PFIM

Fiche dév Ens Sup - Recherche
  • Création ou MAJ importante : 07/05/12
  • Correction mineure : 07/05/12
Mots-clés

PFIM : evaluation et optimisation de protocoles de population

Ce logiciel a été développé (ou est en cours de développement) dans la communauté de l'Enseignement Supérieur et de la Recherche. Son état peut être variable (cf champs ci-dessous) donc sans garantie de bon fonctionnement.
  • Site web
  • Système : Windows
  • Version actuelle : PFIM INTERFACE 3.1 et PFIM 3.2.2 - Mars 2011
  • Licence(s) : GPL
  • Etat : diffusé, stable, en développement
  • Support : maintenu, développement en cours
  • Concepteur(s) : Caroline Bazzoli, Thu Thuy Nguyen, Anne Dubois, Sylvie Retout, Emanuelle Comets, Hervé Le Nagard, France Mentré
  • Contact concepteur(s) : caroline.bazzoli@imag.fr, thu-thuy.nguyen@inserm.fr
  • Laboratoire(s), service(s)... : INSERM-U738, LJK

 

Fonctionnalités générales du logiciel

PFIM (Population Fisher Information Matrix) est une fonction R permettant d’évaluer et d’optimiser des protocoles (nombre de sujets, nombre de prélèvements par sujet, allocation dans le temps) pour les modèles non linéaires à effets mixtes (approche de population). Cette fonction est basée sur le développement d'une approximation de la matrice d'Information de Fisher dans ces modèles.

Deux versions de PFIM (les plus récentes) sont actuellement à disposition de l'utilisateur :

  • une version disposant d'une interface (PFIM Interface 3.1),
  • une version R script (PFIM 3.2.2) demandant des connaissances en programmation R mais qui bénéficie des derniers développements méthodologiques réalisés dans le laboratoire.
Contexte d’utilisation du logiciel

PFIM est principalement utilisé pour aider au choix du protocole de recueil des données en pharmacologie lors de l’analyse des relations doses – concentrations – effets (pharmacocinétique / pharmacodynamique) des médicaments.

PFIM fait l'objet de recherche dans le domaine de la statistique (développement de la matrice d'Information de Fisher, UMR 738 INSERM-Université Paris-Diderot) mais également en pharmacologie.

Publications liées au logiciel

Méthodologie

  • Nguyen TT, Bazzoli C, Mentré F. Design evaluation and optimisation in crossover pharmacokinetic studies analysed by nonlinear mixed effects models, Nguyen TT, Bazzoli C, Mentré F, 2011, [Epub ahead of print].
  • Bazzoli C, Retout S, Mentré F. Design evaluation and optimisation in multiple response nonlinear mixed effect models: PFIM 3.0, Computer Methods and Programs in Biomedicine, 2010, 98 : 55-65.
  • Retout S, Comets E, Bazzoli C, Mentré F. Design optimisation in nonlinear mixed effects models using cost functions:application to a joint model of infliximab and methotrexate pharmacokinetics, Communication in Statistics: Theory and Methods, 2009, 38 : 3351–3368.
  • Bazzoli C, Retout S, Mentré F. Fisher information matrix for nonlinear mixed effects multiple response models: evaluation of the appropriateness of the first order linearization using a pharmacokinetic/pharmacodynamic model, Statistics in Medicine, 2009, 28 : 1940-1956.
  • Retout S, Comets E, Samson A, Mentré F. Design in nonlinear mixed effects models: optimization using the Fedorov-Wynn algorithm and power of the Wald test for binary covariates, Statistics in Medicine, 2007, 26: 5162-5179.
  • Retout S, Mentré F. Optimisation of individual and population designs using Splus, Journal of Pharmacokinetic and Pharmacodynamics, 2003, 30: 417-443.
  • Retout S, Mentré F. Further developments of the Fisher information matrix in nonlinear mixed-effects models with evaluation in population pharmacokinetics, Journal of Biopharmaceutical Statistics, 2003, 13: 209-227.
  • Retout S, Mentré F, Bruno R. Fisher information matrix for nonlinear mixed-effects models: evaluation and application for optimal design of enoxaparin population, Statistics in Medicine, 2002, 21: 2623-2639.
  • Retout S, Duffull S, Mentré F. Development and implementation of the population Fisher information matrix for evaluation of population pharmacokinetic designs, Computer Methods and Programs in Biomedicine, 2001, 65: 141-151.
  • Mentré F, Mallet A, Baccar D. Optimal design in random-effects regression models, Biometrika, 1997, 84 : 429-442.

Applications de PFIM

  • Delavenne X, Zufferey P, Nguyen P, Rosencher N, Samama C.M,Bazzoli C, Mismett P, Laporte S. Pharmacokinetics of fondaparinux 1.5 mg once daily in a real-world cohort of patients with renal impairment undergoing major orthopaedic surgery. Pharmacokinetics and disposition, 2012, [Epub ahead of print].
  • Sherwin CM, Ding L, Kaplan J, Spigarelli MG, Vinks AA. Optimal study design for pioglitazone in septic pediatric patients. Journal of Pharmacokinetics and Pharmacodynamics, 2011, 38 : 433-447.
  • Guedj J, Bazzoli C, Neuman A.U, Mentré F. Design evaluation and optimization for models of hepatitis C
    viral dynamics. Statistics in Medicine, 2011, 30 : 1045-1056.
  • Bazzoli C, Retout S, Mentré F. Design evaluation and optimisation in multiple response nonlinear mixed effect models: PFIM 3.0, Computer Methods and Programs in Biomedicine, 2010, 98 : 55-65.
  • Retout, S., Comets, E., Bazzoli, C. et Mentré, F. Design optimisation in nonlinear mixed effects models using cost functions: application to a joint model of infliximab and methotrexate pharmacokinetics, Communication in
    Statistics: Theory and Methods, 2009, 38 : 3351–3368.
  • Bazzoli C, Retout S, Mentré F. Fisher information matrix for nonlinear mixed effects multiple response models: evaluation of the appropriateness of the first order linearization using a pharmacokinetic/pharmacodynamic model, Statistics in Medicine, 2009, 28 : 1940-1956.
  • Retout S, Comets E, Samson A, Mentré F. Design in nonlinear mixed effects models: optimization using the Fedorov-Wynn algorithm and power of the Wald test for binary covariates, Statistics in Medicine, 2007, 26 : 5162-5179.