le rôle de la statistique dans le développement d'un
TRANSCRIPT
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Le rôle de la statistique dans le développementd’un médicament
Adeline Leclercq Samson
Laboratoire Mathématiques Appliquées (MAP5), Université Paris 5
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 1 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Phases de développement d’un médicament
Agences du médicament• AFSSAPS, EMEA, FDA• Intervention au fur et à mesure des étapes pour autoriser
les suivantes• Vérification des données pour autoriser (ou non) sa
commercialisation
D’après F. Mentré, INSERMA. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 2 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Essais pré-cliniques
Étude chez l’animal
Pharmacocinétique• "Ce que le corps fait du médicament"• Étude des relations entre dose et concentration de
médicament
Biologie et pharmacologie• Toxicité à court et long terme
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 3 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Phase I
Étude• Ordre de grandeur des doses tolérées (toxicité)• Caractéristiques pharmacocinétiques chez l’homme
Méthodologie• Sujets sains (études sans bénéfice individuel direct)• Essais de taille réduite (20 individus)• Administrations uniques (doses croissantes) et répétées• Évaluation de la tolérance• Études pharmacocinétiques
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 4 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Phase II
Étude• Relation dose/effet du produit• Paramètres pharmacocinétiques chez les patients
Méthodologie• Administration chez des patients "semblables"• Essais de taille réduite (20-30 individus)• Comparaisons de doses• Relations dose/concentration/effet
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 5 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Phase III
Étude• Efficacité du médicament dans les conditions d’utilisation
larges• Tolérance du produit dans les conditions d’utilisation larges
Méthodologie• Essais thérapeutique sur un grand nombre de patients• Études de tolérance (en termes de toxicité) chez les sujets
à risques• Études d’interactions médicamenteuses• Comparaison par rapport au placebo ou au traitement de
référence
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 6 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Statistiques
Statistiques classiques• Statistiques descriptives• Études de corrélation, analyse de variance
Estimation des paramètres pharmacocinétiques
• Calcul d’aire sous la courbe parméthode des trapèzes
• Problème inverse non linéaire
yi = f (θ, ti ) + εi
avec f non linéaire 0 5 10 15 20 250
0.5
1
1.5
2
2.5
3
3.5
temps (h)
conc
entr
atio
n (m
g/L)
• Méthode d’estimation par moindres carrés ou maximum devraisemblance
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 7 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Planification des études• Choix de(s) dose(s)• Calcul du nombre de sujets nécessaires• Optimisation des protocoles de prélèvement sanguin
(matrice d’information de Fisher)
0 5 10 15 20 250
0.5
1
1.5
2
2.5
3
3.5
temps 8, 16, 240 5 10 15 20 25
0
0.5
1
1.5
2
2.5
3
3.5
temps 1, 6, 20
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 8 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Tests statistiques
Paramètres du modèle
βT efficacité du nouveau traitementβR efficacité du traitement de référence
Hypothèses du test
H0: βT = βR versus H1: βT 6= βR ou H1: βT ≥ βR
⇒ Test unilatéral ou bilatéral
• Test de comparaison de moyenne, de proportions• Estimation de paramètres dans des problèmes inverses
linéaires ou non linéaires• Modélisation de courbes de survie
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 9 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Bioéquivalence
Développement d’un générique• Est-il équivalent à la molécule princeps ?
βG efficacité du génériqueβR efficacité de la molécule de référence
• Test de bioéquivalence
H0: βGβR≤ 0.8 ou βG
βR≥ 1.25 versus H1: 0.8 < βG
βR< 1.25
- Construction d’un test de niveau α- Théorie des tests d’intersection-union
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 10 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Données manquantesPatients sortis d’étude• Amélioration ou absence d’amélioration du patient• Effets secondaires• Raisons externes (panne de voiture, etc)
Analyse des données complètes• Sous-estimation de l’efficacité si sorties d’étude pour
amélioration• Sur-estimation de l’efficacité si sorties d’étude pour
absence d’améliorationSolutions
• Variable D du processus de données manquantes• Estimation de la loi de probabilité de la variable y |D• Imputation multiple des données manquantes sous cette loi
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 11 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Phases de développement d’un médicament
Contexte actuelProblèmes• Augmentation du coût de développement• Augmentation de la durée entre la recherche fondamentale
et l’AMM⇒ De moins en moins de nouveaux médicaments mis sur le
marché : pour 12 molécules découvertes, il en reste5 après la phase I4 après la phase II2 après la phase III1 qui est mise sur le marché
Raisons des échecs dans 45% des cas• Erreurs dans la prédiction de l’efficacité ou de la toxicité• Manque d’utilisation des données disponibles pour la
planification des essais suivants
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 12 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modélisation
Propositions d’amélioration
Modélisation mathématique• Description des systèmes dynamiques biologiques• Modèles théoriques bio-mathématiques (équations
différentielles)
Estimation• Paramètres moyens dans la population• Variabilité au sein de la population• Incertitude des estimations
Simulation Monte Carlo• Simulation d’essais cliniques• Prédiction avec variabilité et incertitude
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 13 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modélisation
Exemple de modélisation
Pharmacocinétique et pharmacodynamie
dose−−−−→ PK concentration−−−−−−−−−−→ PDréponse−−−−−−→
• Pharmacocinétique (PK): “Ce que le corps fait dumédicament”
• Pharmacodynamie (PD): “Ce que le médicament fait aucorps”
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 14 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modélisation
Pharmacocinétique : modèle à un compartiment
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 15 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modélisation
Modèle à un compartiment(administration orale, absorption et élimination d’ordre 1)
Dabsorption (taux ka)−−−−−−−−−−→ qté médicament Q(t)
elimination (taux ke )−−−−−−−−−−→
dQa
dt(t) = −kaQa(t) (Qa(t): quantité au site d’absorption)
dQdt
(t) = kaQa(t)− keQ(t)
C (t) =Q(t)V
= Doseka
V (ka − ke)
(e−ke t − e−ka t
)Modèle avec 3 paramètres physiologiques: ka, V et ke .
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 16 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modélisation
Exemple de données : la PK de la théophylline
0 5 10 15 20 250
2
4
6
8
10
12
time (hour)
conc
entr
atio
n (m
g/m
L)
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 17 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modélisation
Modèle à deux compartiments
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 18 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modélisation
Pharmacodynamie : modèle d’infection du VIH
dTdt
= λ− αTV ∗ − µT
dT∗
dt= αTV ∗ − µ∗T∗
dV ∗
dt= πT∗ − cV ∗
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 19 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modélisation
dTdt
= λ− α(1− η)TV ∗ − µT
dT∗
dt= α(1− η)TV ∗ − µ∗T∗
dV ∗
dt= π(1− β)T∗ − cV ∗
dVdt
= πβT∗ − cV
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 20 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modélisation
Exemple de données : décroissance de charge virale
0 10 20 30 40 50 600
1
2
3
4
5
6
time (days)
VL
(cp/
ml)
Patients du groupe 1 et du groupe 2
Quel est le traitement le plus efficace ?⇒ Tests statistiques
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 21 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modèles mixtes
Évaluation à partir de mesures répétées
0 10 20 30 40 50 600
1
2
3
4
5
6
Time (day)
log 10
vira
l loa
d
• Type d’évolution similaire chez tous les patients : mêmemodèle paramétrique
• Fluctuation des paramètres individuels autour d’unparamètre moyen
⇒ Utilisation de modèles mixtes
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 22 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modèles mixtes
Modèle mixteyij = f (φi , tij) + εijεij ∼ N (0, σ2)φi ∼ N (µ,Ω)
- yij observation du sujet i au temps tij- f fonction décrivant le processus biologique observé- φi paramètre individuel aléatoire du sujet i- εij erreur de mesure au temps tij- µ paramètre moyen- Ω variabilité inter-sujet- σ2 variabilité résiduelle
• Problème inverse non linéaire• Estimation des paramètres θ = (µ,Ω, σ2) par maximum de
vraisemblance
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 23 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modèles mixtes
Estimation pour les modèles non-linéaires mixtes
• Fonction de régression f non linéaire en les effets aléatoiresφ
• Vraisemblance
p(y ; θ) =∫
p(y , φ; θ)dφ=
∫p(y |φ; θ)p(φ; θ)dφ
• Pas d’expression analytique
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 24 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modèles mixtes
Méthodes d’estimation existantesÉvaluation de la vraisemblance
• Linéarisation (FO, FOCE)Sheiner, Rosenberg, Melmon, 1972; Lindstrom et Bates, 1990Pas de propriétés de convergence
• Quadrature de GaussPinheiro et Bates, 1995; Wolfinger, 1996Convergence lente
Algorithmes type Newton-RaphsonMc Culloch, 1997; Gu et Kong, 2001; Commenges et coll., 2006
Propriétés de convergence, limites numériques
Algorithmes type Expectation-Maximisation (EM)• Monte Carlo-EM : Wei et Tanner, 1990
• Stochastic Approximation-EM : Delyon, Lavielle, Moulines, 1999
Propriétés de convergence
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 25 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modèles mixtes
Algorithme d’estimation EMDempster, Laird, Rubin, 1977
Modèle à données incomplètes• Données observées (y)
• Données complètes (y , φ)
Algorithme EM, à l’itération k• Étape E : calcul de Qk+1
Qk+1(θ) = E [ log p(y , φ, θ) | y , θk ]
• Étape M : réactualisation de θk
θk+1 = arg maxθ
Qk+1(θ)
Propriété de monotonie de la vraisemblanceRésultats de convergence (Wu, 1983)
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 26 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modèles mixtes
Version stochastique de l’EMKuhn et Lavielle, 2005
• Étape E- Étape S : simulation de φk sous la distribution p(φ|y ; θk)
Simulation d’une chaîne de Markov ayant pour loistationnaire p(φ|y ; θk) par procédure de Monte Carlo parChaînes de Markov (MCMC)
- Étape SA : approximation stochastique
Qk+1(θ) = γk log p(y , φk , θ) + (1− γk)Qk(θ)
avec (γk) suite de pas décroissants vers 0
• Étape M : réactualisation de θk
θk+1 = arg maxθ
Qk+1(θ)
Convergence des estimateurs vers un maximum local de lavraisemblance
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 27 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modèles mixtes
Essai clinique sur le VIHTraitement Nelfinavir
0 50 100 150 200 250 3000
1
2
3
4
5
6
time (days)
log1
0 vi
ral l
oad
Viral load nelfinavir
−50 0 50 100 150 200 250 300 3500
100
200
300
400
500
600
700
800
900
time (days)
CD
4
CD4 nelfinavir
Traitement Indinavir
0 50 100 150 200 250 3000
1
2
3
4
5
6
time (days)
log1
0 vi
ral l
oad
Viral load Indinavir
0 50 100 150 200 250 300 3500
100
200
300
400
500
600
700
800
900
1000
time (days)
CD
4
CD4 Indinavir
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 28 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modèles mixtes
Comparaison entre le groupe Nelfinavir et Indinavir
Paramètres estimés par SAEM
Nelfinavir Indinavir
α (day−1 mm−3) 0.039 0.039µ (day−1) 0.054 0.079µ∗ (day−1) 0.35 0.21λ (day−1 mm−3) 4.57 5.98η 0.77 0.72β 0.89 0.95
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 29 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Modèles mixtes
Développements méthodologiques
• Données censurées par une limite de quantification
• Modèles sous forme d’équation différentielles ordinaires oustochastiques
• Modèles d’erreurs hétéroscédastiques
• Tests statistiques et construction de modèles de covariables• Estimation de la variabilité intra-patient
• Convergence et optimisation des algorithmes
• Protocoles expérimentaux optimaux
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 30 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Données censurées à gauche
Censure : exemple de l’infection par le VIH
0 10 20 30 40 50 600
1
2
3
4
5
6
Time (day)
log 10
vira
l loa
d
Charge virale non quantifiée sous une limite (LOQ)
Comment tenir compte de cette censure ?
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 31 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Données censurées à gauche
Modèle
• Modèle statistique: yij = f (φi , tij) + εijεij ∼ N (0, σ2)φi ∼ N (µ,Ω)
• Données observées
yobsij =
yij si yij > LOQ
LOQ si yij ≤ LOQ
• Données censurées y cens = yij |yij ≤ LOQ• Structure de modèle à données incomplètes• x = (yobs , y cens , φ) vecteur des données complètes
⇒Simulation des données censurées par une chaîne de Markov
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 32 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Données censurées à gauche
Analyse de l’essai Trianon-ANRS 81
0 20 40 60 80 100 1200
1
2
3
4
5
6
7
3TC: ∆ observations NVP: + observations− prédiction − prédiction
• Méthodes naïves : effet traitement non significatif• SAEM: effet traitement significatif sur la deuxième pente
de décroissance (p < 0.01 pour les tests de Wald etrapport de vraisemblance)
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 33 / 34
Statistiqueset
médicaments
A. LeclercqSamson
Phases dedéveloppe-ment d’unmédicament
Modélisation
Modèlesmixtes
Donnéescensurées àgauche
Conclusion
Conclusion
Conclusion
Rôle croissant des statistiques dans l’évaluation desmédicaments• Analyse quantitative des données• Modélisation des systèmes biologiques pour compréhension
plus fine de l’action du médicament
Travail coopératif• Biologistes, Pharmacologues, Cliniciens• Ingénieurs, Mathématiciens, Statisticiens
Nombreux problèmes méthodologiques ouverts
• Tests statistiques• Modélisation par des diffusions, ...
A. Leclercq Samson (MAP5) Statistiques et médicaments 21 septembre 2007 34 / 34