prédiction : - Changement de traitement - Changement de dose → Estimation individuelle par les estimateurs empiriques de Bayes M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 3 / 27 Contexte Méthode Résultats Conclusion Modèle biologique : Système dynamique Compartiments Biologiques Compartiment Q T T∗ V M. Prague et D. Commenges Signification CD4 Quiescents CD4 Activés CD4 Activés Infectés Virions Estimation MAP et prédictions : Application au VIH 4 / 27 Contexte Méthode Résultats Conclusion Modèle biologique : Système dynamique Dynamique des cellules T ∗ (CD4 infectés) dT ∗ = γVT − µT ∗ T ∗ dt Paramètre µT ∗ γ M. Prague et D. Commenges Signification Taux de décès des cellules T ∗ Infectivité : Taux d’infection des cellules T par les virions Estimation MAP et prédictions : Application au VIH 5 / 27 Contexte Méthode Résultats Conclusion Modèle biologique : Système dynamique (1) Modèle à cellules T activées dQ dt = λ − µQ Q − αQ + ρT dT dt = αQ − ρT − µT T − γVT dT ∗ dt = γVT − µT ∗ T ∗ dV dt = πT ∗ − µV V Modèle de variabilité ξ˜i = ξ˜li = φl + zli (t)βl + {z } | α̃i , λ̃i , ..., γ˜0 i , µ̃iV Effets fixes M. Prague et D. Commenges ω i (t)u i | l {z } Effets aléatoires Estimation MAP et prédictions : Application au VIH 6 / 27 Contexte Méthode Résultats Conclusion Modèle biologique : Système dynamique (2) Modèle à cellules T activées Introduction d’une fonction ”pharmaco-dynamique” ψ γ̃ = log(γ) = γ̃0 + ψ(.) M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 7 / 27 Contexte Méthode Résultats Conclusion L’idée ”Modèle de régression” ψ pourrait dépendre : du traitement, de la dose, du poids . . . ψ(dji (t), wi (t)) = {z } | Effet du traitement βj κ d dji (t) | {z } Fonction de la dose w̄j wi (t) | {z κw } Fonction du poids dji (t) : Dose standardisée de traitement j prise au temps t par l’individu i w̄j : Poids usuel pour les doses standards du traitement j wi (t) : Poids de l’individu i au temps t βj < 0 : Paramètre de régression pour le traitement j κd : Paramètre de puissance pour le poids κw : Paramètre de puissance pour le poids M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 8 / 27 Contexte Méthode Résultats Conclusion L’idée ”pharmaco-dynamique” Modélisation dose-effet in vitro (Shen et al., Nat. Med., 2008) ψ(dji (t), wi (t)) = log 1 − {z } | Effet du traitement 1 1+ dji (t) IC50 w̄ j κw mj j wi (t) dji (t) : Dose standardisée de traitement j prise au temps t par l’individu i w̄j : Poids usuel pour les doses standards du traitement j wi (t) : Poids de l’individu i au temps t mj : Coefficient de Hill pour le traitement j IC 50j : Dose à 50% d’efficacité pour le traitement j κw : Paramètre de puissance pour le poids M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 9 / 27 Contexte Méthode Résultats Conclusion Modèle statistique Modèle d’observation Charge Virale : Nombre de CD4 : Yij1 = log10 (V (tij , ξ˜i )) + ij1 Yij2 = (Q(tij , ξ˜i ) + T (tij , ξ˜i ) + T ∗ (tij , ξ˜i ))0.25 + ij2 Choix des a priori : - Paramètres biologiques et covariables : Loi normale - Effets aléatoires : Demi-Cauchy - Erreurs de mesure : Loi uniformes M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 10 / 27 Contexte Méthode Résultats Conclusion Algorithme d’Estimation : Newton-Raphson like → Log-Vraissemblance pénalisée LPOi LPO 1 = LOi + log (Prior ) X n LPOi = i≤n → RVS : Robust Variance Scoring (Guedj et al., Biometrics 2008 Commenges et al., ArXiv, 2006) UOi (θk ) = H(θk ) ≈ G (θk ) = ∂LOi |θ ∂θ k X ν ∂ 2 Prior 0 UOi (θk )UO (θk ) + U(θk )U 0 (θk ) − i n ∂θ2 i≤n → Switch automatique sur Marquardt classique si échec RVS M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 11 / 27 Contexte Méthode Résultats Conclusion Convergence de l’algorithme Critères de statibilisation : - |θ(k+1) − θk | < 0.1 - |LPO (θ(k+1) ) − LPO (θk )| < 0.1 Critères de convergence : - RDM : Relative distance to Maximum rdmk = U(θk )G −1 (θk )U 0 (θk ) < 0.5 m Critères de reproductibilité : - Unicité/Précision du point de convergence à partir de plusieurs valeurs initiales M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 12 / 27 Contexte Méthode Résultats Conclusion Prédiction → Estimation populationnelle en excluant l’individu → Estimation Bayésienne individuelle de ses effets aléatoires ξ˜li = ˜l + σ̂ û (i) ξˆ ξ̃l ˜l ξˆ : Estimateur du paramètre ξ˜l σ̂ξ̃l : Estimateur de l’écart-type de l’effet aléatoire de ξ˜l û (i) : Mode a posteriori de l’effet aleatoire pour l’individu i → Calculer trajectoires individuelles M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 13 / 27 Contexte Méthode Résultats Conclusion Données d’essai clinique ALBI 149 patients : - 51 d4T+ddI (6 mois) - 49 AZT+3TC (6 mois) - 49 Switch : d4T+ddI (3 mois) puis AZT+3TC (3 mois) Données receuillies : - Biomarqueurs (Charge virale - Nombre de CD4) - Doses de traitement prescrites - Doses de traitement prises (auto-receuil) - Autres Covariables (poids, age...) M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 14 / 27 Contexte Méthode Résultats Conclusion Estimation pour ALBI α µT ∗ λ µT π ρ γ0 µQ µV βAZT +3TC βd4T +ddI κd κw σα σµT ∗ σCV σCD4 M. Prague et D. Commenges Point de départ -6.21 -0.05 2.55 -2.59 4.04 -4.34 -5.76 -9.00 2.90 -1.10 -1.10 0.70 0.50 0.31 0.25 - A PRIORI Moy./médiane -6.21 -0.05 2.55 -2.59 4.04 -4.34 -5.76 -9.00 2.90 -1.10 -1.10 0.70 0.50 0.31 0.25 - e-t. 2.00 0.68 1.90 0.34 2.66 1.38 4.02 1.00 0.68 1.00 1.00 0.50 0.50 - A POSTERIORI Moy. e-t. -3.07 0.19 -0.52 0.12 2.61 0.15 -2.53 0.11 3.65 0.64 -5.10 0.75 -5.43 0.08 -10.84 0.97 2.93 0.65 -0.89 0.07 -0.92 0.07 0.11 0.03 0.02 (NS) 0.02 0.38 0.03 0.04 0.01 0.45 0.01 0.19 0.004 Estimation MAP et prédictions : Application au VIH 15 / 27 Contexte Méthode Résultats Conclusion Choix des patients du changement de traitement M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 16 / 27 Contexte Méthode Résultats Conclusion Prédiction de changement de traitement Patient 881, premier quartile CV finale Temps Dose AZT+3TC Dose d4T+ddI M. Prague et D. Commenges 0 0 1.47 83 1 0 96 0 0 Estimation MAP et prédictions : Application au VIH 99 1 0 17 / 27 Contexte Méthode Résultats Conclusion Prédiction de changement de traitement Patient 642, médiane CV finale Temps Dose AZT+3TC Dose d4T+ddI M. Prague et D. Commenges 0 0 1 85 1 0 Estimation MAP et prédictions : Application au VIH 18 / 27 Contexte Méthode Résultats Conclusion Prédiction de changement de traitement Patient 748, troisième quartile CV finale Temps Dose AZT+3TC Dose d4T+ddI M. Prague et D. Commenges 0 0 1.47 91 1 0 Estimation MAP et prédictions : Application au VIH 19 / 27 Contexte Méthode Résultats Conclusion Choix des patients du changement de dose M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 20 / 27 Contexte Méthode Résultats Conclusion Prédiction de changement de dose Patient 156, premier quartile CV finale Temps Dose AZT+3TC Dose d4T+ddI M. Prague et D. Commenges 0 0 0 28 0 1.47 55 0 0 61 0 1.47 Estimation MAP et prédictions : Application au VIH 90 1 0 21 / 27 Contexte Méthode Résultats Conclusion Prédiction de changement de dose Patient 660, médiane CV finale Temps Dose AZT+3TC Dose d4T+ddI M. Prague et D. Commenges 0 1 0 71 0 0 148 1 0 Estimation MAP et prédictions : Application au VIH 22 / 27 Contexte Méthode Résultats Conclusion Prédiction de changement de dose Patient 316, troisième quartile CV finale Temps Dose AZT+3TC Dose d4T+ddI M. Prague et D. Commenges 0 0 1 4 0 0.5 12 0 0 59 0 1.47 Estimation MAP et prédictions : Application au VIH 65 0 0 91 1 0 23 / 27 Contexte Méthode Résultats Conclusion Conclusion et perspectives → La prise en compte de la dose améliore le modèle (fit + prediction) Perspective - Affiner le modèle pharmacodynamique(effet palier - effet seuil) - Travailler sur des données mieux renseignées (avec plus de variabilité de doses Receuil plus rigoureux de l’adhérence) - Proposer une individualisation de la dose M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 24 / 27 Contexte Méthode Résultats Conclusion Bibliographie A.S. Perelson, A.U. Neumann, M. Markowitz, J.M. Leonard and D.D. Ho HIV-1 dynamics in vivo: virion clearance rate, infected cell life-span, and viral generation time Science 271, 1996. D. Commenges, H. Jacqmin-Gadda, C. Proust and J. Guedj A newton-like algorithm for likelihood maximization: The robust-variance scoring algorithm Arxiv 2006. J. Guedj, R. Thiébaut et D. Commenges Maximum Likelihood Estimation in Dynamical Models of HIV. Biometrics 63, 2007, 1198-1206. L. Shen, S. Peterson, A. Sedaghat, M. McMahon, M. Callender, H. Zhang, Y. Zhou, E. pitt, K. Anderson, E. Acosta et R. Siliciano Dose-response Curve slope sets class-specific limits on Inhibitory Potential of Anti-HIV drugs Nat. Med. 14, 2008, 762-766. M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 25 / 27 Contexte Méthode Résultats Conclusion ANNEXE (1) Profile Likelihood LPO kd = 0 kd = 0.25 kd = 0.5 kd = 0.75 kd = 1 kw = 0 -863 -809 -851 -895 -934 kw = 0.25 -919 -825 -845 -883 -922 kw = 0.5 (-990,rdm=2.8) -877 -877 -898 -927 LPO kd = 0 kd = 0.02 kd = 0.04 kd = 0.06 kd = 0.08 kd = 0.1 kd = 0.12 kd = 0.14 kd = 0.16 kd = 0.18 kd = 0.2 kw = 0 -863.1 -800.9 -799.1 -797.9 -797.28 -797.26 -797.5 -798.4 -802.4 -804.5 -803.3 kw = 0.75 (-1117,rdm=7.3) -923 -917 -927 -948 kw = 0.05 -868.5 -804.5 -802.0 -800.1 -797.8 -797.7 -797.24 -797.3 -797.9 -799.0 -800.4 kw = 1 (-1291,rdm=9.8) -962.0 (-986,rdm=11.6) (-1120,rdm=9.5) (-1375,rdm=10.2) kw = 0.1 -879.3 -812.4 -809.4 -806.8 -804.7 -803.1 -801.9 -801.2 -801.0 -801.3 -802.0 Nous choisissons : kd = 0.1 et kw = 0 → Il n’y a pas d’effet significatif du poids dans cette modélisation M. Prague et D. Commenges Estimation MAP et prédictions : Application au VIH 26 / 27 Contexte Méthode Résultats Conclusion ANNEXE (2) RMSE : Drylewicz, AOAS 2010 vs notre modèle RMSE 786 156 660 316 219 Moyenne M. Prague et D. Commenges CV 0.11 1.29 0.34 0.27 0.72 0.55 CD4 60.12 40.24 19.46 63.10 39.65 44.51 CV-AOAS 0.25 1.42 0.41 1.09 0.83 0.8 Estimation MAP et prédictions : Application au VIH CD4-AOAS 65.42 57.04 43.95 70.04 46.03 56.50 27 / 27