Université de Montréal

Optimisation de l’administration des médicaments chez

les enfants transplantés grâce à la pharmacocinétique de
population

par
Nastya Kassir

Sciences Pharmaceutiques, Université de Montréal

Faculté de pharmacie

Thèse présentée à la Faculté des Études Supérieures

en vue de l’obtention du grade de Philosophiæ Doctor (Ph.D.)
en Sciences Pharmaceutiques
option Pharmacologie

Mars, 2012

© Nastya Kassir, 2012

 Université de Montréal
Faculté des études supérieures et postdoctorales

Cette thèse intitulée :

Optimisation de l’administration des médicaments chez les enfants transplantés grâce à la

pharmacocinétique de population

Présentée par :
Nastya Kassir

a été évaluée par un jury composé des personnes suivantes :

Jacques Turgeon, président-rapporteur

Line Labbé, directeur de recherche
Murray Ducharme, membre du jury
Chantale Simard, examinateur externe
Daniel Lamontagne, représentant du doyen de la FES
 iii

Résumé
Ce travail de thèse porte sur l’application de la pharmacocinétique de population
dans le but d’optimiser l’utilisation de certains médicaments chez les enfants
immunosupprimés et subissant une greffe. Parmi les différents médicaments utilisés chez
les enfants immunosupprimés, l’utilisation du busulfan, du tacrolimus et du voriconazole
reste problématique, notamment à cause d’une très grande variabilité interindividuelle de
leur pharmacocinétique rendant nécessaire l’individualisation des doses par le suivi
thérapeutique pharmacologique. De plus, ces médicaments n’ont pas fait l’objet d’études
chez les enfants et les doses sont adaptées à partir des adultes. Cette dernière pratique ne
prend pas en compte les particularités pharmacologiques qui caractérisent l’enfant tout au
long de son développement et rend illusoire l’extrapolation aux enfants des données
acquises chez les adultes.

Les travaux effectués dans le cadre de cette thèse ont étudié successivement la
pharmacocinétique du busulfan, du voriconazole et du tacrolimus par une approche de
population en une étape (modèles non-linéaires à effets mixtes). Ces modèles ont permis
d’identifier les principales sources de variabilités interindividuelles sur les paramètres
pharmacocinétiques. Les covariables identifiées sont la surface corporelle et le poids. Ces
résultats confirment l’importance de tenir en compte l’effet de la croissance en pédiatrie.
Ces paramètres ont été inclus de façon allométrique dans les modèles. Cette approche
permet de séparer l’effet de la mesure anthropométrique d’autres covariables et permet la
comparaison des paramètres pharmacocinétiques en pédiatrie avec ceux des adultes. La
prise en compte de ces covariables explicatives devrait permettre d’améliorer la prise en
charge a priori des patients.

Ces modèles développés ont été évalués pour confirmer leur stabilité, leur
performance de simulation et leur capacité à répondre aux objectifs initiaux de la
modélisation.
 iv

Dans le cas du busulfan, le modèle validé a été utilisé pour proposer par simulation
une posologie qui améliorerait l’atteinte de l’exposition cible, diminuerait l’échec
thérapeutique et les risques de toxicité.

Le modèle développé pour le voriconazole, a permis de confirmer la grande

variabilité interindividuelle dans sa pharmacocinétique chez les enfants immunosupprimés.
Le nombre limité de patients n’a pas permis d’identifier des covariables expliquant cette
variabilité.

Sur la base du modèle de pharmacocinétique de population du tacrolimus, un

estimateur Bayesien a été mis au point, qui est le premier dans cette population de
transplantés hépatiques pédiatriques. Cet estimateur permet de prédire les paramètres
pharmacocinétiques et l’exposition individuelle au tacrolimus sur la base d’un nombre
limité de prélèvements.

En conclusion, les travaux de cette thèse ont permis d’appliquer la

pharmacocinétique de population en pédiatrie pour explorer les caractéristiques propres à
cette population, de décrire la variabilité pharmacocinétique des médicaments utilisés chez
les enfants immunosupprimés, en vue de l’individualisation du traitement. Les outils
pharmacocinétiques développés s’inscrivent dans une démarche visant à diminuer le taux
d'échec thérapeutique et l’incidence des effets indésirables ou toxiques chez les enfants
immunosupprimés suite à une transplantation.

Mots-clés : Pharmacocinétique de population, NONMEM, pédiatrie, transplantation,

busulfan, tacrolimus, voriconazole, estimateur Bayesien.
 v

Abstract
This thesis deals with the application of population pharmacokinetics in order to
optimize the use of certain medications in immunocompromised children undergoing
transplantation. Among the various drugs used in immunocompromised children, the use of
busulfan, tacrolimus and voriconazole remains problematic, particularly because of high
interindividual variability in their pharmacokinetics necessitating individualized doses
based on therapeutic drug monitoring. In addition, these drugs have not been studied in
children and the doses are adapted from adults. This practice does not take into account the
pharmacological characteristics of pediatrics throughout their development and makes
illusory the extrapolation of data acquired in adults to children.

The work done in this thesis studied sequentially the pharmacokinetics of busulfan,
voriconazole and tacrolimus by a population approach (non-linear mixed effects models).
The developed models have identified the main sources of interindividual variability in the
pharmacokinetic parameters of these drugs. The identified covariates are body surface area
and weight. These results confirm the importance of taking into account the effect of
growth in children. These parameters were allometrically included in the models. This
approach allows separating the effect of size from other covariates and enables the
comparison of pediatric pharmacokinetic parameters with those of adults. The inclusion of
these explanatory covariates should improve the management a priori of patients.

The developed models were evaluated to confirm their stability, performance, and
their ability to answer the original objectives of modeling.

In the case of busulfan, the validated model was used to simulate dosing regimens
that improve reaching the target exposure, reduce treatment failure and toxicity episodes.

The developed population pharmacokinetic model for voriconazole confirmed the

large variability in its pharmacokinetics in immunocompromised children. The limited data
did not allow identification of covariates explaining this variability.
 vi

Based on the population pharmacokinetic model of tacrolimus, a Bayesian estimator

was developed, which is the first in this population of pediatric liver transplant recipients.
This estimator can predict pharmacokinetic parameters and individual exposure to
tacrolimus based on a limited number of samples.

In conclusion, this thesis allowed applying the population pharmacokinetics

approach in pediatrics to explore the characteristics of this population and describe the
pharmacokinetic variability of drugs used in immunocompromised children, for the
individualization of treatment. Pharmacokinetic tools developed are part of efforts to
decrease the rate of treatment failure and the incidence of adverse and toxic events in
immunocompromised and transplanted pediatrics.

Keywords : Population pharmacokinetics, NONMEM, pediatric, transplantation, busulfan,

tacrolimus, voriconazole, Bayesian estimator.
 vii

Table des matières

Résumé ........................................................................................................................... iii
Abstract .......................................................................................................................... v
Table des matières .......................................................................................................... vii
Liste des tableaux ............................................................................................................xi
Liste des figures ............................................................................................................. xii
Liste des abréviations .................................................................................................... xiii
Dédicace ........................................................................................................................xv
Remerciements .............................................................................................................. xvi
CHAPITRE I................................................................................................................... 1
ÉTAT DE L’ART............................................................................................................ 2
1 Généralités sur la pharmacocinétique en pédiatrie ..................................................... 4
1.1 Généralités ....................................................................................................... 4
1.2 Pharmacocinétique en pédiatrie ......................................................................... 9
1.2.1 Absorption ................................................................................................... 9
1.2.2 Distribution .................................................................................................13
1.2.3 Élimination..................................................................................................18
2 Généralités sur la modélisation pharmacocinétique ...................................................27
2.1 Méthode d’analyse classique en pharmacocinétique ..........................................30
2.2 La pharmacocinétique de population ................................................................31
2.2.1 Approche de regroupement des données “Naïve pooled data”........................32
2.2.2 Approche en deux étapes “Iterative two-stage” .............................................33
2.2.3 Modèles non-linéaires à effets mixtes “Non-linear mixed-effect models” .......34
2.3 Estimateur Bayesien ........................................................................................41
2.4 La pharmacocinétique de population chez les enfants........................................41
3 Généralités sur la pharmacogénétique ......................................................................43
3.1 Pharmacogénétique du CYP3A ........................................................................44
3.2 Pharmacogénétique du CYP2C ........................................................................45
 viii

3.3 Pharmacogénétique des glutathion-S-transférases .............................................46

4 Généralités sur le busulfan.......................................................................................47
4.1 Pharmacocinétique du busulfan ........................................................................47
4.1.1 Absorption ..................................................................................................47
4.1.2 Distribution .................................................................................................48
4.1.3 Élimination..................................................................................................48
4.2 Interactions médicamenteuses ..........................................................................49
4.3 Pharmacocinétique de population du busulfan ..................................................51
5 Généralités sur le voriconazole ................................................................................53
5.1 Pharmacocinétique du voriconazole .................................................................53
5.1.1 Absorption ..................................................................................................54
5.1.2 Distribution .................................................................................................54
5.1.3 Élimination..................................................................................................54
5.2 Interactions médicamenteuses ..........................................................................55
5.3 Pharmacocinétique de population du voriconazole ............................................57
6 Généralités sur le tacrolimus....................................................................................59
6.1 Pharmacocinétique du tacrolimus .....................................................................59
6.1.1 Absorption ..................................................................................................60
6.1.2 Distribution .................................................................................................60
6.1.3 Élimination..................................................................................................61
6.2 Interactions médicamenteuses ..........................................................................62
6.3 Pharmacocinétique de population du tacrolimus ...............................................63
7 Objectifs de la thèse ................................................................................................65
CHAPITRE II ................................................................................................................67
Population pharmacokinetic of intravenous busulfan in children before hematopoietic stem
cell transplantation .........................................................................................................68
Abstract .........................................................................................................................69
1 Introduction ............................................................................................................70
2 Methods .................................................................................................................71
 ix

3 Results....................................................................................................................75
4 Discussion ..............................................................................................................77
5 Acknowledgements .................................................................................................80
6 Conflict of Interest/Disclosure .................................................................................81
7 References..............................................................................................................82
8 Figure Legends .......................................................................................................87
9 Tables.....................................................................................................................88
10 Figures ...................................................................................................................92
CHAPITRE III ...............................................................................................................96
Population pharmacokinetic of intravenous and oral voriconazole in children ...................97
Abstract .........................................................................................................................98
1 Introduction ............................................................................................................99
2 Methods ............................................................................................................... 101
3 Results.................................................................................................................. 103
4 Discussion ............................................................................................................ 105
5 References............................................................................................................ 108
6 Figure Legends ..................................................................................................... 110
7 Tables................................................................................................................... 111
8 Figures ................................................................................................................. 114
CHAPITRE IV............................................................................................................. 116
Population pharmacokinetics and bayesian estimation of tacrolimus exposure in pediatric
liver transplant recipients .............................................................................................. 117
Abstract ....................................................................................................................... 118
1 Introduction .......................................................................................................... 119
2 Methods ............................................................................................................... 121
3 Results.................................................................................................................. 125
4 Discussion ............................................................................................................ 128
5 Acknowledgements ............................................................................................... 133
6 References............................................................................................................ 134
 x

7 Figure Captions..................................................................................................... 138

8 Tables................................................................................................................... 139
9 Figures ................................................................................................................. 145
CHAPITRE V .............................................................................................................. 148
DISCUSSION ET CONCLUSION ............................................................................... 149
Bibliographie................................................................................................................ 159
Annexe I ...................................................................................................................... 176
1 Tables de discrimination du modèle de pharmacocinétique de population de base du
tacrolimus – 1 compartiment ......................................................................................... 177
2 Tables de discrimination du modèle de pharmacocinétique de population de base du
tacrolimus – 2 compartiments ....................................................................................... 178
3 Relation entre les Posthoc du tacrolimus et les covariables continues ...................... 180
4 Relation entre les Posthoc du tacrolimus et les covariables catégoriques ................. 183
Annexe II ..................................................................................................................... 196
Limited sampling strategies for monitoring tacrolimus in paediatric liver transplant
recipients...................................................................................................................... 197
Abstract ....................................................................................................................... 199
1 Introduction .......................................................................................................... 200
2 Methods ............................................................................................................... 202
3 Results.................................................................................................................. 206
4 Discussion ............................................................................................................ 208
5 Conclusion............................................................................................................ 211
6 Acknowledgements ............................................................................................... 212
7 Conflict of Interest/Disclosure ............................................................................... 213
8 References............................................................................................................ 214
9 Figure Legends ..................................................................................................... 219
10 Tables................................................................................................................... 220
11 Figures ................................................................................................................. 226
Annexe III .................................................................................................................... 231
 xi

Permission du journal NEJM ........................................................................................ 231

Annexe IV.................................................................................................................... 233
Accord des coauteurs .................................................................................................... 233

Liste des tableaux

Tableau 1-1 Différences physiologiques entre les enfants et les adultes influençant la
pharmacocinétique ................................................................................................... 6
Tableau 1-2 Ontogenèse des principaux facteurs impliqués dans l’absorption gastro-
intestinale des médicaments .....................................................................................10
Tableau 1-3 Activité enzymatique in vitro des cytochromes P450 au niveau de microsomes
hépatiques chez le fœtus et l’enfant de différents âges, exprimés sous forme de fraction
de l’activité adulte (nmol/min/mg microsomal protein) .............................................21
Tableau 1-4 Profil de maturation des enzymes de phase II................................................23
Tableau 4-1 Résumé des paramètres PK du busulfan chez les enfants greffés du foie ........51
Tableau 5-1 Résumé des paramètres PK du voriconazole chez les enfants ........................57
Tableau 6-1 Résumé des paramètres PK du tacrolimus chez les enfants greffés du foie .....63
 xii

Liste des figures

Figure 1-1 Changements physiologiques influençant le devenir des médicaments chez les
enfants ....................................................................................................................15
Figure 2-1 Profil moyen des concentrations en fonction du temps .....................................33
Figure 2-2 Profils individuels et moyen des concentrations en fonction du temps ..............34
 xiii

Liste des abréviations

ASC Aire sous la courbe des concentrations en fonction du temps

ASC0-t Aire sous la courbe calculée entre t=0 et le dernier temps de prélèvement

ASC0-∞ Aire sous la courbe calculée entre t=0 et l’infini

ASCt-∞ Aire sous la courbe entre le dernier temps de prélèvement et l’infini

BSA Surface corporelle

CL Clairance systémique

CLbiliaire Clairance biliaire

CLhépatique Clairance hépatique

CLint,libre Clairance intrinsèque de la fraction libre

Cmax Concentration maximale

CLrénale Clairance rénale

Css Concentration moyenne à l’état d’équilibre

CYP450 Cytochrome P450

D Dose

EH Coefficient d’extraction hépatique

Emax Effet maximum

F Biodisponibilité

FDA Food and Drug Administration

flibre Fraction libre du principe actif

GST Glutathion-S-transférases
 xiv

ICH Conférence internationale sur l’harmonisation

ke Constante de vitesse d’élimination

OFV Valeur de la fonction objective

P-gp P-glycoprotéine

pH Potentiel hydrogène

PK Pharmacocinétique

PKPOP Pharmacocinétique de population

QH Débit hépatique

R0 Vitesse de perfusion

STP Suivi thérapeutique pharmacologique

τ Intervalle d’administration

tmax Temps pour atteindre la concentration maximale

V Volume de distribution

WT Poids corporel
 xv

Dédicace

À mes parents, pour leur amour

inconditionnel, confiance et sacrifices.
 xvi

Remerciements
Je tiens à remercier les personnes, qui de près ou de loin, ont contribué à la
réalisation de ce travail de thèse durant les années qui viennent de s’écouler.

Tout d'abord, mes remerciements s'adressent à ma directrice de recherche : Line

Labbé. Merci de m’avoir accueillie dans votre laboratoire et merci pour votre soutien dans
l’accomplissement de cette thèse. Merci pour vos conseils et votre soutien moral constants.

Ma gratitude s’adresse aussi à Dr. Catherine Litalien et Dr. Yves Théorêt pour leur
confiance et leur soutien. Merci pour votre passion communicative, vos talents de
pédagogues, vos encouragements et le temps consacré à l’accomplissement de ce travail.

Merci au Dr. Philippe Ovetchkine pour m’avoir donné la chance de collaborer à ses
projets. Merci d’avoir partagé votre expertise et pour nos échanges intéressants.

Je remercie les membres du jury de m’avoir fait l’honneur de juger ce travail et tout
particulièrement au Dr Jacques Turgeon pour tout le temps que vous avez consacrez à cette
thèse.

À Samer Mouksassi, mon collègue et mon ami, qui m’a supportée au quotidien et
m’a transmis sa passion scientifique. Merci pour tous les moments et souvenirs que nous
partageons.

À Yana Kanaan, 19 ans d’amitié ça ne s’invente pas! Un peu comme une sœur; tu as
toujours été là dans les bons comme dans les mauvais moments.

À tous mes autres amis, c’est grâce à vous que j’arrive à garder mon équilibre au
quotidien. Vous comptez énormément pour moi.

À mes parents et mes frères, c’est grâce à chacun de vous si aujourd’hui j’en suis
arrivée là. Merci!

Enfin, je tiens à remercier Walid. Merci de m’avoir épaulée tout le long de cette
épreuve. Merci d’être toujours là pour moi.
 1

CHAPITRE I
 2

ÉTAT DE L’ART
Ce travail de thèse porte sur l’application de la pharmacocinétique de population dans
le but d’optimiser l’utilisation de certains médicaments chez les enfants immunosupprimés
et subissant une greffe.

La greffe d’organe est une pratique largement utilisée depuis plus d’un demi-siècle. La
transplantation de parties du corps d'un individu à un autre fascine l'être humain depuis des
siècles comme le prouve les traces laissées par ce sujet dans les récits mythologiques.
L'avènement de la médecine moderne a été accompagné de nombreuses tentatives dans ce
domaine et des progrès impressionnants ont été réalisés. Tous ces essais ont contribué à
mettre en lumière les barrières techniques et les limites biologiques fondamentales des
transplantations. L'histoire de la transplantation peut être comprise comme la découverte et
le dépassement de ces obstacles. En résultat, la transplantation est de mieux en mieux
maîtrisée.

Malgré les succès chirurgicaux que la transplantation a connus avant les années 70, le
rejet des greffons restait l’obstacle majeur et la principale complication des
transplantations. La découverte d'un principe actif, la ciclosporine, en 1970, a constitué une
nouvelle étape. Le développement des médicaments immunosuppresseurs a toutefois
amélioré le pronostic des greffes durant ces dernières années et a été une des conditions
essentielles pour que les transplantations d'organes, de tissus et de cellules deviennent le
traitement standard pour de nombreuses maladies graves. Ces médicaments préviennent le
rejet de greffe. L’objectif principal de l’immunosuppression est de maintenir le greffon
fonctionnel en ciblant l’activation des cellules T, la production de cytokines et l’expansion
clonale (prolifération), tout en limitant les risques de toxicité. Cependant pour des doses
excessives, l’utilisation de ces médicaments est associée à la survenue d’effets indésirables,
parfois toxiques; et à faible exposition systémique, elle est associée à un risque élevé de
rejet de greffe. En pratique clinique, le suivi thérapeutique pharmacologique (STP) est
utilisé pour optimiser les effets thérapeutiques de médicaments tout en diminuant les effets
indésirables.[1] Cette méthode d’optimisation et d’individualisation de la dose consiste à
 3

surveiller les concentrations sanguines ou plasmatiques du médicament et à adapter les

posologies de façon à maintenir les concentrations dans une zone thérapeutique optimale.
Les deux sources majeures de variabilité dans la réponse au médicament sont d’une part au
niveau de la relation entre dose et concentration (variabilité pharmacocinétique); et d’autre
part entre concentration du médicament au niveau du récepteur et la réponse (variabilité
pharmacodynamique). En ajustant les doses pour maintenir les concentrations dans une
zone thérapeutique optimale, la variabilité pharmacocinétique du médicament est largement
réduite. Le STP est considéré aujourd’hui comme indispensable à la bonne utilisation de
certains médicaments (par exemple, tacrolimus, busulfan et voriconazole) caractérisés par
1) une grande variabilité pharmacocinétique ; 2) une relation entre concentrations et effets
thérapeutiques et indésirables; 3) une marge thérapeutique étroite; 4) une marge des
concentrations cibles bien définie; et 5) un effet thérapeutique difficile à suivre.[1, 2]

Le STP requiert la connaissance de la pharmacocinétique (PK) du médicament. Les

études de pharmacocinétique de population (PKPOP) de ces médicaments sont peu
nombreuses. Ces études ont mis en évidence la complexité des profils PK observés et la
grande variabilité interindividuelle sur les paramètres PK. En conséquence, il semble
nécessaire d’avoir recours à des outils statistiques plus puissants comme les modèles non
linéaires à effets mixtes, et de disposer de modèles PK pertinents afin de développer des
stratégies pour l’estimation des paramètres PK individuels, le calcul de l’exposition
systémique et l’ajustement des doses à partir d’un nombre limité de prélèvements sanguins.

Dans le chapitre I de cette thèse, nous décrivons brièvement les notions de

pharmacocinétique en pédiatrie, modélisation pharmacocinétique, pharmacogénétique et
pharmacocinétique des médicaments étudiés. Nous terminons le premier chapitre en
présentant les objectifs de la thèse dans ce contexte. La seconde partie de la thèse présente
les trois publications issues de ces travaux de doctorat. Enfin, la dernière partie consiste en
une discussion générale des résultats et des perspectives de recherche.
 4

1 Généralités sur la pharmacocinétique en pédiatrie

1.1 Généralités
La pharmacologie est la "science des médicaments". Elle s’intéresse à l’interaction qui
a lieu entre du matériel vivant (cellules isolées, animal, et ultimement homme) et du
matériel chimique ou biochimique (principe actif). Il s’agit en effet d’une interaction
puisque le principe actif agit sur le vivant, définissant ainsi la pharmacodynamie et puisque
le vivant agit sur le principe actif, définissant ainsi la pharmacocinétique.[3]

Les vertus thérapeutiques de nombreuses plantes sont connues depuis la nuit des
temps, mais l’identification des principes actifs responsables de leurs effets
pharmacologiques date des XIXe et XXe siècles. Rudolf Buchheim est considéré comme le
fondateur de la pharmacologie en tant que discipline indépendante pour son entreprise en
1847 de l’étude expérimentale et systématique du mode d’action des médicaments.[3] Dans
les années 1930, le professeur Harry Gold, est parmi les premiers à utiliser le terme
pharmacologie clinique dans ses études sur la pharmacologie humaine du glycoside
digitalis.

Historiquement, la pharmacologie pédiatrique a commencé au milieu du XIXe siècle,

avec les débuts de la pharmacologie.[4] Le père de la pédiatrie américaine, Dr. Abraham
Jacobi (1830–1919), a écrit par le passé “Pediatrics does not deal with miniature men and
women, with reduced doses and the same class of disease in smaller bodies, but has its own
independent range and horizon”.[5] Plus tard, Harry Shirkey (1916–1995), le pharmacien
et pédiatre américain, a écrit “The long list of dosage rules based on age, body weight or
surface and their respective authors is testimony that no rule is entirely satisfactory in
producing an exact fraction of the known adult dose that is applicable to a particular
child”.[4] Déterminer les doses en pédiatrie, 100 ans plus tard, est encore souvent inconnu.
La première étape pour la réussite dans la thérapie pédiatrique serait de reconnaître les
différences entre les différents groupes d’âge en pédiatrie.[4]
 5

Les enfants sont très différents des adultes en termes de perspectives sociales,
psychosociales, comportementales, et médicales. Contrairement à l’adulte, l’enfant est un
être en croissance et cette croissance n’est pas un processus linéaire. Son développement
débute dès la conception et se poursuit jusqu’à la fin de la puberté. Il s’agit d’un processus
dynamique qui s’accompagne de modifications importantes de la composition corporelle,
de la maturation fonctionnelle des organes impliqués notamment dans le devenir des
médicaments ainsi que de la maturation des récepteurs impliqués dans leurs effets (Tableau
1-1). Ces changements continus du corps et des organes influencent les effets des
médicaments et leur disposition et doivent être pris en compte dans la détermination de
schémas posologiques pédiatriques afin d’éviter les accidents toxiques et/ou l’inefficacité
thérapeutique.[5-7]

La population pédiatrique regroupe des enfants âgés entre 0 et 18 ans et elle est
généralement divisée en groupes d’âge. Une classification, internationalement acceptée,
comportant 5 groupes d’âge a été proposée lors de la Conférence internationale sur
l’harmonisation (ICH) tenue en 2000 [8]:
x les prématurés (<37 semaines de gestation)
x les nouveau-nés à terme (0 – 28 jours)
x les nourrissons (>28 jours – 23 mois)
x les enfants (2 – 11 ans)
x les adolescents (12 à 16 ou 18 ans, selon les pays)
 6

Tableau 1-1 Différences physiologiques entre les enfants et les adultes influençant la
pharmacocinétique

Absorption Plupart des médicaments administrés Conséquences

par voie orale pharmacocinétiques possibles au
pH gastrique élevé niveau de la biodisponibilité, de
Vidange gastrique ralentie et irrégulière la vitesse d’absorption et de
Motilité intestinale ralentie l’exposition
Fonctions biliaire et pancréatique
immatures
Profil adulte atteint presqu’à 2 ans
Distribution Eau totale et eau extracellulaire Affecte le volume de
augmentées distribution: augmenté pour les
Protéines plasmatiques, albumine et médicaments hydrosolubles et
compartiment lipidique diminués diminué pour les médicaments
Perméabilité membranaire vers le liposolubles
système nerveux central augmentée
Profil adulte atteint presqu’à 2 ans
Métabolisme CYP3A7 : présent à l’âge fœtal La clairance hépatique des
CYP2E1 : apparaît après la naissance médicaments éliminés par la
CYP2D6, CYP3A4 : se développent famille CYP450 est le plus faible
durant les 3 premiers mois jusqu’à l’âge de 2 mois et la
CYP1A2 : dernier à apparaître maturation continue tout au long
de la première année de vie et se
traduit par une demi-vie
d’élimination plus longue. Par
contre, la clairance est
augmentée chez les nourrissons
et enfants.
Élimination Filtration glomérulaire est faible à la La clairance des médicaments
naissance principalement éliminés par
Tubules rénaux anatomiquement et filtration glomérulaire et/ou
fonctionnellement immatures sécrétion tubulaire est affectée
Valeurs adultes atteintes vers 8-12 mois
Modifié d’après Kearns et al.[5]
 7

Des changements importants dans la composition corporelle accompagnent la

croissance et le développement en pédiatrie. Ces changements développementaux dans la
physiologie et, par conséquent, dans la pharmacologie influencent l'efficacité, la toxicité, et
le schéma posologique des médicaments utilisés chez les enfants. Il est donc important de
prendre en considération les caractéristiques des périodes pertinentes du développement de
la naissance, à l'adolescence, et à l'âge adulte.[9] Par exemple, la ICH E11[10] insiste sur la
croissance rapide et la maturation du système nerveux central et du système immunitaire
chez les nourrissons. La croissance sexuelle et les conséquences hormonales sur le
développement neurocognitif sont des points importants à considérer chez les adolescents.

Les pédiatres essayent d’adopter des approches pour déterminer la première dose
pédiatrique basées sur les doses chez l’adulte. Les différentes approches comportent [11]:
x les catégories d'âge
x la normalisation de la dose par le poids (WT)
x la normalisation de la dose par la surface corporelle (BSA)
x les principes d’allométrie

La détermination des doses basée sur les catégories d’âge peut paraître raisonnable vu
qu’elle prend en considération les différences physiologiques entre les nouveau-nés,
nourrissons, enfants et adolescents. Cette méthode est facile à appliquer, par contre elle ne
prend pas en considération l’effet de la maturation sur la PK des médicaments au sein d’un
même groupe. De plus, cette méthode considère un enfant n’ayant pas de pathologies.[11]

L’âge et le poids sont deux paramètres très corrélés, mais les paramètres PK
normalisés par le poids, peuvent varier en fonction de l’âge. La clairance normalisée par le
poids de certains médicaments peut être plus élevée chez les enfants que chez les adultes
suggérant une augmentation de la dose chez les enfants. Des limites de poids (minimum –
maximum) doivent être définies pour l’application de cette méthode.[11]

La surface corporelle est un paramètre calculé à partir du poids et de la taille de

l’enfant. Le dosage basé sur la surface corporelle est préféré chez les enfants dans certaines
situations. Parmi ces situations : 1) un faible volume de distribution du médicament chez
 8

l’adulte (<0.4 L/kg), donc distribution dans les fluides extracellulaires qui sont corrélés
avec la surface corporelle chez l’enfant; 2) médicament métabolisé par les enzymes matures
du foie chez les enfants à partir de 6 mois car la clairance est corrélée au BSA. Cependant,
des études de pharmacocinétique de certains médicaments métabolisés par l’enzyme uridine
diphosphate glucuronosyltransférase et le CYP2D6 montrent que leurs clairances semblent
être plutôt corrélées au poids.[12-14] Les désavantages de cette approche sont la difficulté
de calculer la BSA, la disponibilité de plusieurs formules et la possibilité de surdoser les
nouveau-nés (par exemple, surdosage de valganciclovir [15]).[11]

L’allométrie relie la fonction physiologique et la morphologie au poids et à la taille.

Il est reconnu que l’allométrie par le poids est basée sur un exposant fixe de 0.75 et repose
sur des principes biologiques. Ces relations allométriques dérivées de taux de métabolisme
basal ont été proposées pour l’extrapolation entre espèces, mais ont également été
appliquées dans les études pharmacocinétiques pédiatriques.[16, 17] L’approche
d’allométrie avec exposant fixe suggère que la clairance est liée au poids par un exposant
de 0.75 (CL ~ WT0.75) et que le volume de distribution varie de façon linéaire avec le poids
(V ~ WT1).[16] Par contre, plusieurs travaux ont signalé que le concept d'un exposant fixe
de 0.75 est inexact pour la prédiction de la clairance dans différents groupes d'âge, en
particulier chez les nourrissons et les nouveau-nés.[18-20] Pour tenir compte de la
maturation du processus de métabolisme pendant la petite enfance, certains auteurs
suggèrent de considérer l'âge post-conception, en plus des modifications de clairance liées
au poids.[17, 21, 22] D'autres auteurs recommandent de ne pas fixer l'exposant allométrique
à sa valeur théorique, mais de l’estimer à partir des données.

En conclusion, la plupart des approches de dosage selon l'âge sont fondées sur
l'influence connue de l'ontogenèse sur l'élimination des médicaments. Les lacunes actuelles
dans les connaissances (par exemple, profils incomplets de maturation des enzymes
hépatiques et extra-hépatiques, le manque de connaissances en ce qui concerne l'expression
des transporteurs de médicaments) empêchent l'utilisation de formules simples pour la
prédiction de la dose efficace pédiatrique, surtout chez les nouveau-nés, où la relation entre
 9

les mesures anthropométriques et la maturation des voies métaboliques n’est pas

linéaire.[23] De telles approches (par exemple, allométrie) sont surtout utiles chez les
enfants plus âgés qu’un an et les adolescents dont la fonction des organes et la composition
corporelle se rapprochent de celles des jeunes adultes.

1.2 Pharmacocinétique en pédiatrie

Le développement et la croissance ne sont pas un processus linéaire chez les
enfants. La croissance est rapide durant les premières années de la vie de l’enfant. Bien que
de nombreux changements physiologiques pouvant affecter le devenir des médicaments
aient lieu tout au long de l’enfance, ceux qui affectent le plus la PK se produisent durant la
première année de vie.[24]

1.2.1 Absorption
Différentes voies sont utilisées pour administrer les médicaments aux enfants, la plus
utilisée étant la voie extravasculaire. L’absorption d’un médicament administré par cette
voie est influencée par des facteurs chimiques, physiques, mécaniques et biologiques
(Tableau 1-2).[9]
 10

Tableau 1-2 Ontogenèse des principaux facteurs impliqués dans l’absorption gastro-
intestinale des médicaments

Nouveau-né Nouveau-né Nourrisson Enfant

(à la naissance) (1 – 27 jours) (28 jours – 23 mois) (2 – 11 ans)
Facteurs Physiologiques
pH gastrique 1– 3 >5 4→2 Profil adulte
Vidange gastrique ↓ et irrégulière ↓ et irrégulière ↑ Légèrement ↑
Motilité intestinale ↓ ↓ ↑ Profil adulte
Surface intestinale ↓ ↓ Presque adulte Profil adulte
Fonction biliaire Très immature Immature Presque adulte Profil adulte
Fonction pancréatique Très immature Immature Presque adulte Profil adulte
Flore intestinale Très immature Immature Immature Presque adulte
Biotransformation Très immature ↓ Profil semblable aux Profil semblable
intestinale : CYP3A4 enfants plus âgés aux enfants plus
âgés
Transport intestinal : P-gp Inconnu Inconnu Inconnu Inconnu
Résultats Pharmacocinétiques
Taux d’absorption Variable Variable ≥ Adulte Profil adulte
Effet de premier passage Très ↓ ↓ Presque adulte Profil adulte
digestif

Modifié d’après Kearns et al.[5]

La plupart des médicaments sont administrés par voie orale chez l’enfant. En général,
la bouche est un site peu important pour l’absorption des médicaments car ces derniers ont
besoin d’être dissous en premier dans la salive et à cause du court séjour dans la bouche.
L’anatomie du pharynx et de l’œsophage est similaire aux adultes avec la seule différence
de taille. Les mouvements coordonnés oraux et pharyngaux nécessaires pour avaler des
matières solides se développent durant les 2 premiers mois d’un enfant né à terme.[9] Les
facteurs les plus importants qui influencent l’absorption des médicaments sont liés à la
physiologie de l’estomac, de l’intestin, et du conduit biliaire.
 11

Dans les premières heures et jours qui suivent la naissance, le poids intestinal et la
masse muqueuse doublent presque pour tenir en compte le passage du cordon ombilical à
une alimentation orale, ce qui est similaire au passage de l’alimentation parentérale à
l'alimentation orale.[25] Cette croissance intestinale rapide et ce développement fonctionnel
sont stimulés par l'alimentation par le colostrum, qui est riche en facteurs de croissance
peptidiques tels que EGF, TGF alpha et l'IGF-1. La grande quantité d'IgA sécrétoires dans
le colostrum, qui a une haute biodisponibilité systémique, peut également jouer un rôle
dans le développement intestinal en plus de fournir une protection immunitaire.[25]

Les changements dans le pH gastrique affectent la stabilité et le degré d’ionisation de

certains médicaments et donc influencent la quantité relative de médicament disponible
pour absorption. Même si les cellules pariétales sont bien développées, le pH gastrique est
presque neutre à la naissance. Il diminue à 1 – 3 durant les 24 heures suivant la naissance,
puis retourne graduellement à la neutralité au jour 8. Ensuite, il diminue de nouveau pour
atteindre les valeurs adultes à partir de l’âge de 2 à 3 ans.[9, 11] La diminution de la
capacité de sécrétion d'ions hydrogène persiste tout au long de l'enfance, et est en
particulier représentée par une diminution de production d'acide suite à la stimulation de
pentagastrine.[9, 26] De plus, le contenu gastrique est tamponné par l’alimentation
fréquente et la vidange gastrique retardée. Le pH gastrique élevé chez les jeunes enfants,
augmente la biodisponibilité des médicaments instables en milieu acide et des bases faibles,
et diminue la biodisponibilité des acides faibles. L’absorption des macromolécules comme
la lactalbumine contenue dans le lait maternel ou des aminoglycosides est facilitée chez les
jeunes enfants en conséquence à l’immaturité de la barrière muqueuse intestinale et
l’augmentation de sa perméabilité.[27]

La vidange gastrique est plus lente et irrégulière chez le nouveau-né et le jeune

nourrisson ce qui diminue la vitesse d’absorption, diminue la concentration maximale et
prolonge le temps pour atteindre cette concentration. Cependant, dans la majorité des cas,
l’aire sous la courbe reste inchangée. La valeur adulte est atteinte vers l’âge de 6 à 8
mois.[9, 28]
 12

Le temps de transit intestinal est prolongé chez le nouveau-né en raison d’une

diminution du péristaltisme (augmentation de la biodisponibilité des médicaments peu
hydrosolubles) et raccourcit chez le nourrisson plus âgé lorsque la motilité gastrique
augmente.[9, 28, 29]

Les fonctions biliaires et pancréatiques sont immatures chez le nouveau-né, et se

développent rapidement après la naissance, ainsi qu’une relative immaturité de la muqueuse
intestinale, ce qui entraîne une augmentation de sa perméabilité. L’immaturité de la
sécrétion et de l’activité de la bile et des fluides pancréatiques entraîne une digestion altérée
des lipides. L’absorption des vitamines D et E est diminuée chez les nouveau-nés
probablement à cause des niveaux inadéquats de bile dans l’iléum.[9]

L’intestin proximal est le site principal d’absorption des médicaments et joue un rôle
important dans l’effet de premier passage de certains médicaments administrés par voie
orale. Le CYP3A4 est l’enzyme majoritairement exprimée dans la muqueuse intestinale.
Une faible expression de cette enzyme entraîne une augmentation de la biodisponibilité des
substrats CYP3A4 chez les nouveau-nés.[5, 24] La P-glycoprotéine (P-gp) est un élément
important qui limite la biodisponibilité des médicaments. La P-gp est une protéine de la
membrane cellulaire exprimée chez l’homme par le gène MDR1. Elle est présente au
niveau de l’intestin au pôle apical des entérocytes, où elle expulse les médicaments vers la
lumière intestinale, ce qui diminue leur biodisponibilité. Au niveau de la barrière
hématoencéphalique, elle diminue le passage des xénobiotiques dans le cerveau. Aux
niveaux hépatiques et rénaux, elle contribue à l’excrétion des substances xénobiotiques
dans la bile et l’urine, respectivement.[9] Cependant, les données sur l’ontogenèse de la P-
gp intestinale sont très limitées et son rôle chez les enfants n’a pas encore été décrit.[30]
D’autres transporteurs exprimés au niveau intestinal, comme le BCRP (ABCG2), limitent
la biodisponibilité des médicaments. Des biopsies duodénales des enfants montrent
l’expression très variable de l’ARN messager du gène MDR1. L’expression des
transporteurs P-gp et BCRP a été détectée dans les membranes de l’épithélium intestinal à
partir de 12 semaines de gestation.[31] Cependant, l'effet réduit de premier passage
 13

hépatique et intestinal sur la biodisponibilité peut compenser la réduction de

biodisponibilité due à plusieurs autres facteurs tels que l’immaturité intestinale, le pH
gastrique, la réduction de la vidange gastrique ou le temps de transit intestinal.

Ainsi, le processus de maturation du tractus gastro-intestinal a des conséquences sur

la biodisponibilité des médicaments administrés par voie orale.

1.2.2 Distribution
Une fois le médicament dans le sang "compartiment central", il peut se distribuer
dans différents autres compartiments du corps selon un processus indépendant de la voie
d’administration.[31] Les changements âge-dépendant dans la composition corporelle
altèrent la distribution des médicaments (Figure 1-1). Ces changements sont en partie dus à
des modifications physiologiques de la composition corporelle, à la liaison aux protéines
plasmatiques et tissulaires, au rôle des transporteurs ainsi qu’à la perméabilité
membranaire. D’autres facteurs qui varient au cours du développement tels que
l’augmentation du débit cardiaque et de la perfusion des organes peuvent également avoir
une influence sur la distribution. Le volume de distribution est un marqueur des
changements âge-dépendant dans la distribution des médicaments.[5, 9, 11, 24, 31]

Taille des compartiments hydriques et lipidiques

La taille des compartiments hydriques et lipidiques où se distribuent les

médicaments varie selon l’âge. Chez le nouveau-né et les jeunes nourrissons, l’eau totale
représente une importante proportion du poids corporel (80 – 90%) comparés aux enfants
plus âgés et aux adultes (55 – 60%).[9] L’eau extracellulaire diminue de 40% du poids
corporel chez le nouveau-né pour atteindre 20% chez les adultes.[32] Ces changements
résultent en un volume de distribution relativement plus grand des médicaments
hydrosolubles chez les enfants comparé aux adultes. De plus, la teneur en lipides est faible
 14

à la naissance (10 – 15%), augmente chez le nourrisson et le petit enfant pour atteindre des
valeurs proches de celles des adultes à l’âge d’un an. La teneur en lipide diminue de
nouveau jusqu’à l’âge de préadolescence (11 ans) pour recommencer à augmenter. En effet,
les proportions plus grandes d’eau totale et d’eau extracellulaire chez le nouveau-né et les
jeunes enfants, avec le ratio eau/lipide plus important chez le nouveau-né que chez l’adulte
(57% vs. 25%) résulte en des concentrations plasmatiques plus faibles quand les doses sont
normalisées par le poids.[5, 24]

L’hydrosolubilité et la liposolubilité des médicaments sont les paramètres majeurs

qui déterminent les conséquences de ces variations sur la distribution des médicaments.
Chez le nouveau-né et le jeune nourrisson, le volume de distribution des médicaments
hydrosolubles est plus grand que celui de l’enfant plus âgé; à l’inverse, le volume de
distribution des médicaments liposolubles est plus faible.[9]
 15

Figure 1-1 Changements physiologiques influençant le devenir des médicaments chez les
enfants

Adapté d’après Kearns et al.[5] (Annexe II)

 16

Liaison aux protéines plasmatiques et tissulaires

La liaison des médicaments aux protéines dépend de la quantité de protéines

disponibles, de l’affinité pour la protéine, du nombre de sites de liaisons disponibles, et de
la présence de conditions pathophysiologiques ou produits endogènes affectant l’interaction
entre le médicament et la protéine.[9] En général, les molécules acides se lient à
l’albumine, alors que les molécules basiques se lient aux globulines, α1-glycoprotéine et
lipoprotéines. Les faibles concentrations sanguines en albumine et en α1-glycoprotéine chez
les nouveau-nés impliquent une augmentation de la fraction libre comparée aux enfants
durant la première année de vie.[33, 34] La présence de l’albumine fœtale (affinité réduite
aux acides faibles), et l’augmentation des substances endogènes (bilirubine et acides gras)
capables de compétitionner avec les médicaments pour les sites de liaison, peuvent aussi
contribuer à l’augmentation de la fraction libre chez les nouveau-nés.[33, 34] En résumé,
cette diminution de liaison aux protéines, peut entraîner une augmentation de la fraction
libre des médicaments et induire une majoration des effets pharmacodynamiques et
toxiques, et donc un ajustement de la dose (diminution) pourrait être nécessaire. D’autre
part, les maladies rénales et hépatiques, l’hypoprotéinémie due à la malnutrition, la fibrose
cystique, les brûlures, la chirurgie, les traumatismes et les acidoses peuvent aussi diminuer
les liaisons aux protéines plasmatiques à cause d’une diminution de la synthèse des
protéines ou de la compétition aux sites de liaison.[24]

Perméabilité membranaire

La perméabilité membranaire est particulièrement élevée chez les nouveau-nés

prématurés. La myélinisation, qui contre le passage des médicaments, continue après la
naissance.[9] La barrière hémato-encéphalique du prématuré, du nouveau-né à terme et du
nourrisson est immature, ce qui permet à certains médicaments et substances endogènes
(par exemple, bilirubine) de pénétrer plus facilement dans le système nerveux central et de
causer des toxicités. De plus, le cerveau est disproportionnellement large chez les jeunes
 17

enfants ce qui, combiné à l’immaturité de la barrière hémato-encéphalique, résulte en un

plus grand volume de distribution.[9]

Une partie de la distribution des médicaments est le résultat de la diffusion passive

des médicaments selon le gradient de concentration; une autre partie est due à la présence
de transporteurs dans les tissus. La littérature manque d’information sur l’ontogenèse des
transporteurs chez l’enfant. Quelques études rapportent l’ontogenèse de transporteurs dans
des modèles animaux. La famille des transporteurs MDR est codée par deux gènes, MDR1
et MDR3. La P-gp, codée par le gène MDR1, est un exemple de protéines d’efflux limitant
le transport de médicaments qu’elle transporte.[35] Elle a donc pour rôle de protéger le
système nerveux central tandis qu’au niveau intestinal, elle limite la biodisponibilité orale
des médicaments.[36, 37] La famille des transporteurs OAT (organic anion transporter) est
impliquée dans le transport de plusieurs médicaments comme les antibiotiques, anti-
inflammatoires et les toxines. Ce système joue un rôle important dans la protection contre
les effets toxiques des substances anioniques, d’origines environnementales ou endogènes,
en enlevant ces substances du sang par un mécanisme de transport présent dans la
membrane basolatérale des cellules épithéliales rénales. L’ontogénie du transport rénal a été
étudiée indirectement à travers la physiologie. Il a été démontré que la sécrétion des anions
organiques est faible à la naissance, augmente durant les premières semaines de la vie
néonatale puis décline vers les niveaux adultes. Cette augmentation dans la sécrétion des
anions organiques est disproportionnelle à l’augmentation de la masse rénale, et il a donc
été pensé que ceci reflète la maturation du système OAT.[9]
 18

1.2.3 Élimination
La clairance systémique est le paramètre pharmacocinétique le plus important qui
décrit l’efficacité avec laquelle les médicaments sont éliminés de l’organisme. La vitesse
d’administration et la clairance systémique déterminent la concentration moyenne à l’état
d’équilibre qui ensuite est liée à la réponse pharmacologique et/ou toxicologique.[2]

R0 FD/τ
ୱୱ ൌ ou
CL CL

Où Css est la concentration à l’équilibre, F est la biodisponibilité, τ est l’intervalle

d’administration, CL est la clairance systémique, et R0 est la vitesse de perfusion.

La clairance systémique est la somme de toutes les voies d’élimination, mais chez
les enfants, les médicaments sont principalement éliminés par le foie et/ou par les reins.[35]

 ൌ ୦é୮ୟ୲୧୯୳ୣ ൅  ୰é୬ୟ୪ୣ  ൅  ୠ୧୪୧ୟ୧୰ୣ ൅ ୟ୳୲୰ୣ

1.2.3.1 Clairance hépatique

Selon le modèle « well-stirred », la clairance hépatique est fonction des

déterminants suivants: le débit sanguin hépatique, la clairance intrinsèque (les systèmes de
transport hépatique et la biotransformation hépatique) et la liaison aux protéines
plasmatiques.[38-40] Parmi ces paramètres, la biotransformation hépatique est le facteur
sur lequel l’âge et le développement ont des effets importants.

ˆ ୪୧ୠ୰ୣ ‫ כ‬୧୬୲ǡ୪୧ୠ୰ୣ 

ୌ ൌ ୌ ‫  כ‬ୌ ൌ  ୌ ‫כ‬
ୌ ൅ ሺˆ ୪୧ୠ୰ୣ ‫ כ‬୧୬୲ǡ୪୧ୠ୰ୣ ሻ

où QH est le débit sanguin hépatique, EH est le coefficient d’extraction hépatique qui dépend
de la fraction libre (flibre), de la clairance intrinsèque de la fraction libre (CLint,libre) et du
débit hépatique.
 19

Pour les médicament avec un coefficient d’extraction hépatique faible (EH ≤0.3), le facteur
flibre *CLint,libre est négligeable devant QH et l’équation peut être simplifiée à:

ˆ ୪୧ୠ୰ୣ ‫  כ‬୧୬୲ǡ୪୧ୠ୰ୣ 

ୌ ൌ ୌ ‫  כ‬ୌ ൌ  ୌ ‫כ‬ ؆ ˆ ୪୧ୠ୰ୣ ‫ כ‬୧୬୲ǡ୪୧ୠ୰ୣ
ୌ ‫ˆ ب‬୪୧ୠ୰ୣ ‫ כ‬୧୬୲ǡ୪୧ୠ୰ୣ
Pour les médicament avec un coefficient d’extraction hépatique élevé (EH ≥0.7), la
clairance intrinsèque est plus importante que le débit sanguin, QH est négligeable devant
flibre*CLint,libre et l’équation peut être simplifiée à:
ˆ ୪୧ୠ୰ୣ ‫  כ‬୧୬୲ǡ୪୧ୠ୰ୣ
ୌ ൌ ୌ ‫  כ‬ୌ ൌ  ୌ ‫כ‬ ؆ ୌ
ୌ ‫ˆ ا‬୪୧ୠ୰ୣ ‫ כ‬୧୬୲ǡ୪୧ୠ୰ୣ

Débit sanguin hépatique

Le débit sanguin gouverne la clairance hépatique des médicaments à ratio

d’extraction élevé. Très peu d’études ont évalué le débit sanguin hépatique chez l’enfant et
il n’existe aucune donnée qui suggère que ce dernier a un impact différent dans la
population pédiatrique de celui décrit chez l’adulte.[35]

Systèmes de transport hépatique

L’ontogenèse du système de transport hépatocellulaire et de l’excrétion biliaire chez

l’humain a reçu peu d’attention. Le développement des processus de transport peut
influencer la clairance hépatique en limitant l’excrétion biliaire et/ou le taux de présentation
des médicaments aux enzymes hépatiques. L’excrétion biliaire est importante dans
l’élimination de certains médicaments (par exemple, anti-cancéreux) et des médicaments
conjugués (glucuronide, conjugués de la glutathion), et dans l’excrétion des acides biliaires
endogènes et d’autres anions organiques.[35] Les données proviennent essentiellement
d’études animales et elles suggèrent que ces systèmes sont immatures chez l’enfant.[41]
Toutefois, il faut demeurer prudent avec de telles extrapolations, puisqu’il existe peu de
modèles expérimentaux qui permettent d’étudier adéquatement le développement postnatal
humain.
 20

Biotransformation hépatique

La biotransformation hépatique est une importante voie d’élimination pour plusieurs

médicaments. En général, la biotransformation hépatique augmente l’hydrophilie des
médicaments et favorise leur élimination rénale.

La biotransformation hépatique est généralement associée à des réactions de phase I

et de phase II. Souvent, l’élimination des médicaments nécessite ces deux types de
réactions de manière séquentielle.[35]

Le profil de maturation est spécifique à chaque enzyme, ce qui signifie que la

maturation des voies de biotransformation en fonction de l’âge se fait à des vitesses
différentes.

Le profil de maturation de chacune des enzymes est spécifique à chaque individu, ce

qui se traduit par une grande variabilité interindividuelle.

Enzymes de phase I

Parmi les enzymes de phase I, celles appartenant à la famille des CYP450 sont les
plus importantes dans l’élimination de nombreux médicaments.

Chez le fœtus, le contenu total en enzymes CYP450 représente environ le tiers de

celui de l’adulte.[42] Le niveau protéique et l’activité enzymatique de la plupart des
enzymes sont extrêmement faibles, voire absents, et leur développement est déclenché par
la naissance. La maturation des enzymes CYP450 chez l’humain peut être catégorisée en
trois groupes selon le développement de leur activité enzymatique.[43]

x Les enzymes CYP450 fœtales (CYP3A7 et CYP4A1), qui sont fortement exprimées
au niveau du foie fœtal et qui sont impliquées principalement dans la
biotransformation des substances endogènes.

x Les enzymes CYP450 néonatales précoces (CYP2D6 et CYP2E1), dont l’activité

est essentiellement absente au cours de la période fœtale et apparaît rapidement dans
les heures suivant la naissance.
 21

x Les enzymes CYP450 néonatales (CYP3A4, CYP2C, CYP2B et CYP1A2) dont

l’activité apparaît au cours de la première semaine de vie.

Le Tableau 1-3 décrit l’ontogenèse de l’activité enzymatique in vitro des enzymes de la

famille CYP450 les plus importantes pour la biotransformation des médicaments.

Tableau 1-3 Activité enzymatique in vitro des cytochromes P450 au niveau de microsomes
hépatiques chez le fœtus et l’enfant de différents âges, exprimés sous forme de fraction de
l’activité adulte (nmol/min/mg microsomal protein)

Enzyme Fraction de l’activité adulte

CYP450 <24h 1-7 jours 8-28 jours 1-3 mois 3-12 mois 1-15 ans
1A2 0.12 0.10 0.20 0.39 0.46 1.10
2C2 0.02 0.03 0.42 0.31 0.29 --
2D6 0.04 0.09 0.24 -- -- --
2E1 0.21 0.31 0.36 0.46 0.39 0.80
3A4 0.08 0.13 0.29 0.34 0.43 1.08
3A7 9.5 13 6 3 2 --
Modifié d’après Alcorn et al.[24]

CYP1A2: L’activité du CYP1A2 est celle qui se développe en dernier, avec une
activité significative qui apparaît à partir de 1-3 mois [44, 45] et qui atteint 50% de celle de
l’adulte à l’âge d’un an.[46]

CYP2C: L’activité du CYP2C est absente chez le fœtus. Elle est limitée chez le
nouveau-né de moins de huit jours de vie et augmente considérablement à l’âge d’un mois
pour atteindre 50% de l’activité adulte.[47, 48] Par la suite, cette activité demeure
globalement stable au cours de la première année de vie.

CYP2D6: L’enzyme CYP2D6 constitue 2% du total des enzymes CYP450 dans le

foie adulte, mais est responsable du métabolisme de beaucoup de médicaments. L’activité
CYP2D6 démontre un grand polymorphisme génétique (5 à 10% des caucasiens sont des
métaboliseurs lents).[49] L’activité du CYP2D6 est détectable à deux semaines de vie et
 22

atteint ~ 30% de l’activité adulte à l’âge d’un mois. Sa maturation se complète vers l’âge
d’un an.[46]

CYP2E1: L’expression fœtale du CYP2E1 est incertaine mais, si elle existe, c’est en
très faible quantité. Son activité augmente immédiatement après la naissance pour atteindre
la valeur adulte vers l’âge d’un an.[47]

CYP3A: Les CYP3A4, CYP3A5 et CYP3A7 sont les principales isoformes de la

famille CYP3A. Chez le fœtus, le CYP3A7 est l’isoforme qui prédomine, avec une
expression négligeable de CYP3A4 et de CYP3A5. Après la naissance, il se produit une
inversion CYP3A7-CYP3A4, d’où une augmentation de l’activité de CYP3A4 et une
diminution de l’activité du CYP3A7 au cours de la première année de vie.[50]
Contrairement à ces observations initiales, certains auteurs suggèrent que le CYP3A7 est
produit dans le foie et l'intestin grêle de ~ 15% des adultes de race blanche.[2, 51, 52]
Quant au CYP3A5, très peu de données sont disponibles concernant son expression chez le
fœtus et l’enfant.[53, 54]

Bien que la vitesse de maturation de ces enzymes soit différente, il est connu
qu’elles sont toutes, à l’exception du CYP3A7, immatures à la naissance et qu’elles arrivent
à maturité durant la première année de vie. Par conséquent, la clairance hépatique des
médicaments éliminés par les enzymes CYP450 est faible chez le prématuré, le nouveau-né
et le jeune nourrisson, se traduisant par une demi-vie d’élimination plus longue et une
nécessité de réduire la posologie.

La clairance exprimée en fonction du poids corporel pour les médicaments

principalement éliminés par le foie, est en général plus rapide chez les enfants âgés entre 1
et 10 ans que chez les adultes. Cliniquement, cela se traduit par la nécessité d’administrer à
ce groupe d’âge pédiatrique des doses en mg/kg relativement plus élevées que chez l’adulte
afin d’obtenir la même exposition systémique en supposant que la pharmacodynamie est
pareille.[5] Les mécanismes sous-jacents expliquant cette augmentation de la clairance sont
inconnus. Les deux hypothèses principales possibles sont:
 23

x Une activité CYP450 hépatique plus grande et une masse hépatique plus importante
chez l’enfant s’accompagnant d’une capacité de biotransformation absolue plus
élevée

x Le pourcentage de la masse hépatique par rapport au poids corporel est maximal

entre l’âge d’un an et trois ans et il diminue par la suite jusqu’à l’âge adulte

Enzymes de phase II

L’ontogenèse des réactions impliquant des enzymes de la phase II est moins bien
définie que celles des réactions impliquant les enzymes de phase I. Les voies de
glucuroconjuguaison et d’acétylation sont inefficaces et immatures chez le nouveau-né et le
jeune enfant comparativement à l’adulte, alors que les sulfotransférases et les glutathion-
transférases sont bien développées et qu’elles fonctionnent efficacement dès la
naissance.[35]

Tableau 1-4 Profil de maturation des enzymes de phase II

Enzyme de Phase II Activité postnatale

Sulfotransférase Significative, presque adulte
Glutathion-S-transférase Significative, presque adulte
Uridine 5’-diphosphate glucuronyltransférase 25% de l’activité adulte à 3 mois
Activité adulte atteinte entre 6 et 30 mois
N-acétyltransférase Faible pendant les premiers mois de vie
Activité adulte atteinte après l’âge de 1 an
Modifié d’après Alcorn et al.[24]

Glutathion-S-transférase (GST) : Le GST forme une famille d’enzymes de 16 gènes

et 6 sous-familles. Au moins 3 loci génétiques (GST1, GST2, GST3) donnent lieu aux
classes mu, alpha, thêta et pi de cette famille d’enzymes. Le foie fœtal a une expression
plus limitée des enzymes GST comparé aux adultes. Une augmentation graduelle dans
l’activité GST1 associée d’une diminution de l’activité GST3 est observée au stade fœtal.
Les classes alpha et pi des enzymes GST montrent une expression intense dans les
 24

hépatocytes entre les semaines 16 et 24 de la gestation, alors que la classe alpha prédomine
dans le foie des enfants et adultes. Les données sur le développement de l'expression des
enzymes GST demeurent confuses, mais suggèrent que le développement est substrat-
dépendant et relativement bien développé chez le nourrisson.[35, 55]

Sulfotransférase (SULT) : Les SULT peuvent être décrits dans 4 catégories. Les
données sur les différents sous-types sont limitées. Les SULT1A1 sont présents au même
niveau à l’âge fœtal, néonatal et adulte. Les SULT1A3 diminuent après la naissance. Les
SULT1A2 sont faibles à l’âge fœtal et augmentent de façon stable jusqu’à atteindre le
niveau adulte. Une nouvelle famille avec expression prédominante dans le cerveau,
SULT4A, a été récemment décrite mais ses fonctions sont encore inconnues.[35, 55]

Uridine 5’-diphosphate glucuronyltransférase (UGT) : Plus que 18 enzymes,

divisées en 2 familles, UGT1A et UGT2B, selon les homologies des séquences, ont été
identifiées. UGT1A1, responsable de la glucuronidation de la bilirubine, est presque
indétectable dans le foie fœtal. L’expression enzymatique augmente indépendamment de
l’âge gestationnel directement après la naissance, et atteint le niveau adulte vers l’âge de 3 -
6 mois. L’expression d’UGT1A3 à la naissance est à 30% de la valeur adulte. L’UGT1A6
est à 1-10% du niveau adulte dans le foie fœtal, elle augmente après la naissance et atteint
50% du niveau adulte à 6 mois et son activité est complète après la puberté. Pour UGT2B7,
l’expression augmente de 10 à 20% du niveau adulte après la naissance. L’expression
d’UGT1A9 et d’UGT2B4 se régularise vers l’âge de 2 ans.[35, 55]

N-acétyltransférase (NAT) : Les données sur l’ontogenèse des NAT sont limitées.
Deux gènes ont été identifiés, NAT1 et NAT2. NAT1 est plus faible dans les échantillons
fœtaux que chez les adultes.[3, 55]
 25

1.2.3.2 Clairance rénale

La fonction rénale est fonction de trois paramètres: la filtration glomérulaire, la

sécrétion tubulaire et la réabsorption tubulaire.

୰é୬ୟ୪ୣ ൌ ୤୧୪୲୰ୟ୲୧୭୬୥୪୭୫é୰୳୪ୟ୧୰ୣ ൅ ୱéୡ୰é୲୧୭୬୲୳ୠ୳୪ୟ୧୰ୣ  ൅ ୰éୟୠୱ୭୰୮୲୧୭୬୲୳ୠ୳୪ୟ୧୰ୣ

La maturation de chacun de ces paramètres est indépendante et influence

l’élimination des médicaments.[5] La néphrogenèse commence à 8 semaines de gestation et
se termine à 36 semaines de gestation. Par contre, la croissance des tubules rénaux se
poursuit bien au-delà de la vie fœtale et elle est responsable à elle seule de l’augmentation
de la masse rénale qui se produit entre 36 semaines de gestation et l’âge adulte. Ainsi, à la
naissance, la fonction glomérulaire est plus développée que la fonction tubulaire.

En période postnatale immédiate, une augmentation rapide du taux de filtration

glomérulaire est observée, principalement liée à une augmentation du débit sanguin rénal
secondaire à l’augmentation du débit cardiaque et à la diminution de la résistance
vasculaire rénale.[6] La filtration glomérulaire est réduite chez le nouveau-né. Elle est de
15 et 40 ml/min/1.73 m2 à l’âge d’une semaine chez les nouveau-nés prématurés et à terme,
respectivement. Elle atteint les valeurs adultes (~ 100 ml/min/1.73 m2) à ~ 3 mois. Après
l’âge de 3 mois, la filtration glomérulaire peut dépasser les valeurs adultes quand exprimée
en kg. Les implications cliniques de la maturation de la fonction glomérulaire deviennent
apparentes quand on considère les médicaments principalement éliminés par filtration
glomérulaire (par exemple, les aminoglycosides). La demi-vie des aminoglycosides est
prolongée chez les nouveau-nés avec moins que 34 semaines d’âge post-conception, et leur
dose devrait être diminuée ou l’intervalle thérapeutique augmenté comparé aux nouveau-
nés à terme.[9, 55]

À la naissance, les tubules rénaux sont anatomiquement et fonctionnellement

immatures, ce qui compromet les capacités tubulaires rénales de sécrétion active et de
réabsorption. Les facteurs affectant le développement de ces fonctions comprennent la
croissance et l’augmentation de la masse tubulaire rénale, la maturation des systèmes de
 26

transport rénaux et la redistribution du débit sanguin vers des zones sécrétoires. Un

déséquilibre glomérulo-tubulaire fonctionnel en résulte et persiste jusqu’à ce que la
maturation rénale soit complétée, autour de l’âge d’un an.[6] Chez les enfants et les
adolescents, la capacité de sécrétion tubulaire peut dépasser celle des adultes. Ceci a été
observé pour l’imipenem et la digoxine.[9, 56]

La réabsorption tubulaire est un phénomène généralement passif. Plus le

médicament est liposoluble et non métabolisé, plus la réabsorption tubulaire devient
importante. Le développement de la capacité de réabsorption tubulaire demeure inconnu.[9]

Pour les médicaments principalement éliminés inchangés dans l’urine par le rein, leur
clairance chez les nouveau-nés et nourrissons est limitée par l’immaturité de la filtration
glomérulaire et la sécrétion tubulaire. Cependant, pour les nourrissons plus âgés et les
enfants, une clairance rénale plus rapide est observée comparativement aux adultes. Ceci a
été observé surtout pour la digoxine, phénytoine, carbamazepine, clindamycine, cimétidine,
morphine, chlorpheniramine, cetirizine, etc.[9] En conséquence, des doses en mg/kg
relativement plus élevées sont nécessaires pour atteindre les mêmes niveaux plasmatiques
que les adultes. Ce ratio concentration-dose plus faible chez les enfants peut être dû à
plusieurs phénomènes liés à la fonction rénale (augmentation de la capacité de sécrétion
tubulaire) ou indépendant de la fonction rénale (liaison aux protéines plus faible, liaison
tissulaire plus forte, augmentation du métabolisme hépatique). L’explication est parfois
plus difficile à cause de la maladie sous-jacente chez les enfants.[9]
 27

2 Généralités sur la modélisation pharmacocinétique

La pharmacocinétique est l’étude qualitative et quantitative du devenir du
médicament dans l’organisme auquel il est administré. Elle permet de décrire les différentes
étapes que subit le médicament depuis la libération de son principe actif jusqu’à sa
disposition au site d’action ainsi qu’à son élimination sous forme inchangée ou de
métabolites. La pharmacodynamie est l’étude de l’action exercée par les médicaments sur
l’organisme, et en particulier leur mode d’action. La modélisation pharmacocinétique
repose sur la description mathématique de l’évolution des concentrations plasmatiques
et/ou tissulaires et de la relation pharmacocinétique-pharmacodynamie d’un médicament
dans une population de patients.[57] Une définition encore plus large de ce domaine a été
récemment suggérée et qui définit la pharmacométrie en tant que «branche de la science qui
lie les modèles mathématiques de la biologie, la pharmacologie, la maladie et la
physiologie pour décrire et mesurer les interactions entre le médicament et les patients, y
compris les effets bénéfiques et les effets secondaires résultants de telles interfaces».[58]
Cette dernière définition vise à accentuer le rapport avec d'autres disciplines telles que la
pharmacologie clinique, les statistiques, l'informatique, et la pharmacologie pure, entre
autres. En effet, la pharmacométrie est une discipline qui intègre plusieurs principes de
différentes disciplines de la science quantitative avec un foyer important sur le
développement de modèles prédictifs du médicament et de la maladie. Ces modèles ont
plusieurs utilisations, mais la plus importante est probablement pour déterminer la dose
optimale, la durée et le schéma thérapeutique, pour supporter le développement du
médicament.

En pharmacométrie, les modèles sont des représentations simplifiées des différents

systèmes de l’organisme. C’est cette simplification qui les rend utiles. Donc les modèles
sont jugés par leur capacité à répondre à une question et non par le fait qu’ils soient vrais ou
faux. Différents types de modèles existent :

x Les modèles pharmacocinétiques : ils décrivent la relation entre les

concentrations des médicaments et le temps. Les modèles PK sont représentés
 28

par des compartiments considérés homogènes dans leurs caractéristiques

pharmacocinétiques. Les modèles mamillaires sont souvent représentés par un
compartiment central (plasma) avec un ou plusieurs compartiments
périphériques. En contraste, les modèles physiologiques utilisent un ou
plusieurs compartiments pour représenter un organe. Les modèles PK sont
basés sur les concentrations dans le sang ou le plasma. Les modèles
physiologiques ont en plus besoin des concentrations dans les tissus, ou de
paramètres déjà identifiés dans la littérature.
x Les modèles pharmacocinétiques/pharmacodynamiques : Ces modèles
incluent une mesure de l’effet du médicament. Ces modèles sont importants
pour faire le lien entre la PK et la réponse pharmacologique. Les paramètres
pharmacodynamiques continus peuvent être représentés par des fonctions
Emax. Les paramètres pharmacodynamiques catégoriques peuvent être
représentés par des équations logistiques qui transforment la réponse en une
probabilité. Les modèles exposition-réponse sont une autre classe des modèles
pharmacocinétiques/pharmacodynamiques où la variable indépendante n’est
pas le temps mais une variable qui décrit l’exposition du médicament à l’état
d’équilibre (dose, aire sous la courbe, concentration maximale).
x Les modèles d’évolution des maladies (Disease progression models) : Ces
modèles décrivent la progression d’une maladie, par le biais d’une mesure de
marqueur, en fonction du temps. Ces modèles décrivent la variabilité
interindividuelle dans la progression de la maladie et comment cette dernière
est influencée par le traitement ou des covariables. Ces modèles peuvent être
liés aux modèles PK pour déterminer si un médicament exerce un effet
symptomatique ou affecte la progression de la maladie.
x La « Méta-analyse » : La méta-analyse est « l’analyse des analyses ». C’est
donc l’analyse prospective de plusieurs données et résultats à partir de
différentes études pour générer des sommaires des estimés. Elle est utilisée
pour comparer l’efficacité ou la sécurité de nouveaux traitements par rapport à
 29

d’autres, telle la comparaison aux produits compétiteurs. La méta-analyse

peut aussi être utilisée dans des situations incluant des résultats mixtes (par
exemple, quelques études montrent un effet alors que d’autres ne le montrent
pas). Ces analyses peuvent décrire la pharmacodynamie ou l’évolution des
maladies, et sont souvent utilisées durant le développement des médicaments
pour prendre les décisions ˝go/no go˝. Enfin, la méta-analyse permet une
meilleure précision en augmentant le nombre de cas étudiés et de tirer une
conclusion globale.[59]

La pharmacométrie a le potentiel d’avoir un impact sur de multiples aspects de la

santé par la prise de décisions basées sur l’analyse et la synthèse de données disponibles.
L'importance de la pharmacométrie a été reconnue par les agences régulatrices, l'industrie
pharmaceutique et le milieu académique. En conséquence, (i) l'industrie pharmaceutique
incorpore la modélisation en tant qu’étape essentielle dans le processus de développement
du médicament,[10, 60-63] (ii) les agences régulatrices acceptent, demandent et exécutent
eux-mêmes leur propres analyses pharmacométriques durant le processus d'évaluation de
médicaments,[64-66] et (iii) plusieurs programmes gradués ont été ou sont en cours d'être
établis dans différentes universités.[58, 67, 68]

Dans les essais de phase I réalisés habituellement chez le volontaire sain, les études
de pharmacométrie permettent de décrire la relation concentration-réponse, de simuler pour
déterminer le design de l’étude et choisir les doses pour évaluation ultérieure. Dans les
essais de phase II réalisées chez le patient avec un nombre plus important de sujets, les
études de pharmacométrie permettent d’identifier et de confirmer les covariables
prédictives et de simuler pour déterminer le design de l’étude. Dans les essais de phase III,
les études de pharmacométrie permettent de confirmer les covariables prédictives, les
ajustements de dose et d’extrapoler à d’autres populations ou indications.

Ainsi, la pharmacométrie est concentrée sur le développement de modèles appropriés

basés sur toute la connaissance disponible. Le but de la modélisation est d’estimer les
paramètres PK et leur précision, et d’identifier les sources de variabilité au sein d’une
 30

population de patients à partir de données riches ou éparses tout en considérant globalement

les concentrations de tous les patients. Cependant, avant de modéliser, il faut répondre à la
question si le besoin y existe. Dans certains cas, une simple analyse de PK non-
compartimentale est suffisante.[57]

2.1 Méthode d’analyse classique en pharmacocinétique

Cette approche requiert moins d’hypothèses sur le modèle que celles pour l’analyse
compartimentale mais nécessite de réaliser un nombre important de prélèvements.
L’exposition d’un médicament dans l’organisme est représentée par l’aire sous la courbe
(ASC0-∞) des concentrations plasmatiques. L’ASC0-∞ est la somme de l’ASC0-t et de l’ASC
extrapolée (ASCt-∞). L’ASC0-t est calculée comme la somme des aires de chacun des
trapèzes formés par deux concentrations à des temps consécutifs, entre les temps 0 et t.[57]
L’ASCt-∞ extrapolée correspond à la dernière concentration plasmatique mesurée divisée
par la constante de vitesse d’élimination terminale (ke). Si la dernière observation dévie de
la ligne de régression, l’ASCt-∞ extrapolée basée sur les concentrations observées serait
erronée. Dans ce cas, il est conseillé de se baser sur les concentrations prédites. L’ASCt-∞
extrapolée par rapport à l’ASC0-∞ devrait idéalement être le plus petit possible. L’ASCt-∞
extrapolée ne devrait pas dépasser 20-25% de l’ASC0-∞.[57] La constante d’élimination
terminale est estimée par régression sur les dernières log-concentrations observées (3 à 4
points). Le volume de distribution à l’équilibre et durant la phase terminale, la clairance, le
temps de résidence moyen, et la demi-vie sont obtenus à partir de l’ASC, de la dose et de la
constante d’élimination terminale. La concentration maximale (Cmax) et le temps
correspondant à Cmax (tmax) sont visuellement déduits à partir des profils de concentrations
plasmatiques observées. Des comparaisons statistiques des paramètres pharmacocinétiques
peuvent être effectuées pour déterminer la différence entre différents groupes de patients.
L’analyse se fait sur les paramètres log-transformés et des intervalles de confiance sont
dérivées. Le même principe s’applique dans les études de bioéquivalence.[69]
 31

Cette analyse est effectuée chez chaque sujet de l’étude séparément pour estimer les
paramètres PK individuels. Cette méthode permet une estimation rapide et simple des
paramètres PK pour une dose donnée. Cependant, la fiabilité repose sur la qualité, la
quantité des données pour une bonne estimation de l’ASC et de ke. Idéalement, un
minimum de 3-4 demi-vies devrait être écoulées pour obtenir une estimation fiable de ke. Il
est aussi suggéré d’avoir 3-4 observations pour estimer ke même si deux points sont
suffisants pour faire passer une ligne. De plus, avec cette méthode il n’est pas possible de
prédire les concentrations en fonction du temps, de caractériser la PK des principes actifs
ayant une élimination non-linéaire ou de faire des corrélations PK/PD directes.

2.2 La pharmacocinétique de population

Ce concept a été introduit en 1972 par Sheiner et al.[70] Cette méthode permet
d’analyser globalement un ensemble d’individus et peut être réalisée à partir de données
riches et/ou éparses par individu. Cet aspect de la pharmacocinétique de population permet
d’étudier la PK d’un médicament dans des populations spéciales comme les nouveau-nés,
population gériatrique, cancer, où le nombre de prélèvements est limité pour des raisons
éthiques et médicales.[71-76] Durant le développement des médicaments, les prélèvements
sanguins sont riches et/ou épars pour les patients de la phase II alors qu’ils sont épars pour
les patients de la phase III. La PKPOP permet d’utiliser ces données pour l’étude de la PK
dans la population cible et pour la détermination de la relation entre la dose, l'exposition
(concentration), et la réponse/effets indésirables.

La principale particularité de l’approche de population réside dans le fait qu’elle

permet d’analyser simultanément les données de l’ensemble des sujets d’une étude, en
tenant compte de facteurs confondants, ou covariables, qui permettent d’expliquer une
partie des différences entre sujets. Ce modèle statistique modélise simultanément les profils
moyens dans la population et les variabilités interindividuelles, inter-occasion,
intraindividuelles et résiduelles.
 32

L’analyse de population requiert une excellente compréhension des modèles

individuels et de population pour choisir l’analyse appropriée aux données collectées.
Ainsi, le choix de la meilleure méthode d’analyse de population dépend à la fois de
l’objectif de l’étude PK et du type de données collectées. Bien que plusieurs méthodes
puissent être utilisées pour traiter ces modèles (l’approche de regroupement des données
“Naïve pooled data”, l’approche en deux étapes “Iterative two-stage”), l’approche optimale
à une étape ou modèle non-linéaire à effets mixtes (Non-linear mixed-effect model) est la
plus utilisée.

2.2.1 Approche de regroupement des données “Naïve pooled data”

Cette approche consiste à calculer la concentration moyenne à chaque temps
d’observation et créer un profil moyen des concentrations au cours du temps afin d’obtenir
un “individu moyen” (Figure 2-1). Toutes les doses et les observations sont mises ensemble
comme si elles provenaient d’un seul individu. Ce profil moyen est utilisé pour estimer les
paramètres PK. Aucune information n’est disponible sur les profils ou paramètres
individuels. Cette approche est satisfaisante si les données sont riches et si peu de
variabilité interindividuelle existe. Ceci est le cas des études animales mais est rarement
vrai chez les humains. Elle devient problématique si des données sont manquantes pour
certains individus, surtout dans les études observationnelles. Cette approche ne permet pas
l’évaluation de la variabilité interindividuelle.[77] Le regroupement de données de
différents patients peut produire une image modifiée de la réponse réelle.
 33

Figure 2-1 Profil moyen des concentrations en fonction du temps

50

40
C o n ce n tr a tio n

30

20

10

0 2 4 6 8 10 12 14

Te mp s (h e u re s )

Les cercles vides représentent les concentrations observées, les cercles pleins représentent la
concentration moyenne à chaque temps d’observation, et la ligne représente le profil moyen.

2.2.2 Approche en deux étapes “Iterative two-stage”

Les profils individuels des patients sont évalués séparément et les paramètres PK
estimés. Ces paramètres individuels sont ensuite combinés pour estimer les paramètres PK
de population (Figure 2-2). La variabilité interindividuelle des paramètres PK peut être
calculée mais elle est souvent surestimée comme l’erreur sur l’estimation des paramètres
individuels n’est pas quantifiée. Cette méthode peut être performée sur des données riches,
limitées ou une combinaison des deux.[77]
 34

Figure 2-2 Profils individuels et moyen des concentrations en fonction du temps

25

20
C o n c e n tra tio n

15

10

0
0 2 4 6 8 10 12
T e m p s (h e u re s )

Les lignes bleues représentent les profils individuels et la ligne rouge représente le profil moyen.

2.2.3 Modèles non-linéaires à effets mixtes “Non-linear mixed-effect

models”
Cette méthode consiste à analyser toutes les données (riches ou éparses) collectées
chez tous les individus de l’étude en une seule étape. Quand les données sont riches,
l’estimation des paramètres PK est semblable aux deux méthodes précédentes.

Les modèles mathématiques représentent un ensemble de relations mathématiques

(équations) décrivant le système d’intérêt. Ces modèles peuvent être utilisés pour explorer
la structure et le comportement du système sous différentes conditions. Ces relations sont le
plus souvent décrites par des fonctions non-linéaires, d’où découle le nom de ces modèles
“non-linéaires”.

Les études de pharmacocinétique regroupent d’habitude des volontaires sains sous

des conditions strictes pour minimiser la variabilité interindividuelle et avoir une
 35

population le plus homogène. Cependant, ces conditions strictes ne correspondent pas à

l’utilisation réelle du médicament. Contrairement aux méthodes traditionnelles, la
pharmacocinétique de population cherche à obtenir l’information PK pertinente pour la
population visée par le médicament et reconnaitre l’importance des sources de
variabilité.[78]

La principale particularité de cette approche réside dans le fait qu’elle quantifie

différents niveaux de variabilité pharmacocinétique tout en cherchant à expliquer ces
sources de variabilités. Les sources de variabilité qui contribuent aux différences entre les
prédictions et les résultats sont classées en variabilité interindividuelle et variabilité
résiduelle. Donc, les paramètres du modèle sont traités comme des distributions et non pas
comme des valeurs individuelles. La moyenne de cette distribution est la valeur typique du
paramètre alors que la distribution est dérivée à partir des données et elle décrit la
distribution des paramètres PK dans cette population.[79]

Une partie de la variabilité observée, variabilité interindividuelle, peut être expliquée

par des facteurs ou covariables, tels que les données démographiques (WT, sexe, âge,
race,…), environnementales (diète, cigarette,…), polymorphisme génétique (CYP2D6,
CYP2C19, CYP2C9,…), physiologiques ou pathophysiologiques (insuffisance hépatique,
insuffisance rénale, grossesse,…), entre autres. Cependant, une partie de la variabilité
interindividuelle ne peut être expliquée par aucune covariable. L’évaluation simultanée du
profil moyen (paramètre typique) ainsi que de la variabilité aléatoire est nommée “effets
mixtes”. La magnitude de la variabilité aléatoire est importante car l’efficacité et la sécurité
d’un médicament peuvent diminuer avec l’augmentation de cette variabilité inexpliquée. En
plus de la variabilité interindividuelle, la variabilité des concentrations à l’état d’équilibre
pour un même sujet est aussi importante. Les concentrations d’un sujet peuvent varier pour
des raisons inexplicables d’un jour à l’autre ou d’une semaine à l’autre (variabilité inter-
occasion), ou à cause des erreurs de mesure ou mis-spécification du modèle (variabilité
résiduelle). L’estimation de ces types de variabilité est importante pour la surveillance des
médicaments lors de l'utilisation de l'approche bayésienne empirique.[78]
 36

De nombreux logiciels d’analyse et de simulation de pharmacocinétique de

population ont été développés. NONMEM®[79] est l’outil de modélisation le plus utilisé
actuellement. Il existe aussi d’autres logiciels, tels que MONOLIX® (Lavielle et Mesa)[80],
et NLME (Pinheiro).[81]

De manière générale, le modèle PK permettant d’estimer les paramètres PK d’un

individu ‘i’ peut être écrit tel que:

’୧୨ ൌ  ൫୧ǡ – ୨ ǡ θ୧ ൯ ൅ ε୧୨

θ୧ ൌ  ሺθ୧ଵ ǡ ǥ ǡ θ୧୫ ሻ
où Cpij est la concentration prédite au temps j (tj) pour le patient i, Di représente la dose du
patient i, θi est le vecteur de m paramètres du patient i, et εij est l’erreur résiduelle associée
à la concentration j du patient i.

La variabilité interindividuelle (η i) suit une loi gaussienne ayant une moyenne nulle
et une variance Ω (ω2) qui est une matrice définie positive:

θ୧୬ ൌ  θ୘୚୬ ‫ ’š‡ כ‬൫η୧୬ ൯

൫ηଵ ǡ ǥ ǡ η୫ ൯̱ሺͲǡ ωଶ ሻ
où θTVn est la valeur typique du paramètre PK n (par exemple, clairance), et ηin l’effet
aléatoire sur le nième paramètre PK du patient i.

La variance des erreurs résiduelles peut être constante et assume donc que la
précision est égale pour toutes les mesures. Ceci est souvent le cas pour les modèle s
concentrations-effet. Dans certaines circonstances, l’erreur peut changer avec les
différentes mesures et la variance est alors proportionnelle. L’erreur proportionnelle est
utilisée si les mesures sont toujours positives et si leur précision diminue avec
l’augmentation de la valeur de la mesure. Une combinaison des deux modèles d’erreur peut
être utilisée pour améliorer la prédiction aux limites inférieures des essais où l’erreur est
considérée constante, et une erreur proportionnelle.
 37

Le but de l’étude PKPOP est d’estimer les valeurs des paramètres PK typiques, des
effets aléatoires et des erreurs résiduelles afin que les concentrations prédites aient le
maximum de vraisemblance avec les concentrations observées.

Dans les modèles non-linéaires à effets mixtes, la vraisemblance n’a pas de solution
analytique. Plusieurs algorithmes d’estimation par maximum de vraisemblance spécifique
ont donc été développés. Les premiers algorithmes étaient basés sur une linéarisation du
modèle au premier ordre autour des effets fixes comme dans l’algorithme First-Order
(FO)[70] ou autour des effets aléatoires comme dans l’algorithme First-Order Conditional
Estimation (FOCE)[82] ce qui permet de se ramener à un modèle linéaire mixte dont la
fonction de vraisemblance a une forme explicite. Par la suite, une méthode d’estimation où
la vraisemblance est calculée par une approximation de Laplace a été proposée.
Récemment, l’algorithme Maximum Likelihood Expectation Maximization (EM) a été
développé.[83] Contrairement aux algorithmes FO et FOCE, cette méthode d’estimation
exacte ne requiert pas la linéarisation des équations non-linéaires. L’étape d’estimation se
décompose en une estimation de paramètres individuels suivie de la maximisation qui
permet d’obtenir de nouvelles valeurs des paramètres, réutilisés à la première étape de
l’itération suivante jusqu’à convergence de l’algorithme.

Les différentes étapes de l’analyse de population consistent en l’identification du

modèle de base, du modèle stochastique pour quantifier les variabilités, et enfin du modèle
avec les covariables pour décrire les relations entre les paramètres PK et les covariables
mesurées.

x Modèle de base: il décrit la tendance centrale des données. Un certain nombre de

modèles peuvent être essayés selon le cas étudié. Par exemple, un-, deux-, trois-
compartiments avec absorption d’ordre zéro et/ou premier, et une élimination
linéaire ou non linéaire. Des modèles plus complexes d’absorption ou
d’élimination existent. Le choix des uns ou des autres découle des données
disponibles et de l’objectif de l’étude. Avant de choisir le modèle de base, une
étude exploratoire des données s’avère importante. Elle permet d’examiner les
 38

données et d’avoir une idée de leur structure. Cette analyse permet d’identifier les
valeurs aberrantes, la corrélation entre les variables et leur distribution. Ceci est
important car la plupart des modèles sont basés sur des assomptions sur les
distributions sous-jacentes. Les représentations graphiques des données permet
d’accomplir l’étape de l’exploration des données.
x Modèle stochastique: les variabilités sur les paramètres PK peuvent être de nature
interindividuelle, résiduelle, et parfois inter-occasionnelle.[79]
La variabilité interindividuelle: Elle quantifie l’écart entre un paramètre
typique d’une population et celui d’un individu. Cette variabilité peut être liée
à des facteurs démographiques (âge, sexe, race, etc.), environnementaux
(diète, etc.), génétiques (phénotype d’une voie métabolique), facteurs
fonctionnels (maladie concomitante, insuffisance rénale ou hépatique…),
facteurs biologiques ou chronobiologiques. Ces différents facteurs sont
appelés covariables et sont à l’origine d’une variation des paramètres
pharmacocinétiques entre individus ou, parfois même, chez un même individu
au cours du traitement.
La variabilité résiduelle: Elle fait référence à la variabilité non expliquée d’un
paramètre associée par exemple aux erreurs de mesure (variabilité due aux
méthodes analytiques, à l’imprécision des temps de prélèvements…), erreurs
du modèle, entre autres. Elle quantifie l’écart entre la valeur prédite par le
modèle et la valeur observée pour un individu.
Il est aussi possible de considérer une variabilité intraindividuelle (ou
variabilité inter-occasionnelle) qui quantifie l’écart des valeurs des paramètres
PK d’un même individu au cours du temps.
x Analyse de covariable: L’identification des covariables qui peuvent expliquer les
variabilités interindividuelles des paramètres PK, permet d’individualiser les
posologies.

Lors de l’analyse compartimentale, le choix du meilleur modèle repose sur des

considérations visuelles et statistiques. La qualité de l’ajustement entre les concentrations
 39

prédites et les concentrations observées est estimée par la valeur de la fonction objective
(OFV) qui est égale à -2*log (vraisemblance). En utilisant la même méthode d’estimation
avec la distribution χ 2 et pour un degré de liberté (modèles hiérarchiques), une diminution
de OFV de 3.84 et 10.8 témoigne d’une différence significative avec p=0.05 et 0.01,
respectivement. Dans certaines situations spéciales comme un petit nombre d’individus, les
conditions asymptomatiques ne sont pas réalisées et le test de rapport de vraisemblance
n’est plus valide. On pourrait alors utiliser des tests de permutations ou autres distributions
de la différence de -2 log-likelihood (-2LL).[84] La qualité de l’ajustement du modèle est
déterminée aussi par une distribution homogène des résidus en fonction du temps et des
prédictions, une faible erreur résiduelle du modèle et une bonne précision de l’estimation
des paramètres PK.

La dernière étape de la modélisation PK est l’évaluation qui permet de juger la

stabilité du modèle choisi, ses performances de simulation et sa capacité à répondre aux
buts initiaux de la modélisation. Cependant, les modèles qui échouent la validation sont
considérés descriptifs et servent à décrire les données utilisées pour les développer. Utiliser
le modèle pour simuler des données permet d’évaluer le modèle et de faire des inférences.
Pour faire des inférences, le modèle est utilisé pour simuler des données autres que celles
utilisées pour développer le modèle. L’interpolation implique la simulation des données
dans les limites des données initiales alors que l’extrapolation implique la simulation des
données à l’extérieur de ces limites. Une application importante des simulations est la
simulation des études cliniques. La simulation permet de déterminer la dose appropriée
pour les études «First-in-Humans», de choisir les doses pour les étapes ultérieures, de
déterminer le nombre de sujets, le nombre d’échantillons et les temps de prélèvements. La
gamme des outils de validation est large. Le «non-parametric bootstrap» et le «predictive
check» sont parmi les outils d’évaluation les plus fréquemment utilisés.

Le « non-parametric bootstrap » est une technique statistique qui permet d’évaluer

la stabilité du modèle[85] ainsi que de déterminer la précision et les erreurs standards des
paramètres.[86] Elle consiste à re-échantillonner un grand nombre de fois l’échantillon
 40

initial qui a été réellement prélevé dans la population, l’inférence statistique étant basée sur
les résultats des échantillons ainsi obtenus. La technique de bootstrap est itérative. La
première étape consiste à tirer aléatoirement avec remise n-1 individus parmi les n formant
l’échantillon initial. A chaque tirage, chaque individu possède une même probabilité de
figurer dans l’échantillon de bootstrap égale à 1/n. La seconde étape consiste à calculer la
moyenne empirique sur l’échantillon de bootstrap. Ces deux étapes sont ensuite répétées un
grand nombre de fois, typiquement 1000 et plus (N). Les N moyennes empiriques
fournissent alors une approximation de la distribution de la vraie moyenne, dont la valeur
estimée correspond à la moyenne empirique des N moyennes issues des échantillons de
bootstrap. L’estimateur ainsi obtenu est alors plus robuste que la moyenne empirique sur
l’échantillon initial. Les distributions statistiques des paramètres estimés dans le modèle
initial et dans les échantillons bootstrapés (donc N jeux de valeurs) sont comparées. Le
biais sur chaque paramètre est calculé en faisant la différence entre la valeur obtenue par le
modèle final et celle obtenue par le bootstrap. Si le biais est faible le modèle est dit robuste
aux variations aléatoires des données.

La technique qui permet d’évaluer la capacité du modèle à simuler est la méthode

appelée « predictive check ».[87] Cette méthode consiste à simuler un grand nombre de
données aléatoirement à partir du modèle établi et à comparer les simulations aux données
observées. Ceci peut se faire sur les concentrations plasmatiques ou sur un paramètre
pharmacocinétique particulier. On trace un intervalle de prédiction d’une taille donnée
(souvent 90%) dans lequel on s’attend à trouver 90% des observations; on compare ensuite
avec les observations réalisées.[88] Ces graphiques permettent de détecter des zones où le
modèle ne reproduit pas correctement les données et de suggérer des améliorations
possibles.

D’autres méthodes qui normalisent et standardisent les concentrations observées sont

aussi possibles comme le «normalised prediction distribution errors» et le «standardized
visual predictive check».[89, 90]
 41

2.3 Estimateur Bayesien

La méthode d’estimation Bayesienne permet d’utiliser un modèle pharmacocinétique
de population (information a priori) et quelques valeurs de concentrations obtenues chez le
patient ainsi que, parfois, des informations relatives à l’individu (covariables significatives
dans le modèle de population). Elle a pour objectif de déterminer les valeurs de paramètres
PK et ensuite prédire les concentrations plasmatiques. Ce modèle sert de base pour
développer un estimateur Bayesien, capable d'évaluer les paramètres pharmacocinétiques
individuels du médicament et l'exposition à ce médicament (ASC) avec stratégie de
prélèvements limités. Le but des stratégies de prélèvements limités est de déterminer le
design qui permet de collecter les données les plus informatives pour un modèle et pour
l’estimation de ses paramètres à partir de nouvelles études. L’approche générale implique le
calcul de la «Fisher information matrix». Pour les modèles non-linéaires, cette matrice peut
être calculée analytiquement en fournissant un modèle, un ensemble de paramètres et un
design candidat. L’inverse de la matrice est un estimé de la matrice de covariance. Les
racines carrées des éléments diagonaux de la matrice de covariance sont les erreurs
standards des estimés des paramètres. Le design optimal est celui qui maximise le
déterminant de la matrice Fisher et donc donne les plus faibles erreurs standards (<20%).
Le design optimal n’est pas nécessairement le design le plus désiré pour l’application
clinique. Parfois, il faut ajuster les designs pour qu’ils soient utiles en clinique.

2.4 La pharmacocinétique de population chez les enfants

Les soucis éthiques concernant les enfants ont limité la collection de données chez
cette population. L’utilisation des données de STP chez les enfants a permis la réalisation
des premières études de population.[91]

La flexibilité des temps de prélèvement pour les méthodes de population a facilité

les études chez les enfants. Des intervalles de prélèvements peuvent être définis à la place
de temps de prélèvements fixes par l’utilisation de l’information a priori et «Fisher
 42

information Matrix».[92] Malheureusement, les enfants ou leurs parents peuvent refuser les
prélèvements répétitifs. Cependant, les données manquantes peuvent toujours être utilisées
dans une étude de population pédiatrique.

Les simulations basées sur les paramètres PK et les variabilités estimées permettent
d’améliorer les études en pédiatrie. Le choix des doses pour les études cliniques peut être
fait par les simulations (clinical trial simulations).

Les enfants sont différents des adultes par deux aspects principalement: la
croissance et le développement. Ces aspects propres aux enfants sont à prendre en
considération lors de la modélisation.

x Ajustement de mesure anthropométrique: l’étendue de poids chez les enfants

est très large par rapport aux adultes. L’utilisation du poids plutôt que la
surface corporelle demeure un sujet controversé. Mais ce qui est sûr c’est
que la relation de la mesure anthropométrique avec les paramètres PK n’est
pas linéaire mais allométrique.[21, 93]

x Effet de l’âge: la maturation des fonctions rénales et hépatiques dépend de

l’âge. Elles commencent à l’âge fœtal et continuent après la naissance. Ceci
a un effet sur la clairance chez les enfants.[9, 94] La fraction d’eau
corporelle et les concentrations des protéines (albumine, globuline,
lipoprotéine, glycoprotéine) changent durant les premières années de vie de
l’enfant et affectent le volume de distribution des médicaments.[95]

Le respect des aspects particuliers en pédiatrie améliore la compréhension du

développement des médicaments et permet une utilisation plus efficace des médicaments.
 43

3 Généralités sur la pharmacogénétique

La pharmacogénétique s’intéresse à la relation entre les variations des gènes codants
pour des protéines impliquées dans l’absorption, la distribution, le métabolisme,
l’élimination (single nucleotide polymorphisms) et les effets associés sur la
pharmacocinétique ou la pharmacodynamie de médicaments.[96] La présence de
différentes formes alléliques aboutit à l’existence de génotypes homozygotes (deux copies
du même allèle) et hétérozygotes (deux allèles différents). Le phénotype résulte de
l’interaction des 2 allèles, d’une manière additive (les hétérozygotes ayant un phénotype à
mi-chemin des homozygotes) ou multiplicative. Dans le cas le plus simple, un allèle, dit
allèle dominant, peut complètement masquer l’effet des autres, dits allèles récessifs.

Dans les essais de phase I réalisés habituellement chez le volontaire sain, les études
pharmacocinétiques et pharmacodynamiques permettent de déterminer la dose maximale
tolérée. Dans les essais de phase II réalisées chez le patient avec un nombre plus important
de sujets, les études pharmacocinétiques et pharmacodynamiques permettent d’évaluer
l’efficacité et l’influence de covariables sur la relation dose-réponse. Les études
pharmacogénétiques dans ces premières phases du développement permettent d’évaluer,
pour des protéines clés, l’impact de polymorphismes génétiques sur la réponse au
médicament et le cas échéant d’influer sur la sélection des patients dans les essais de phase
III. Ces dernières sont des étapes clés du développement du médicament qui impliquent de
très larges effectifs. A ce stade, les études pharmacogénétiques permettent de considérer un
plus grand nombre de polymorphismes et de quantifier la part de la variabilité
interindividuelle associée à ces polymorphismes. Après la mise sur le marché, les études
pharmacogénétiques permettent d’améliorer la compréhension de la relation entre
l’efficacité et/ou la toxicité du médicament et les polymorphismes.

La pharmacogénétique apporte au clinicien un nouvel outil potentiel permettant la prise

de décisions thérapeutiques rationnelles se basant sur des spécificités individuelles. Dans le
domaine de la transplantation, les principales études réalisées ces dernières années se sont
 44

intéressées aux inhibiteurs de la calcineurine, en raison de la découverte de

polymorphismes au niveau des gènes codant pour les CYP3A4/5 et la P -gp. Ces études se
justifient d’autant plus que ces agents présentent une grande variabilité pharmacocinétique
ainsi que des marges thérapeutiques étroites, rendant leur utilisation clinique délicate,
malgré un suivi régulier des concentrations sanguines. Toutes les enzymes intervenant dans
le métabolisme des médicaments sont génétiquement régulées. On cite les CYP450
(enzymes de métabolisme de phase 1), les glutathion-S-transférases, les uridine
diphosphate-glucuronosyltransférases (enzymes de métabolisme de phase 2) et enfin les
transporteurs avec la P-gp (transporteur d’efflux), la protéine MRP2 (transporteur d’efflux),
les OATPs (transporteurs d’influx). Aucun polymorphisme de la P-gp ne résulte en une
perte totale d’expression ou de fonction de la P-gp mais certains polymorphismes sont
susceptibles d’expliquer une partie de la variabilité interindividuelle de sa capacité de
transport. Dans cette section, nous aborderons surtout le polymorphisme des enzymes
impliquées dans le métabolisme du busulfan, du voriconazole et du tacrolimus.

3.1 Pharmacogénétique du CYP3A

Le CYP3A4 est l’isoenzyme la plus abondante dans le foie et les intestins. Elle est
responsable du métabolisme de 50-60% des médicaments couramment prescrits, incluant
dans le domaine de la transplantation le voriconazole et le tacrolimus.[97] Le CYP345, qui
partage un profil de substrats assez semblable au CYP3A4, n’est exprimé que dans une
minorité de la population.[98]

Il existe une grande variabilité interindividuelle au niveau de l’expression et de

l’activité catalytique du CYP3A4. Cette variabilité est caractérisée par une distribution de
type unimodale, suggérant la contribution de multiples facteurs génétiques, physiologiques
et environnementaux.[99] L’allèle sauvage est dénommé CYP3A4*1. La fréquence de la
plupart des variantes alléliques est faible et la majorité d’entre eux ne semblent pas être
associés à des modifications de l’expression de ce cytochrome. L’allèle muté le plus connu
 45

est appelé CYP3A4*1B. La fréquence de cette allèle varie selon les ethnies, elle est de 0%
chez les Asiatiques, 2-10% chez les Caucasiens et 35-67% chez les Africains-
américains.[100] L’allèle CYP3A4*1B a été associé à une augmentation de la transcription
du gène in vitro,[101] mais ces observations n’ont pas été confirmées par d’autres
investigateurs.[102, 103]

L’expression du CYP3A5 suit une distribution de type bimodale, indiquant la présence

d’un polymorphisme génétique classique. L’allèle sauvage est appelé CYP3A5*1. L’allèle
muté, le plus fréquent, dénommé CYP3A5*3, conduit à la formation d’un ARNm aberrant.
Au moins un allèle sauvage CYP3A5*1 est requis pour exprimer ce cytochrome, tandis que
le génotype homozygote muté CYP3A5*3/*3 conduit à une absence de son expression.[2,
104] L’allèle muté est nettement plus fréquent que l’allèle sauvage, soit 85-95% chez les
Caucasiens, 65-85% chez les Asiatiques et 27-55% chez les Africains-américains, indiquant
qu’une majorité d’individus n’expriment pas de CYP3A5 parmi ces populations. Un autre
polymorphisme plus rare a également été identifié au niveau du gène CYP3A5 (allèle
CYP3A5*6) mais qui n’est pratiquement pas observé chez les Caucasiens et Asiatiques,
mais est plus fréquemment rencontré chez les Africains-américains (13%).[2]

3.2 Pharmacogénétique du CYP2C

Le CYP2C19 est en termes d'abondance, une isoenzyme relativement mineure où elle
contribue pour moins de 5% des CYP450s hépatiques totaux. La réaction classiquement
associée à l'activité du CYP2C19 est l'hydroxylation de la S-méphénytoine. Le CYP2C19
est une enzyme hépatique impliquée dans le métabolisme de quelques médicaments,
incluant dans le domaine de la transplantation le voriconazole. Il existe 3 principaux
polymorphismes génétiques, le variant CYP2C19*2, le variant CYP2C19*3 et le variant
CYP2C19*17. Les individus définis comme déficients en CYP2C19 sont porteurs de deux
variantes alléliques. La diminution d'activité du CYP2C19 apparaît plus commune auprès
des orientaux que des européens. La fréquence des métaboliseurs lents chez les Caucasiens
 46

est de 2.2% avec absence de l’enzyme.[105] Les allèles CYP2C19*2 et CYP2C19*3 sont
responsables de la majorité des allèles retrouvés chez les métaboliseurs lents; chez les
asiatiques, le CYP2C19*3 est particulièrement présent.[106]

Parmi les membres de la sous-famille CYP2C, le CYP2C9 est le plus hautement

exprimé dans le tissu hépatique. Cette isoenzyme est probablement la seconde en
importance en termes d'expression protéique hépatique après le CYP3A4. Le CYP2C9 est
une enzyme hépatique impliquée dans le métabolisme de plusieurs médicaments, incluant
dans le domaine de la transplantation le voriconazole. Il existe deux principaux
polymorphismes génétiques à l’origine d’une diminution de l’activité enzymatique
définissant l’existence de métaboliseurs lents (2 allèles mutés) ou rapides (1 ou 2 allèles
fonctionnels). Les métaboliseurs lents (CYP2C9*2 et CYP2C9*3) sont très rares (< 1% des
Caucasiens).[107]

3.3 Pharmacogénétique des glutathion-S-transférases

Le glutathion-S-transférase (GST) comprend plusieurs isoenzymes dont
principalement : mu (GSTM), theta (GSTT), pi (GSTP), et alpha (GSTA). Les GSTM1,
GSTT1, GSTP1 et GSTA1 présentent des polymorphismes qui résultent en une réduction
ou absence de l’activité ou de l’expression de l’enzyme.[108] Les polymorphismes du
GSTM1 et GSTT1 (null genotype), GSTP1, et GSTA1 existent chez 23 – 62%, 10 – 64%, 4
- 12%, et 2 - 14% de la population, respectivement.[109-111]
 47

4 Généralités sur le busulfan

Le busulfan (diméthyl-sulfonoxy-1,4-diméthane) est un agent alkylant généralement
utilisé en combinaison avec d’autres agents de chimiothérapie (cyclophosphamide) dans le
cadre du conditionnement pré-greffe des cellules souches hématopoïétiques. Le busulfan
est utilisé comme substitut à l’irradiation corporelle car cette dernière provoque de sérieux
effets indésirables chez l’enfant parmi lesquels: retard de croissance, hypothyroïdie, et
cataracte.[112-114]

Le busulfan, à forte dose, induit la mort cellulaire en alkylant les acides nucléaires pour
inhiber la transcription et la réplication des régions d’ADN concernées.[115] Le caractère
lipophile du busulfan lui confère sa forte myélotoxicité.

Le busulfan était initialement disponible juste sous forme orale. En 1999, la FDA a
approuvé la formulation intraveineuse.

4.1 Pharmacocinétique du busulfan

La PK du busulfan présente une grande variabilité interindividuelle surtout chez les
enfants. Plusieurs études ont décrit les paramètres PK de cette molécule.

4.1.1 Absorption
Le busulfan est rapidement absorbé après administration orale. La concentration
maximale est atteinte entre 1.5 et 2.5 heures.

La biodisponibilité du busulfan est très variable, surtout chez les enfants.[116] Elle
est estimée entre 22% et 120%, chez les enfants de 1.5 à 6 ans. Chez les patients de 13 à 60
ans, la biodisponibilité varie de 47% à 103%.[117] Cette grande variabilité est liée en partie
à la forme d’administration (comprimés, comprimés écrasés et mis en solution ou
 48

administrés avec de la compote ou du jus de fruits) ainsi qu’à l’administration concomitante

avec les aliments.

L’absorption du busulfan a été décrite par un modèle d’ordre zéro[118] ainsi que
par un modèle de premier ordre.[119, 120] Certains patients expérimentent une absorption
retardée ou une élimination prolongée.[118]

4.1.2 Distribution
Le busulfan est faiblement lié aux protéines plasmatiques. Moins que 5% du
busulfan est réversiblement lié aux protéines plasmatiques alors que 30% sont
irréversiblement liés.[121]

La pharmacocinétique du busulfan suit un modèle mono-compartimental. Après

injection intraveineuse, le volume de distribution correspond au compartiment aqueux de
l’organisme, et la différence entre les adultes et les enfants correspond exactement à celle
rapportée pour le volume d’eau totale. Ceci peut indiquer que malgré le caractère très
lipophile du busulfan, il se distribue dans l’eau totale.[117, 118] Le volume de distribution
du busulfan oral est plus élevé chez les enfants que chez les adultes.[122]

Le busulfan, à fortes doses, se distribue dans le liquide céphalo-rachidien ce qui

explique sa toxicité au niveau du système nerveux central.[116, 118]

4.1.3 Élimination
Le busulfan est métabolisé principalement par conjugaison au glutathion. Cette
réaction est catalysée par les glutathion-S-transférases hépatiques. Aucun des métabolites
ne semble contribuer significativement à l’efficacité et à la toxicité. Les métabolites sont
éliminés par voie rénale alors que la molécule mère est éliminée par voie biliaire.
 49

GSTA1-1 est l’isoforme prédominante qui catalyse la conjugaison du busulfan avec

le glutathion.[123] Ainsi, l’extraction pré-systémique du busulfan résulte en une
biodisponibilité diminuée et variable en fonction de la capacité métabolique du foie.
Plusieurs polymorphismes ont été identifiés au niveau de la GSTA1. Cependant, les
résultats sont contradictoires sur la relation entre ces polymorphismes génétiques et la
clairance du busulfan.[124-128]

La clairance moyenne du busulfan (normalisée au poids corporel total) chez les

enfants a été estimée à 3.62 ml/min/kg. Cette valeur est plus élevée que celle observée chez
les adultes de la même population. La différence n’est pas significative quand la clairance
est normalisée à la surface corporelle.[116]

La variabilité interindividuelle au niveau de la clairance affecte l’exposition

systémique du busulfan et impacte les résultats cliniques. Cette variabilité peut être
expliquée par plusieurs facteurs: âge, pathologie, biodisponibilité, fonction hépatique et
rythme circadien.[116, 117, 129, 130]

4.2 Interactions médicamenteuses

L’association du busulfan avec la phénytoïne doit être utilisée avec précaution: La
phénytoïne induit le métabolisme du busulfan et diminue son exposition systémique.[116,
131] Une majoration de la neurotoxicité a été décrite pour le busulfan en association avec la
phénytoïne. Le mécanisme semble être une augmentation du métabolisme hépatique, avec
formation de métabolites toxiques. De l’autre côté, des concentrations sous-thérapeutiques
de la phénytoïne ont été observée lorsque administrée avec le busulfan. [116, 131] Par
contre, dans la pratique clinique, la phénytoïne est parfois administrée pour prévenir les
épilepsies causées par le busulfan. Cette combinaison est accompagnée de STP des 2
molécules.

L’association du busulfan avec le vaccin contre la fièvre jaune est contre-indiquée:

risque de maladie vaccinale généralisée mortelle.
 50

Certaines associations sont déconseillées comme avec l’itraconazole : réduction de

la clairance du busulfan de 20 %.

L’acétaminophène peut diminuer les taux de glutathion dans le sang et les tissus, et
par conséquent diminuer la clairance du busulfan.

D’autres associations sont à prendre en compte comme avec la cyclosporine ou le

tacrolimus: Immunodépression excessive avec risque de lymphoprolifération.
 51

4.3 Pharmacocinétique de population du busulfan

Plusieurs études de pharmacocinétique de population du busulfan ont été publiées.
Ces études permettent l’identification de variables influençant la PK du busulfan et
permettent en conséquence l’individualisation des posologies. Un résumé des études et des
paramètres PK du busulfan en greffe hématopoïétiques est présenté dans le Tableau 4-1.

Tableau 4-1 Résumé des paramètres PK du busulfan chez les enfants greffés du foie
BSV BSV
Âge
Référence n Paramètres Pharmacocinétiques CL V
(années)
(%) (%)
Modèle avec BSA: CL = 4.2 (l/h/m2)
Tram et Modèle avec WT allométrique : CL = 4.1 (l/h/kg 0.75)
94 0.4-18.8
al.[132] V = 18.4 (l/kg)
F = 93 – 99 (%)
Nguyen et CL = 4.57 + 2.97*(LOG(WT) - 3) (l/h)
24 0.45-16.7 19 12
al.[133] V ~ WT
Zwaveling et CL = 4.8*(WT/19)0.84
77 0.2-23 24 28
al.[125] V = 15*(WT/19)0.98
Age ≤ 4 ans : CL = 0.288*WT (l/h)
Johnson et Age > 4 ans : CL = 0.173*WT (l/h)
29 0.08-18.3 24.7 11.1
al.[126] GSTA1*B: CL *0.704 (l/h)
V = 0.682*WT (l)
Booth et CL = 4.04 *(WT/20)0.742 (l/h)
24 -- 23 10.9
al.[134] V = 12.8*(WT/20)0.843 (l)
Nakamura et CL/F = 3.25*(AGE/18)0.376 *(AST/29)-0.161 *0.787DIS (l/h)
103 0.2-11 31.2 13.6
al.[135] V/F = 9.07*(1+0.0736*(WT-10)) (l)
Schiltmeyer CL/F = 4.13*BSA (l/h/m2)
48 0.4-18.1 26 31
et al.[136] V/F = 21.3*BSA (l/m2)
AST = alanine aminotransférase; BSA = surface corporelle; BSV = variabilité interindividuelle; CL =
clairance systémique; CL/F = clairance orale apparente; DIS = maladie maligne (oui=1, non=0); F =
biodisponibilité; GSTA1*B = génotype de la glutathion-S-transférase; n = nombre de patients; V = volume de
distribution; WT = poids corporel.
 52

L'Agence européenne des médicaments (EMA) recommande pour le busulfan

intraveineux un dosage en fonction du poids, avec 5 groupes définis selon Nguyen, et
comprend: (i) 1 mg/kg pour les patients <9 kg; (ii) 1.2 mg/kg pour les patients 9 à <16 kg,
(iii) 1.1 mg/kg pour les patients 16 à <23 kg; (iv) 0.95 mg/kg pour les patients 23 à <34 kg,
et (v) 0.8 mg/kg pour les patients > 34 kg.[137, 138] Ces recommandations basées sur le
poids sont appuyées par plusieurs études de POPPK.[125, 126, 133, 134] En revanche, des
études chez l'enfant ont montré que les valeurs de l'ASC similaires à ceux observés chez les
adultes peuvent être réalisées lorsque le busulfan est dosé selon la surface corporelle.[132,
136] De plus, l’effet du polymorphisme de la GST demeure controversé comme le montrent
plusieurs études.[125, 126, 132, 139] Tous ces résultats montrent que plus d’études sont
nécessaires pour confirmer les paramètres impliqués dans la cinétique du busulfan.
 53

5 Généralités sur le voriconazole

Le voriconazole est un nouvel antifongique triazole à large spectre. Il est utilisé comme
traitement de première ligne pour l’aspergillose invasive et d’autres infections fongiques
graves.

Le voriconazole produit une inhibition sélective du 14α-stérol déméthylase (enzyme

dépendante du CYP450 fongique, CYP450 14DM) duquel dépend la synthèse de
l’ergostérol. L’ergostérol est un élément essentiel de la membrane cellulaire fongique, qui
régule sa fluidité, sa perméabilité, ainsi que l’activité des enzymes s’y attachant.[140]
L’inhibition de la 14α-stérol déméthylase produit une déplétion de l’ergostérol puis
l’interruption de l’intégrité et de la fonction de la membrane cellulaire fongique et une
accumulation de précurseurs stérols toxiques.[141]

Des études in vitro ont démontré une activité du voriconazole contre les Candida spp,
incluant Candida albicans, Candida glabrata, Candida krusei, Candida neoformans,
Candida parapsilosis, et Candida tropicalis.[142]

Le voriconazole a montré une activité fongicide contre les espèces suivantes :

Aspergillus flavus, Aspergillus fumigatus, Aspergillus terreus, Fusarium oxysporum,
Fusarium solani, Scedosporium apiospermum, Scedosporiumprolificans.[142]

Le voriconazole est disponible en fiole pour administration intraveineuse (fiole de

200 mg) et en comprimés pour administration orale (50 et 200 mg).

5.1 Pharmacocinétique du voriconazole

La pharmacocinétique du voriconazole a été étudiée après administrations IV, orale et
IV-à-orale chez des sujets en bonne santé[143-145] ainsi que chez des patients à risque
d’infections fongiques.[146] Une grande variabilité inter- et intraindividuelle dans les
 54

concentrations plasmatiques du voriconazole existe quelle que soit la forme

d’administration et la population.[143, 147, 148]

Une exposition faible au voriconazole est associée à un échec thérapeutique chez les
patients atteints d’une aspergillose, alors qu’une exposition élevée est associée à une
augmentation du risque de toxicités oculaires et des encéphalopathies.[147, 149, 150] Le
suivi thérapeutique pharmacologique est actuellement pratiqué pour optimiser les thérapies
avec voriconazole. L’ASC est le paramètre PK le plus utilisé pour caractériser l’exposition
totale au médicament.

5.1.1 Absorption
Le voriconazole est rapidement absorbé après administration orale et la
concentration maximale est atteinte en 2 heures.[143] La biodisponibilité du voriconazole
est estimée à plus que 90% et n’est pas affectée par le pH gastrique. Cette biodisponibilité
élevée permet le passage de la forme IV à la forme orale chez les patients.

5.1.2 Distribution
Le voriconazole se lie à 58% aux protéines plasmatiques.[151] Il a un grand volume
de distribution ce qui suggère une distribution dans les compartiments intra- et
extracellulaires. Le volume de distribution du voriconazole à l’état d’équilibre est de 4.6
L/kg.[144]

5.1.3 Élimination
Le voriconazole est éliminé par métabolisme : moins que 2% d’une dose
intraveineuse sont éliminés sous forme inchangée dans les urines. Il est métabolisé par N-
oxydation dans le foie par le CYP2C19, majoritairement, et à moindre taux par les
 55

CYP3A4 et CYP2C9. Le voriconazole est transformé en 8 métabolites avec le N-oxide qui

y compte pour 72%, formé par les cytochromes hépatiques.[7, 71, 152]

Le polymorphisme génétique du CYP2C19 peut être lié à une partie de la variabilité

interindividuelle du voriconazole. Des métaboliseurs lents et rapides du voriconazole
peuvent être identifiés.[71] Les mutations du CYP3A4 ont été rapportées. L’allèle
CYP3A4*1B a été associé à une augmentation de la transcription du gène in vitro,[101]
mais ces observations n’ont pas été confirmées par d’autres investigateurs qui n’ont pas
observé de modifications au niveau de l’expression de la protéine ou de son activité
enzymatique.[102, 103] Ces polymorphismes sont donc rares et considérés avoir peu
d’impact sur la clairance des substrats du CYP3A4.[100] Comme le voriconazole est peu
métabolisé par le CYP2C9, il est peu affecté par son polymorphisme. De plus, les
métaboliseurs lents (CYP2C9*2 et CYP2C9*3) sont très rares (< 1% des Caucasiens).[107]

La clairance moyenne a été estimée entre 13 et 36 L/h après administration

intraveineuse d’une dose de maintien de 3mg/kg.[153]

Comme le voriconazole est éliminé principalement par métabolisme, il est possible

qu’une saturation de la clairance métabolique soit la cause de non-linéarité dans sa
cinétique.[154]

5.2 Interactions médicamenteuses

Le voriconazole est principalement métabolisé par les CYP2C19 et CYP3A4. Les
inhibiteurs ou inducteurs de ces 2 derniers enzymes sont supposés affecter la cinétique du
voriconazole. D’un autre côté, en considérant ses congénères (miconazole, fluconazole,
ketoconazole et itraconazole), le voriconazole a le potentiel de modifier la cinétique des
médicaments coadministrés.
 56

i) Médicaments qui affectent le métabolisme du voriconazole et diminuent sa

concentration:

Les inducteurs des enzymes CYP2C19 et CYP3A4 causent une diminution de la

concentration de voriconazole. Parmi ces médicaments on cite : rifampicine, rifabutine,
phénytoïne, carbamazépine.[142]

ii) Médicaments dont le métabolisme est affecté par le voriconazole

Le potentiel du voriconazole à inhiber ou induire l’activité des enzymes CYP3A4,

CYP2C9, CYP2C19 et du P-gp n’a pas été élucidée. Cependant le voriconazole augmente
la concentration de plusieurs médicaments même si le mécanisme d’interaction n’est pas
rapporté. Il est contre indiqué d’administrer le voriconazole avec le sirolimus et les
alcaloïdes d’ergot à cause d’une possibilité d’ergotisme. Des torsades de pointe et
prolongation de l’intervalle QT peuvent être provoqués lors de l’administration avec la
quinidine et pimozide.[142] D’autres interactions sont possibles avec les médicaments pour
HIV, cyclosporine, oméprazole, entre autres. De plus, le voriconazole augmente les
concentrations de la rifabutine et phénytoïne ce qui nécessite un suivi thérapeutique de ces
médicaments.[142]
 57

5.3 Pharmacocinétique de population du voriconazole

Peu d’études de pharmacocinétique de population du voriconazole ont été publiées.
Un résumé des études et des paramètres PK du voriconazole chez les enfants est présenté
dans le Tableau 5-1.

Tableau 5-1 Résumé des paramètres PK du voriconazole chez les enfants

BSV BSV
Référence n Paramètres Pharmacocinétiques CL V
(%) (%)
CL = 0.582 l/h/kg ~WT (chez les patients EMs)
Diminution de la CL pour HEMs/PMs (%) = 35.5
Log(ALT) sur CL = -0.0931
Vc = 0.807 l/kg ~WT
Karlsson et
82 Q = 0.609 l/h/kg ~ WT 52.8 --
al.[155]
Vp = 2.17 l/kg ~ WT
Km = 3.030 (ng/ml)
Ka = 0.849 (1/h)
F = 44.6 (%)
CL = 0.4 l/h/kg ~ WT, log(ALT), log(ALKP), polymorphisme
CYP2C19
Walsh et
35 Vc = 0.8 l/kg ~WT 66.5 --
al.[156]
Q = 0.64 l/h/kg ~ WT
Vp = 1.7 l/kg ~ WT
ALT = alanine aminotransférase; ALKP = alkaline phosphatase; BSV = variabilité interindividuelle; CL =
clairance; EMs = métaboliseurs extensifs homozygotes, F = biodisponibilité; HEMs = métaboliseurs extensifs
hétérozygotes , Ka = taux d’absorption; n = nombre de patients; PMs = métaboliseurs lents homozygotes, Q =
clairance intercompartimentale; Vc = volume de distribution; Vp = volume de distribution périphérique; WT
= poids corporel.

Les résultats des études de pharmacocinétique de population du voriconazole

montrent que les paramètres PK varient en fonction du poids. La cinétique du voriconazole
est non-linéaire selon Karlsson et al.[155]; alors que les résultats de l’étude de Walsh et
al.[156] montrent une cinétique linéaire. Les variabilités interindividuelles sur la clairance
 58

restent élevées (>50%) ce qui implique le besoin de plus d’études pour mieux l’expliquer.
Cependant, selon les études publiées, le polymorphisme du CYP2C19 affecte la clairance
du voriconazole.
 59

6 Généralités sur le tacrolimus

Le tacrolimus a été découvert en 1987 par des chercheurs japonais. Comme la
cyclosporine, il a été identifié dans le sol où il est synthétisé par une bactérie ''Streptomyces
tsukubaensis''.[157, 158]

Le tacrolimus est un immunosuppresseur puissant qui agit en inhibant l’activité

phosphatase de la calcineurine. Cette inhibition conduit au blocage de la prolifération des
cellules T et de la transcription du gène de l'interleukine-2, conduisant à une réduction
marquée de l'activité des lymphocytes T effecteurs.[159] Bien que ce mode d'action soit
similaire à celui de la cyclosporine, plusieurs études ont prouvé une efficacité supérieure du
tacrolimus dans la prévention du rejet de greffe et la réduction de l’usage des
corticostéroïdes. Ce dernier aspect est particulièrement important dans la transplantation
chez les enfants.[160-162]

Le tacrolimus est utilisé dans la grande majorité des transplantations: cœur,[163]

intestin grêle,[164] pancréas,[165] poumon,[166] foie,[161, 167-169] rein,[170] et dans la
greffe de la moelle osseuse.[171]

Le tacrolimus est disponible sous forme intraveineuse (5 mg/ml), capsules (0.5, 1 et

5 mg), et capsules à effet prolongé (0.5, 1, 3 et 5 mg).

6.1 Pharmacocinétique du tacrolimus

La pharmacocinétique du tacrolimus présente une grande variabilité inter- et
intraindividuelle, d’où la nécessité d’ajuster les doses par un suivi thérapeutique.[7]
Récemment, la PK du tacrolimus a été revue par plusieurs études en utilisant des méthodes
analytiques différentes.[7, 152, 172-175] Pour interpréter les résultats, il faut prendre en
compte la méthode analytique et la matrice biologique utilisées. Une différence existe entre
les concentrations du tacrolimus dans le sang et les concentrations plasmatiques à cause de
sa distribution dans les érythrocytes. De plus, la population pédiatrique se distingue par des
 60

différences physiologiques par rapport aux adultes comme la composition corporelle

(eau/graisse), perméabilité membranaire, protéines plasmatiques et activité
métabolique.[176] Ces particularités pourraient expliquer certaines variations dans la PK du
tacrolimus.

6.1.1 Absorption
Le tacrolimus est rapidement absorbé après administration orale. La concentration
maximale est atteinte en 2 heures chez les enfants. La biodisponibilité du tacrolimus est
généralement faible. Chez les enfants ayant subi une transplantation hépatique, elle a été
estimée en moyenne à 25% et varie de 3 à 77%.[175]

Le tacrolimus est un substrat de l’isoforme CYP3A4 et sa faible biodisponibilité

peut être liée au métabolisme pré-systémique dans la membrane intestinale et dans le
foie.[174]

6.1.2 Distribution
Le tacrolimus se lie fortement aux érythrocytes et la fraction sang/plasma varie de 4
à 114[7, 152] et aux protéines, surtout l’albumine et l’α1-glycoprotéine. La distribution
entre le plasma et les érythrocytes dépend de la concentration du tacrolimus et est affectée
par plusieurs paramètres: l’hématocrite et la concentration des protéines plasmatiques.[177,
178] La concentration des protéines et le nombre des érythrocytes augmentent durant les
premiers mois après la transplantation ce qui pourrait affecter la distribution et l’élimination
du tacrolimus.[179] En transplantation hépatique, le volume de distribution du tacrolimus
chez les enfants peut atteindre 1.8 fois celui des adultes.[180]
 61

6.1.3 Élimination
Le tacrolimus est éliminé de façon linéaire par métabolisme: moins que 1% d’une
dose intraveineuse est éliminé sous forme inchangée dans les urines.[7, 152] Il est
métabolisé par le CYP3A4 et CYP3A5 dans le foie et dans la paroi intestinale pour former
au moins 10 métabolites inactifs.[32, 181-183] Les voies métaboliques sont la O-
déméthylation principalement, puis l’hydroxylation et la glucuronidation. La faible affinité
et la capacité du CYP3A7 pour le tacrolimus suggèrent que cette enzyme ne jouerait aucun
rôle dans le métabolisme du tacrolimus in vivo.[52]

La voie oxydative catalysée par les enzymes CYP450 est immature durant les
premiers mois après la naissance et atteint une activité importante entre 6 et 12 mois, qui
peut être plus élevée que l’activité moyenne chez l’adulte. Cette maturation graduelle de
l’activité enzymatique durant les premiers mois après la naissance contribue
significativement à la variabilité interindividuelle du taux d’élimination du tacrolimus chez
les enfants.

La clairance moyenne du tacrolimus (normalisée au poids corporel total) chez les

enfants ayant subi une transplantation hépatique a été estimée à 0.14 l/h/kg après
administration intraveineuse.[175] Cette valeur est deux fois plus élevée que celle observée
chez les adultes de la même population. Ce qui suggère que les enfants ont besoin au moins
du double de la dose des adultes pour atteindre la même exposition systémique.

La clairance du tacrolimus augmente avec le temps chez les enfants ayant subi une
transplantation hépatique[7] et diminue en cas d’infection par le virus de l’hépatite C.[178]
Des ajustements de la dose en découlent.
 62

6.2 Interactions médicamenteuses

L’interaction médicamenteuse entre le tacrolimus et les autres médicaments se fait
surtout à 2 niveaux :

i) Médicaments qui affectent l’absorption et le métabolisme du tacrolimus:

Le tacrolimus est métabolisé par les CYP3As. Les inducteurs ou les inhibiteurs de ces
enzymes causent une diminution ou une augmentation de la concentration de tacrolimus.
Les conséquences sont un rejet de greffe dans le premier cas (phénytoine, phénobarbital,
carbamazépine, et primidone)[184] et une augmentation du risque de toxicité dans le
deuxième cas (érythromycine,[185] clarithromycine,[186] clotrimazole,[187]
fluconazole,[188, 189] kétoconazole,[173] itraconazole,[190] nifédipine,[191]
diltiazem,[192] chloramphénicol,[193] et corticostéroïdes[184]). L’association de la
rifampine avec le tacrolimus provoque une diminution des concentrations du dernier.[56]

ii) Médicaments qui diminuent la fonction rénale

L’administration concomitante du tacrolimus et des anti-inflammatoires non stéroïdiens

peut causer une augmentation de la néphrotoxicité du tacrolimus due à la diminution de la
synthèse de la prostaglandine.[184] De plus, l’administration simultanée du tacrolimus et
des inhibiteurs de l’enzyme de conversion de l’angiotensine peut causer une insuffisance
rénale à cause de leur effet additif sur l’augmentation du taux de potassium.[184]
 63

6.3 Pharmacocinétique de population du tacrolimus

Plusieurs études de pharmacocinétique de population du tacrolimus ont été publiées.
Ces études permettent l’identification de variables influençant la PK du tacrolimus et
permettent en conséquence l’individualisation des posologies. Un résumé des études et des
paramètres PK du tacrolimus chez les enfants greffés est présenté dans le Tableau 6-1.

Tableau 6-1 Résumé des paramètres PK du tacrolimus chez les enfants greffés du foie
BSV BSV
Référence n Paramètres Pharmacocinétiques CL V
(%) (%)
CL= (0.0749+0.000457*POD)*(15*(WT/15)0.290) (l/h)
Yasuhara et
33 V= 2.76*(15*(WT/15)0.290) (l) 52.1 27.4
al.[7]
F= 19% (fixed)
CL= 1.46*(1+0.339*(AGE–2.25) (l/h)
Sam et V= 39.1*[1+4.57*(BSA–0.49)] (l)
20 33.5 33.0
al.[173] BILI <200 μmol/l: F= 0.197*(1+0.0887*WT–11.4) (%)
BILI ≥200 μmol/l: F= 0.197*(1+0.0887*WT–11.4)*1.61 (%)
CL/Fwhole liver = 44 (l/h)
Staatz et
35 CL/Fcut-down liver = 5.75 (l/h) 110 297
al.[194]
V/F= 617 (l)
Garcia
Sanchez et 18 CL/F= 10.4*(WT/70)0.75*e(–0.00032 T)*e(–0.057 BILI)*(1–0.079*ALT) (l/h) 24.3 --
al.[193]
Wallin et CL/F= 0.148 + (1.37*POD3.78)/(5.383.78+POD3.78) (l/h/kg 0.75)
73 NR 90
al.[195] V/F= 27.2 (l/kg)

Fukudo et CL/F= (0.134*1.8iFLAG+0.0181*2hFLAG*XPOD)*8.6*(WT/8.6)0.341

130 *e(-0.0358*AST/53) (l/h/kg)a 48.7 82.6
al.[196] 0.341
V/F= 17.1*8.6*(WT/8.6) (l)
ALT = alanine aminotransférase; AST = aspartate aminotransférase; BILI = bilirubine; BSA = surface
corporelle; BSV = variabilité interindividuelle; CL = clairance systémique; CL/F = clairance orale apparente;
F = biodisponibilité; HF = fonction hépatique; n = nombre de patients; POD = temps après transplantation; T
= temps après initiation du traitement; V = volume de distribution; WT = poids corporel.
a
Si POD <21, XPOD = POD; sinon, XPOD = 21; si le donneur est porteur du gène CYP3A5 *1, donc hFLAG
= 1; sinon, 0; si le niveau de MDR1 mRNA intestinal est >0.22 amol/μg, donc iFLAG = 1; sinon, 0.

La majorité des études de pharmacocinétique de population du tacrolimus ont décrit

la cinétique avec des modèles à un compartiment. Il est à signaler que ces modèles ont été
 64

développés à partir de creux. Le poids corporel a été inclus dans la plupart des équations
pour décrire la cinétique tu tacrolimus. L’inclusion de paramètres décrivant la fonction
hépatique dans le calcul de la clairance semble raisonnable vu que le tacrolimus est
métabolisé par les enzymes CYP3A. Enfin, plusieurs études ont confirmé l’effet du
polymorphisme du CYP3A5 sur l’absorption et le métabolisme du tacrolimus. Certaines
études ont rapporté un changement de la cinétique du tacrolimus avec le temps post-
transplantation alors que d’autres n’ont pas trouvé d’effet. Enfin, l’étude par Staatz et.
al.[194], décrit une cinétique différente selon le type de foie transplanté. Basé sur ces
résultats très divers et sur la variabilité interindividuelle, large dans certaines études, plus
d’études pourraient améliorer la compréhension de variables affectant la cinétique du
tacrolimus.
 65

7 Objectifs de la thèse
L’utilisation de médicaments chez les enfants subissant des greffes et
immunosupprimés n’est pas toujours optimale. Pour certains de ces médicaments,
caractérisés par une fenêtre thérapeutique étroite et une grande variabilité
pharmacocinétique inter- et intraindividuelle au cours du temps, le suivi thérapeutique
pharmacologique est utilisé pour optimiser les effets thérapeutiques tout en diminuant les
effets indésirables. Cette méthode d’optimisation consiste à surveiller les concentrations
sanguines du médicament et à adapter les posologies de façon à maintenir les
concentrations dans une zone thérapeutique optimale. Le suivi thérapeutique
pharmacologique est aujourd’hui considéré comme indispensable à la bonne utilisation de
certains médicaments comme le tacrolimus, le busulfan et le voriconazole. Cette méthode
n’est pas convenable chez les enfants, n’est pas pratique pour les patients externes et coûte
cher à l’hôpital.

Dans le but d’améliorer l’utilisation des médicaments en pédiatrie, les données de suivi
thérapeutiques à l’hôpital Ste-Justine, ont été utilisées pour développer des modèles de
pharmacocinétique de population, identifier les facteurs responsables des variabilités
interindividuelles et proposer un ajustement de doses à partir d’un nombre limité de
prélèvements sanguins.

Plus spécifiquement, le premier article de cette thèse consiste à décrire la

pharmacocinétique de population du busulfan chez les enfants subissant une greffe de
moelle osseuse, identifier les covariables associées à la variabilité interindividuelle et
proposer une meilleure dose qui permet de garder les concentrations dans la fenêtre
thérapeutique.

Le deuxième article consiste à décrire la pharmacocinétique de population du

voriconazole chez les enfants immunosupprimés à risque d’infections fongiques.

Le troisième article de cette thèse a pour but de développer, à l’aide d’une analyse de
population, un estimateur Bayesien permettant d’estimer l’exposition individuelle au
 66

tacrolimus (AUC0-12) sur la base d’un nombre limité de prélèvements. Cet estimateur est
caractérisé par la facilité d’usage en routine hospitalière et devrait améliorer le suivi
thérapeutique pharmacologique et l’adaptation individuelle des doses de tacrolimus chez les
enfants greffés de foie.
 67

CHAPITRE II
 68

Population pharmacokinetic of intravenous busulfan

in children before hematopoietic stem cell
transplantation

Nastya Kassir1, Yves Théorêt2,3, Martin A. Champagne 4,5, Mohamad-Samer Mouksassi1,

Michel Duval6, Diane Larocque 7, Line Labbé 1

1. Faculty of Pharmacy, Université de Montréal, Montreal, Canada.

2. Department of Pharmacology, Université de Montréal, Montreal, Canada.
3. Department of Biochemistry, Centre Hospitalier Universitaire Sainte-Justine
Montréal, Canada
4. Department of Medicine, Université de Montréal, Montreal, Canada.
5. Service d’hématologie-oncologie, Hôpital de Verdun, Montréal, Canada
6. Service d’hématologie-oncologie, Centre Hospitalier Universitaire Sainte-Justine
Montréal, Canada
7. Department of pharmacy, Centre Hospitalier Universitaire Sainte-Justine Montréal,
Canada

Correspondence to:
Line Labbé, PhD
Faculty of Pharmacy, Université de Montréal
C.P.6128, Succursale Centre-ville
Montreal, Quebec, Canada, H3C 3J7
Telephone number: 514-343-6111 ext. 2781
Fax number: 514-343-2102

Article à resoumettre
 69

Abstract
A retrospective population pharmacokinetic analysis was performed on 41 children
receiving intravenous busulfan as part of their conditioning regimen for hematopoietic stem
cell transplantation. Initial dose of busulfan was 0.8 or 1 mg/kg, in a 2 hour infusion, and
then every 6 hours, for a total of 16 doses. Pharmacokinetics was determined on the first
dose, and subsequent doses were adjusted, if needed. Data analysis was carried out by
NONMEM. Clearance (CL) and volume of distribution (V) were found to be function of
body surface area (BSA) and BSA + SEX, respectively. The interindividual variability was
decreased from 77.5% to 18.5% in CL and from 76.4% to 7.9% in V by including BSA and
SEX in the model. The final population estimates were: CL = 101 ml/min/m2 (92.6 – 109.4
ml/min/m2) and V = 21.2 l/m2 (19.4 – 22.4 l/m2). Different simulated dose regimens were
tested. The percentage of patients reaching target AUC after optimization of the first dose
was 71% versus 42% with the original administered dose. Based on this, the suggested
dosing regimen would be 25 mg/m2 if BSA ≤ 1 m2 and 32 mg/m2 if BSA > 1 m2.
Individualization of busulfan dosage is required and until our results are confirmed
therapeutic drug monitoring is mandatory to target 900 to 1500 μM.min.

Keywords: busulfan, hematopoietic stem cell transplantation, population pharmacokinetic,

children, modeling
 70

1 Introduction
Busulfan is an alkylating agent used in combination with other chemotherapy agents
as a substitute to radiotherapy in preparative regimens needed for hematopoietic stem cell
transplantation (HSCT), both in adults and children (1, 2).

The most common busulfan dosing regimen in children is 0.8 or 1 mg/kg/dose for
the i.v. formulation (3, 4); and 1 mg/kg/dose for the oral formulation, every 6 hours for 16
consecutive doses (1). Busulfan has a narrow therapeutic window that ranges from 900 to
1500 μM.min (3.7 – 6.2 μg.h/ml) (5, 6). At a dosage exceeding the therapeutic levels, veno-
occlusive disease and seizures are seen (7-9). A low systemic exposure is associated with
increased risk of engraftment failure and, in certain patients, leukemia relapse.

Systemic exposure to busulfan, typically expressed as area under the plasma

concentration-time curve (AUC) or average concentration at steady state, has shown to be
highly variable between and even within individuals. The development of various
intravenous busulfan formulations has reduced the variability associated with delayed
absorption or prolonged elimination of its oral form (10-12). However, intravenous
busulfan still shows important pharmacokinetic variability especially in young patients,
which may be attributed to factors such as drug-drug interaction, circadian variation,
diseases, ability to metabolize busulfan and age, including changes in the ratio of body
surface area to body mass from infancy to young adulthood.

The objectives of this study were to determine the population pharmacokinetics of

intravenous busulfan in children undergoing HSCT, to identify the covariates responsible
for the interindividual variability (IIV) in busulfan pharmacokinetic parameters and to
quantify the interoccasion variability (IOV).
 71

2 Methods
Patients and dosing schedule

Forty-one consecutive patients (24 girls and 17 boys), under the age of 21 years,
undergoing HSCT at our tertiary care center, and who received i.v. busufan (Busulfex, PDL
pharma) as part of their preparative regimen, were included in this retrospective study.
Initial dose of i.v. busulfan was usually prescribed based on actual weight, as per the
following: 0.8 mg/kg/dose for 33 patients and 1 mg/kg/dose for 8 patients. Sixteen doses
were given in a 2 hour infusion every 6 hours for all patients. Pharmacokinetics was
determined on the first dose, and subsequent doses were adjusted, if needed, based on target
busulfan concentration at steady state for each patient. Therefore, 5 patients had their
subsequent doses decreased (0.3 – 0.7 mg/kg), while 20 patients needed an increase of their
doses (0.9 – 1.5 mg/kg).

Seizure prophylaxis consisted of midazolam (16 patients), lorazepam (15 patients)

or phenytoin (10 patients) and was initiated 12 hours prior to the initial infusion of busulfan
and continued 24 hours following the last dose. During this period, no fluconazole or
voriconazole was given. After busulfan therapy, all children received cyclophosphamide at
60 mg/kg/day as a 1 h infusion for 2 days or 50 mg/kg/day as a 2 h infusion for 4 days
and/or other agents such as VP16 as a conditioning regimen.

Pharmacokinetic sampling, busulfan determination and dose adjustment

Blood samples for drug monitoring were collected in heparinised tubes from the
central venous catheter using a different line from the one used for busulfan administration.
One to 3 ml were withdrawn immediately before the administration of busulfan, 5 minutes
before the end of infusion, at the end of infusion and 15, 30, 60, 120, 180, and 240 minutes
after the end of infusion. Whether dose adjustment was made or not, confirmatory steady
state level was determined from blood sampling done in each patient immediately before
 72

and at the end of 6, 7, 8, and/or 9th infusions. Plasma samples obtained by centrifugation
were stored frozen until analysis the same day or day after.

Busulfan was assayed by a validated reversed-phase liquid chromatography method

with ultraviolet detection at 280 nm using 1,6-bis(methanesulfonyloxy)hexane (synthesized
with a method already published) (13) as an internal standard (14). In brief, plasma samples
were extracted with ethyl acetate and derivatized with diethyldithiocarbamate.
Chromatography was accomplished using Nova-Pak (Waters) C18 (4 μm, 3 x 150 mm)
analytical and C18 (Guard-Pak) guard columns and a mobile phase composed of
acetonitrile-water-tetrahydrofuran (65:32.6:2.4) running at a flow rate of 1.8 ml/min. The
calibration curves were linear over concentrations ranging from 61.25 to 4000 ng/ml.
Quality control samples (0.25, 0.5 and 1 μg/ml) were incorporated into each run. The intra-
and inter-assay variability was below 12% for calibration standards and quality controls and
a difference of less than 12% from the nominal value was observed for all busulfan plasma
concentrations tested (range: 150-2000 ng/ml) within an internationally (13 institutions)
coordinated cross verification scheme. A non-compartmental analysis model for constant
infusion was used (WinNonlin Professional version 5.2, Pharsight Corporation) and the
clearance and terminal elimination rate constant (λz) were calculated automatically. Using
these parameters, plasma concentration at steady state was determined and busulfan dose
adjusted according to target value for each patient.

Population pharmacokinetic analysis

Data analysis and pharmacokinetic parameters estimation were carried out by a

population approach using the nonlinear mixed effect modeling program NONMEM,
version V (15). Throughout the model building the first order conditional estimation
method FOCE with interaction was used. Empirical individual Bayes parameter estimates
were obtained using the final model with the POSTHOC option of NONMEM.
 73

Several steps were included to determine and to evaluate the pharmacokinetic

model. First, we developed the basic pharmacokinetic model without covariates that
describes the best the concentration-time profile of i.v. busulfan. One and two compartment
models with zero order infusion and first order elimination were tested. Interindividual and
interoccasion variabilities were introduced as an exponential error model on
pharmacokinetic parameters: clearance (CL) and volume of distribution (V) (16):

CLij = CL x EXP (ηiCL + κij)

where CLij is the hypothetical clearance value of the ith individual on the jth occasion, CL is
the typical value of population clearance, η iCL and κij consist of independent normally
distributed random variables with mean zero and variance ω2 and π 2, respectively. The
same modeling was used for the V.

To describe the residual unexplained variability, the additive, the proportional and
the combined (proportional and additive) error models were tested.

Once the basic pharmacokinetic model was defined, the influence of the covariates
age, sex, actual body weight (ABW) and body surface area (BSA) was studied. The BSA
was calculated using the Dubois formula (17). The generalized additive modeling (GAM)
approach in the Xpose 3.104 program (18) was used as an exploratory tool for covariate
selection. Covariates were sequentially tested into the population PK model to assess the
effect on between-subject variability of PK parameters of interest. A decrease in the
minimum objective function value of 3.84 (p ≤ 0.05) was considered significant to include
the covariate in the final model. The objective function value (OFV) is proportional to -2
log-likelihood and the difference of OFV between two models is approximately Chi Square
distributed with n degrees of freedom; n denoting the difference in the number of
parameters between the two models.

Sex and age were introduced in term of linear relationship; ABW and BSA were
introduced on the basis of allometric scaling (19, 20). Continuous covariates were centered
on the mean.
 74

The process of model discrimination was guided by examination of model

diagnostic plots (plots of predicted vs. observed; weighted residuals vs. time; weighted
residuals vs. predicted), the value of the minimum objective function, the precision of
parameter estimates, and the symmetry of the distributions of individual parameter
estimates compared to the estimated median parameter. The program S-Plus 7.06 was used
for interfacing NONMEM graphics (21).

To assess the stability of the final model, a non-parametric bootstrap (n = 2000

samples) was performed in PsN 2.2.1 (22). The 95% confidence intervals of the parameters
were calculated from the bootstrap percentiles (23). A predictive check was performed to
evaluate the ability of the model to reproduce similar results as those from the original
dataset. The parameter estimates obtained from the final model were used to conduct 1000
simulations (24).

The area under the plasma concentration-time curve in each patient was calculated
according to the linear trapezoidal rule using S-plus (25). Using the final population
pharmacokinetic model, different dose regimens were studied to optimize the number of
patients achieving the target AUC after the first dose using the approach of Karlsson et al.
(26) and to estimate the BSA cutoffs. The target AUC range chosen was from 900 to 1500
μM.min (3.7 – 6.2 μg.h/ml) (5, 6). The different tested dose regimens were: a) 30 mg/m2; b)
25 mg/m2 if BSA ≤ 1 m2 or 32 mg/m2 if BSA > 1 m2 c) 22 mg/m2 if BSA ≤ 0.65 m2 or 28
mg/m2 if 0.65 < BSA ≤ 1.3 m2 or 35 mg/m2 if BSA > 1.3 m2. BSA cutoffs were the mean (1
m2) and the tertiles (0.65 and 1.3 m2) of BSA. The dose regimens were chosen empirically
by ranging doses from 5 to 60 mg/m2. Then we tested the best regimen with simulation
(Subproblems = 1000) incorporating parameter uncertainty in NONMEM by sampling
from the posterior parameter distributions. Including uncertainty allows for a quantitative
evaluation of the state of knowledge.
 75

3 Results
Plasma concentration data of busulfan from a total of 41 children, median age 7.92
years (range 0.21-20 years), were used in this analysis. Demographics of these patients are
summarized in Table 1. Thirty three children received an initial busulfan dose of 0.8 mg/kg,
while eight patients received 1 mg/kg. The analyzed dataset consisted of 648 plasma
concentrations. Observed concentrations versus sampling time after the first dose of
busulfan are represented in Figure 1.

A one compartment model was found to be more suitable than a two compartment
model to describe our data. IIV and IOV were modeled on both CL and V, their inclusion
was very significant and lead to a large drop of the OFV and markedly improved the quality
of fit of busulfan (p < 0.001). The combined (proportional and additive) error model was
used to describe the residual unexplained variability. Therefore, the combined error model
with IIV and IOV on CL and V was selected as the optimum base model and was used to
test the different covariates.

The most important pharmacokinetic models with their corresponding OFV and IIV
on CL and V are shown in Table 2. While building the model of covariates in NONMEM,
we found that CL and V were functions of BSA. As a consequence of this, CL and V
increase with BSA (9.9% and 10.7% per 0.1 m2, respectively; p < 0.05). V was also found a
function of sex. The drop in the OFV, when introducing the covariate sex on the parameter
V, was significant but borderline (ΔOFV = 9.29). We used a statistical test, the permutation
test, with 1000 replicates to confirm this effect. This test was realized using the program
Wings for NONMEM 409 (27). Since P value was 0.005, the covariate sex was kept in the
model, indicating that boys had a volume of distribution 12% higher as compared to girls.

Parameters obtained from the final model are listed in the Table 3. The final
population estimates were: CL = 101 ml/min/m2 (92.6 – 109.4 ml/min/m2) and V = 21.2
l/m2 (19.4 – 22.4 l/m2). The performance of the final population PK model including
 76

covariates to fit plasma concentrations of busulfan is presented in Figure 2. The maximum

a posteriori Bayes individual CL and V estimates versus BSA are shown in Figure 3.

A summary of the average parameter values from the 2000 bootstrap replicates are
listed in the Table 3. The bootstrap results indicated a relatively low bias in the mean
population parameters and they were within 7% of those obtained from the final model.
Confidence intervals were also calculated from the bootstrap replicates with the percentile
method.

For the qualification of our model, we tested it to produce reliable results by using
the method of predictive check. The result was obtained by comparing the calculated AUC,
after the first dose was administered to all patients from the original data and the calculated
AUC from the simulated data. The simulated AUC’s density was centered on the median of
the original data and this proves that this model can generate data similar to the original
ones. Figure 4 shows the result of the predictive check.

Based on our final model, we tested different dose regimens. The dose regimens
were a) 30 mg/m2; b) 25 mg/m2 if BSA ≤ 1 m2 or 32 mg/m2 if BSA > 1 m2 c) 22 mg/m2 if
BSA ≤ 0.65 m2 or 28 mg/m2 if 0.65 < BSA ≤ 1.3 m2 or 35 mg/m2 if BSA > 1.3 m2 (data not
shown). Among these regimens, the 25 mg/m2 if BSA ≤ 1 m2 or 32 mg/m2 if BSA > 1 m2
was the best one to obtain the target AUC. The percentage of our patients within the target
AUC after the first dose was 42%, but it would have been 71% if busulfan would have been
administered at a dose of 25 mg/m2 if BSA ≤ 1 m2 or 32 mg/m2 if BSA > 1 m2. The
percentage of patients having their AUC in the toxic range after the first dose was 4.9% in
the former and would have been 2.4% in the latter.
 77

4 Discussion
A population pharmacokinetic analysis was carried out using retrospective data
from 41 consecutive children who were given i.v. busulfan as part of their preparative
regimen for hematopoietic stem cell transplantation. The objectives of this analysis were to
characterize the relationship between pharmacokinetic parameters of i.v. busulfan and
covariates, and to explain interindividual and interoccasion variabilities. In this study, we
have evaluated a novel dosing to optimize safety and efficacy for HSCT.

The PK of busulfan was evaluated using a population PK approach and a thorough

covariate analysis was performed to assess the potential impact of demographic covariates.
A one-compartment model with zero-order infusion and first-order elimination fitted
plasma concentrations of busulfan adequately.

Covariate analysis was performed using a stepwise approach. Available covariates

in this study were ABW, BSA, age, and sex. During the first step of covariate analysis,
BSA was found to be the significant covariate on CL and V using an allometric scaling
model; in contrast to other pediatric studies where this covariate was ABW (28-30).
Although ABW was a significant covariate in our study, IIV on CL and V were better
explained and well correlated with BSA. In addition to BSA, sex was found to be a
significant covariate on V. Age did not improve our model and this could be explained by
the fact that BSA takes in account the effect of age in children. After the inclusion of
covariates, BSA explained 76% and 85% of the variability on CL and V, respectively; sex
explained 4% of the variability on V. Despite this reduction in variability, individualization
of doses is still necessary.

Overall, individual concentrations of busulfan were well fitted with the final
population PK model with allometric scaling on CL and V as well as sex effect on V. This
was demonstrated by the LOESS curve fitted between the observed concentrations and the
predicted concentrations values, which was very close to the identity line (Figure 2) and the
results of the bootstrap (Table 3).
 78

The predicted CL derived with the final population PK model was 0.1 l/min (0.09 -
0.11 l/min). This CL’s range corresponds to 2.91 – 3.56 ml/min/kg. This value was very
consistent to CL values previously reported by pediatric and adult studies (1.80 to 5.58
ml/min/kg) (29, 31-37). Likewise, the total volume of distribution of busulfan in the current
study 21.2 l (19.4 - 22.4 l) was consistent with values found in the literature for children
(12.5 – 21.3 l) (28, 30, 32, 33, 35, 37).

In the final model, IIV on CL and V were found to be 18.5% and 7.9%,
respectively. In a study conducted by Nath et al. (37), the IIV on CL (35%) and IIV on V
(22%) were higher than in our study. Moreover, in Booth’s study (28), IIV on both CL and
V were higher (23% and 11%, respectively). Therefore, our developed pharmacokinetic
model with the covariates BSA and sex reduces more efficiently IIV in pharmacokinetic
parameters.

The interoccasion variability was found to have a large impact on CL and V (13.3%
and 9.4%, respectively). Comparing our findings with those reported by Takama et al. (29)
and Nguyen et al. (30), they had just modeled IOV on clearance and it was found to be
equivalent to 6.6% and 9%, respectively. In Booth’s study (28), IOV on CL and V were
9.5% and 6.1%, respectively. Overall, results derived with the current population PK model
were very consistent with those reported by other groups including studies in adult and
pediatric patients, oral and intravenous busulfan.

The relation between systemic exposure of busulfan and toxicities or engraftment

failure is well known (7-9). Therefore, after the development of the pharmacokinetic
model, we tried to optimize the percentage of patients reaching the target AUC (900 – 1500
μM.min) following the first dose.

First, we proved that our model is able to produce reliable results by conducting a
visual predictive check and then we studied different dose regimens. From these regimens,
we suggest an administration based on BSA that would have resulted in 71% of patients
reaching the therapeutic range after the first dose and a very low percentage of AUCs in the
 79

toxic range (2.4%). This dosing regimen is 25 mg/m2 if BSA ≤ 1 m2 or 32 mg/m2 if BSA >
1 m2.

Our study had some limitations. There are some functional polymorphisms of
genes, which control important enzymes in busulfan metabolism that contribute to the
observed IIV in the pharmacokinetic of this drug. Busulfan is metabolized principally by
the GSTA1, as well as by other GST enzymes like the GSTM1 and GSTP1 (38). These
enzymes are present in the liver as well as in the intestinal cells and are up regulated in the
digestive system of young children. In our retrospective study, information about GSTA1,
GSTM1 and GSTP1 genes’ polymorphism was not available. However, it is unknown if
including it would have added more information to the model since recent studies had
reported contradictory results about the impact of polymorphisms. Johnson et al. (39) and
Gaziev et al. (36) demonstrated that carriers of GSTA1*B had reduced busulfan clearance
by 30% and 10 %, respectively. Moreover, Ansari et al. (40) found that GSTA1 and
GSTM1 polymorphisms seemed to modify busulfan pharmacokinetics. On the other hand,
Zwaveling et al. (41) observed that variability in the pharmacokinetics of busulfan was not
related to polymorphism in GST. Underlying disease has also an influence on busulfan
disposition and affects its CL and AUC (35), but it was not taken in consideration in our
model. Another limitation of the study is the limited number of patients (n= 41) and the fact
that it is a retrospective study.

To conclude, the pharmacokinetics of busulfan varies with BSA and sex. Moreover,
our model suggests that a dosing of 25 mg/m2 in children with BSA ≤ 1 m2 and 32 mg/m2 if
BSA > 1 m2 would result more often in first dosing busulfan within therapeutic range than
our current per recipient body weight (71% versus 42%, respectively). However, the
individualization of busulfan doses remains required to control risks of toxicities or
treatment failure pending prospective documentation of our findings.
 80

5 Acknowledgements
We thank the staff of the HSCT, and Ms MF Vachon, nurse specialist, for their
support in the pharmacokinetic studies. N.K. received a studentship from the Faculty of
graduate studies of Université de Montréal. L.L. was the recipient of scholarship from
Health Research Foundation of Rx&D.
 81

6 Conflict of Interest/Disclosure
The authors declare no conflict of interest.
 82

7 References
1. Santos GW. The development of busulfan/cyclophosphamide preparative regimens.
Semin Oncol 1993; 20(4 Suppl 4): 12-6; quiz 17.

2. Santos GW, Tutschka PJ, Brookmeyer R, Saral R, Beschorner WE, Bias WB et al.
Marrow transplantation for acute nonlymphocytic leukemia after treatment with
busulfan and cyclophosphamide. N Engl J Med 1983; 309(22): 1347-53.

3. Dalle JH, Wall D, Theoret Y, Duval M, Shaw L, Larocque D et al. Intravenous

busulfan for allogeneic hematopoietic stem cell transplantation in infants: clinical
and pharmacokinetic results. Bone Marrow Transplant 2003; 32(7): 647-51.

4. Wall DA, Chan KW, Nieder ML, Hayashi RJ, Yeager AM, Kadota R et al. Safety,
efficacy, and pharmacokinetics of intravenous busulfan in children undergoing
allogeneic hematopoietic stem cell transplantation. Pediatr Blood Cancer; 54(2):
291-8.

5. Bolinger AM, Zangwill AB, Slattery JT, Glidden D, DeSantes K, Heyn L et al. An
evaluation of engraftment, toxicity and busulfan concentration in children receiving
bone marrow transplantation for leukemia or genetic disease. Bone Marrow
Transplant 2000; 25(9): 925-30.

6. McCune JS, Gooley T, Gibbs JP, Sanders JE, Petersdorf EW, Appelbaum FR et al.
Busulfan concentration and graft rejection in pediatric patients undergoing
hematopoietic stem cell transplantation. Bone Marrow Transplant 2002; 30(3): 167-
73.

7. Tran HT, Madden T, Petropoulos D, Worth LL, Felix EA, Sprigg-Saenz HA et al.
Individualizing high-dose oral busulfan: prospective dose adjustment in a pediatric
population undergoing allogeneic stem cell transplantation for advanced
hematologic malignancies. Bone Marrow Transplant 2000; 26(5): 463-70.
 83

8. Grochow LB, Jones RJ, Brundrett RB, Braine HG, Chen TL, Saral R et al.
Pharmacokinetics of busulfan: correlation with veno-occlusive disease in patients
undergoing bone marrow transplantation. Cancer Chemother Pharmacol 1989;
25(1): 55-61.

9. Dix SP, Wingard JR, Mullins RE, Jerkunica I, Davidson TG, Gilmore CE et al.
Association of busulfan area under the curve with veno-occlusive disease following
BMT. Bone Marrow Transplant 1996; 17(2): 225-30.

10. Hassan M, Oberg G, Bekassy AN, Aschan J, Ehrsson H, Ljungman P et al.

Pharmacokinetics of high-dose busulphan in relation to age and
chronopharmacology. Cancer Chemother Pharmacol 1991; 28(2): 130-4.

11. Hassan M, Ljungman P, Bolme P, Ringden O, Syruckova Z, Bekassy A et al.

Busulfan bioavailability. Blood 1994; 84(7): 2144-50.

12. Andersson BS, Kashyap A, Gian V, Wingard JR, Fernandez H, Cagnoni PJ et al.
Conditioning therapy with intravenous busulfan and cyclophosphamide (IV BuCy2)
for hematologic malignancies prior to allogeneic stem cell transplantation: a phase
II study. Biol Blood Marrow Transplant 2002; 8(3): 145-54.

13. Bleyzac N, Barou P, Aulagner G. Rapid and sensitive high-performance liquid

chromatographic method for busulfan assay in plasma. Journal of chromatography
2000; 742(2): 427-32.

14. Rifai N, Sakamoto M, Lafi M, Guinan E. Measurement of plasma busulfan

concentration by high-performance liquid chromatography with ultraviolet
detection. Therapeutic drug monitoring 1997; 19(2): 169-74.

15. Boeckman A, Beal S, Sheiner L. NONMEM user's guide San Francisco: Globomax.
In, 1998.

16. Karlsson MO, Sheiner LB. The importance of modeling interoccasion variability in
population pharmacokinetic analyses. J Pharmacokinet Biopharm 1993; 21(6): 735-
50.
 84

17. Du Bois D, Du Bois E. A formula to estimate the approximate surface area if height
and weight be known. Archives of Internal Medicine 1916; 17: 863-871.

18. Jonsson EN, Karlsson MO. Xpose--an S-PLUS based population

pharmacokinetic/pharmacodynamic model building aid for NONMEM. Comput
Methods Programs Biomed 1999; 58(1): 51-64.

19. Holford NH. A size standard for pharmacokinetics. Clin Pharmacokinet 1996;
30(5): 329-32.

20. Meibohm B, Laer S, Panetta JC, Barrett JS. Population pharmacokinetic studies in
pediatrics: issues in design and analysis. Aaps J 2005; 7(2): E475-87.

21. Mathsoft. S-PLUS 7 User’s Guide Seattle: Data Analysis Products Division
Mathsoft. In, 2005.

22. Lindbom L, Pihlgren P, Jonsson EN. PsN-Toolkit--a collection of computer

intensive statistical methods for non-linear mixed effect modeling using
NONMEM. Comput Methods Programs Biomed 2005; 79(3): 241-57.

23. Henderson AR. The bootstrap: a technique for data-driven statistics. Using
computer-intensive analyses to explore experimental data. Clin Chim Acta 2005;
359(1-2): 1-26.

24. Yano Y, Beal SL, Sheiner LB. Evaluating pharmacokinetic/pharmacodynamic

models using the posterior predictive check. J Pharmacokinet Pharmacodyn 2001;
28(2): 171-92.

25. Proost JH. Wagner's exact Loo-Riegelman equation: the need for a criterion to
choose between the linear and logarithmic trapezoidal rule. J Pharm Sci 1985;
74(7): 793-4.

26. Jonsson S, Karlsson MO. A rational approach for selection of optimal covariate-
based dosing strategies. Clinical pharmacology and therapeutics 2003; 73(1): 7-19.

27. Holford PN. Wings for NONMEM program version 409. In.
 85

28. Booth BP, Rahman A, Dagher R, Griebel D, Lennon S, Fuller D et al. Population
pharmacokinetic-based dosing of intravenous busulfan in pediatric patients. J Clin
Pharmacol 2007; 47(1): 101-11.

29. Takama H, Tanaka H, Nakashima D, Ueda R, Takaue Y. Population

pharmacokinetics of intravenous busulfan in patients undergoing hematopoietic
stem cell transplantation. Bone Marrow Transplant 2006; 37(4): 345-51.

30. Nguyen L, Fuller D, Lennon S, Leger F, Puozzo C. I.V. busulfan in pediatrics: a

novel dosing to improve safety/efficacy for hematopoietic progenitor cell
transplantation recipients. Bone Marrow Transplant 2004; 33(10): 979-87.

31. Sandstrom M, Karlsson MO, Ljungman P, Hassan Z, Jonsson EN, Nilsson C et al.
Population pharmacokinetic analysis resulting in a tool for dose individualization of
busulphan in bone marrow transplantation recipients. Bone Marrow Transplant
2001; 28(7): 657-64.

32. Schiltmeyer B, Klingebiel T, Schwab M, Murdter TE, Ritter CA, Jenke A et al.
Population pharmacokinetics of oral busulfan in children. Cancer Chemother
Pharmacol 2003; 52(3): 209-16.

33. Cremers S, Schoemaker R, Bredius R, den Hartigh J, Ball L, Twiss I et al.

Pharmacokinetics of intravenous busulfan in children prior to stem cell
transplantation. Br J Clin Pharmacol 2002; 53(4): 386-9.

34. Oechtering D, Schiltmeyer B, Hempel G, Schwab M, Wurthwein G, Murdter T et

al. Toxicity and pharmacokinetics of i.v. busulfan in children before stem cell
transplantation. Anticancer Drugs 2005; 16(3): 337-44.

35. Bertholle-Bonnet V, Bleyzac N, Galambrun C, Mialou V, Bertrand Y, Souillet G et

al. Influence of underlying disease on busulfan disposition in pediatric bone marrow
transplant recipients: a nonparametric population pharmacokinetic study. Ther Drug
Monit 2007; 29(2): 177-84.
 86

36. Gaziev J, Nguyen L, Puozzo C, Mozzi AF, Casella M, Perrone Donnorso M et al.
Novel pharmacokinetic behavior of intravenous busulfan in children with
thalassemia undergoing hematopoietic stem cell transplantation: a prospective
evaluation of pharmacokinetic and pharmacodynamic profile with therapeutic drug
monitoring. Blood; 115(22): 4597-604.

37. Nath CE, Earl JW, Pati N, Stephen K, Shaw PJ. Variability in the pharmacokinetics
of intravenous busulphan given as a single daily dose to paediatric blood or marrow
transplant recipients. Br J Clin Pharmacol 2008; 66(1): 50-9.

38. Srivastava A, Poonkuzhali B, Shaji RV, George B, Mathews V, Chandy M et al.

Glutathione S-transferase M1 polymorphism: a risk factor for hepatic venoocclusive
disease in bone marrow transplantation. Blood 2004; 104(5): 1574-7.

39. Johnson L, Orchard PJ, Baker KS, Brundage R, Cao Q, Wang X et al. Glutathione
S-transferase A1 genetic variants reduce busulfan clearance in children undergoing
hematopoietic cell transplantation. J Clin Pharmacol 2008; 48(9): 1052-62.

40. Ansari M, Lauzon-Joset JF, Vachon MF, Duval M, Theoret Y, Champagne MA et

al. Influence of GST gene polymorphisms on busulfan pharmacokinetics in
children. Bone Marrow Transplant 2009.

41. Zwaveling J, Press RR, Bredius RG, van Derstraaten TR, den Hartigh J, Bartelink
IH et al. Glutathione S-transferase polymorphisms are not associated with
population pharmacokinetic parameters of busulfan in pediatric patients. Ther Drug
Monit 2008; 30(4): 504-10.
 87

8 Figure Legends
Figure 1 Plasma concentrations (observed individual concentrations) of busulfan
versus time with loess of predicted concentrations versus time after the first dose.

Figure 2 Observed individual concentrations of busulfan versus population predicted

concentrations in the final model with loess of observed individual concentrations versus
population predicted concentrations. The dotted line is the identity line.

Figure 3 Maximum a posteriori Bayes individual CL (left panel) and V (right panel)
estimates versus BSA before inclusion in the model. A smooth line “LOESS” is drawn to
show the trend in the data.

Figure 4 Predictive check results. The bold black and gray lines represent the original
simulated area under the plasma concentration time curve (AUC 0-∞) from the final model,
respectively. The median of the observed AUC 0-∞ and the individual predicted AUC0-∞ are
shown as a black dashed line and a gray dashed line, respectively.
 88

9 Tables
Table 1 Population characteristics

Characteristic Mean ± SD Median Range

Age (years) 8.0 ± 6.3 7.9 0.2 – 20

ABW (kg) 30.9 ± 22.9 24 3.8 – 95.6

BSA (m2) 1 ± 0.5 0.9 0.2 – 2.0

ABW: actual body weight, BSA: body surface area, SD: standard deviation
 89

Table 2 Summary of OFV and IIV in selected models

Pharmacokinetic model OFV IIV~CL IIV~V

Basic + IOV ~ CL, V -2407.175 77.52% 76.35%

Basic + IOV + BSA ~ CL, V -2548.516 18.3% 11.05%

Basic + IOV + BSA ~ CL, V + SEX ~ V -2557.804 18.49% 7.94%

BSA: body surface area, CL: total clearance, IIV: interindividual variability, IIV~CL:
interindividual variability on clearance, IIV~V: interindividual variability on volume of
distribution, IOV: interoccasion variability, OFV: objective function value produced by
NONMEM, V: volume of distribution.
 90

Table 3 Parameter estimates from the final model and the bootstrap, confidence
interval and stability of the model

Mean
Typical population
population Difference 95% confidence
Parameters parameter estimate
1
parameter (%)3 interval2
(precision CV %)
estimate2

θCL(l/min) 0.1 (4.1) 0.1 0 0.09 – 0.11

θV (l) 21.2 (3.3) 21.18 - 0.09 19.4 – 22.4

θCL,BSA 1.2 (4) 1.2 0 1.1 – 1.3

θV,BSA 1.2 (3.4) 1.2 0 1.1 – 1.3

θV,SEX -0.12 (28.4) -0.12 0 (-0.18) – (-0.04)

IIVCL (%) 18.5 (21.6) 17.9 - 3.4 7.1 – 26.1

IIVV (%) 7.9 (19.8) 7.9 0 1 – 14.8

IOVCL (%) 13.3 (11.2) 13.4 0.7 11.1 – 15.8

IOVV (%) 9.4 (16.2) 9.4 0 3.8 – 13.9

ERR PROP (%) 7.8 (9.3) 7.3 - 6.8 5.4 – 9.1

ERR ADD (mg/l) 0.05 (22.6) 0.05 0 0.02 – 0.07

1 2
Obtained from the original data; Mean and confidence interval calculated from the
3
bootstrap; (Bootstrap mean value – typical value from original data)/bootstrap mean value
x 100
θCL, BSA
CL = θCL x (BSA/Mean)
 91

θV, BSA
V = θV x (BSA/Mean) x (1- θV, SEX x SEX)

θCL and θV are the typical values of population clearance and volume of distribution,
respectively; θCL,BSA and θV,BSA are the BSA effect on CL and V, respectively; θ V,SEX is the
difference in V between boys and girls. Dichotomous variable sex was coded as 1 if girls
and 0 otherwise.

BSA: body surface area, CL: clearance, CV: coefficient of variation, ERR ADD: additive
component of the residual error, ERR PROP: proportional residual error, IIV:
interindividual variability; IOV: interoccasion variability, Mean: BSA was centered on the
mean (1 m2), V: volume of distribution.

CV was calculated as the ratio of the asymptotic standard error given by NONMEM on the
parameter estimate.
 92

10 Figures
Figure 1
 93

Figure 2
 94

Figure 3

0.25 Loess Loess

50

0.2
40

0.15
30

Volume (l)
Clearance (l/min)

0.1
20

0.05 10

0 0

0 0.5 1 1.5 2 0 0.5 1 1.5 2

BSA (m2 ) BSA (m2 )

 95

Figure 4
 96

CHAPITRE III
 97

Population pharmacokinetic of intravenous and oral

voriconazole in children

Nastya Kassir1,2,3, Philippe Ovetchkine 1,4, Yves Théorêt1,5,6, Catherine Litalien1,4,6, Bruce
Tapiero4, Michel Duval4, Line Labbé 2

(1) Clinical Pharmacology Unit, CHU Ste-Justine, Montreal, Quebec, Canada; (2) Faculty
of Pharmacy, Université de Montréal, Montreal, Quebec, Canada; (3) Pharsight - A Certara
Company, Montreal, Quebec, Canada; Departments of (4) Pediatrics, (5), and
Biochemistry, CHU Ste-Justine, Montreal, Quebec, Canada; (6) Department of
Pharmacology, Université de Montréal, Montreal, Quebec, Canada.

Correspondence to:
Line Labbé, PhD
Faculty of Pharmacy, Université de Montréal
C.P.6128, Succursale Centre-ville
Montreal, Quebec, Canada, H3C 3J7
Telephone number: 514-343-6111 ext. 2781
Fax number: 514-343-2102

Article (short communication) en préparation

 98

Abstract
Background. Voriconazole pharmacokinetics (PK) is known to have highly interindividual
variability in adults. Limited pediatric PK data are available. The aim of this study was to
characterise the PK of voriconazole in children.

Methods. At our institution, children receiving voriconazole underwent therapeutic drug

monitoring as part of patient management. PK data was collected from children treated with
intravenous and/or oral voriconazole for invasive fungal infections. Plasma voriconazole
concentrations were measured using HPLC. Data analysis was carried out by a population
approach using NONMEM. One and two-compartment models with linear or non-linear
elimination were studied. The influence of patient characteristics including body weight
(WT), age, gender, and underlying disease on PK parameters was tested. The underlying
diseases were as follows: febrile neutropenia, invasive aspergillosis and invasive
candidiasis in immunocompromised patients. Model performance was evaluated with the
bootstrap technique.

Results. A total of 135 voriconazole concentrations from 14 patients (aged 2-18 years)
were analyzed. A one-compartment model with linear elimination best described the data.
Population estimates of clearance and volume of distribution after intravenous and/or oral
voriconazole administration were 7.9 l/h and 84.3 l, respectively. Oral bioavailability was
estimated to be 67%. Interindividual variability on clearance, volume of distribution and
bioavailability were 84.5%, 56.5% and 78.5%, respectively. None of the tested covariates
explained the variability in PK parameters of voriconazole. Bootstrap results showed that
bias in the model was less than 17%.

Conclusion. The developed population PK model suggests that individualization of

voriconazole dosage in children is required and therapeutic drug monitoring is mandatory
to reduce toxicity and prevent treatment failure pending prospective analyses.
 99

1 Introduction
Invasive fungal infections have been an increasing and severe problem in
immunocompromised patients and especially in bone marrow transplant recipients. 1 2

Voriconazole is a second generation antifungal triazole with potent activity against a broad
spectrum of clinically significant fungal pathogens such as Aspergillus, Candida and
emerging and less common pathogens including Scedosporium and Fusarium.3 Clinical
efficacy of voriconazole has been well documented in immunocompromised adults with
severe invasive fungal infections. 3, 4
The drug is approved for primary treatment of invasive
aspergillosis and for salvage therapy in cases of severe infections caused by unusual
moulds. Both intravenous (IV) and oral formulations of voriconazole are available. In
adults, oral voriconazole is absorbed within two hours of intake and oral bioavailability is
excellent (>90%) allowing switching between IV and oral formulations without major dose
modifications.5 Voriconazole is extensively metabolized, primarily by hepatic CYP2C19,
CYP2C9 and CYP3A4 isoenzymes, to inactive metabolites. 3, 6
In adults and children,
contradictory results are reported about the linearity of voriconazole pharmacokinetics. 7-13
Interindividual variability in plasma concentrations of voriconazole is high regardless of the
route of administration. 5, 14, 15

Voriconazole use has increased in pediatrics; however optimum dosing regimen is

still under discussion. Several studies have suggested a correlation between voriconazole
trough concentrations and efficacy, poor outcome being observed in patients with
voriconazole trough concentrations <0.5-1 mg/l.9 Moreover, recent data even suggested the
need for voriconazole trough concentrations t2 mg/l and <6 mg/l.14

Maintenance of adequate voriconazole plasma concentrations is crucial in treating

invasive fungal infections in immunocompromised children. Since the pharmacokinetic of
voriconazole has been poorly assessed in this population, therapeutic drug monitoring was
performed in all immunocompromised children treated with voriconazole in our institution.
 100

Available voriconazole drug concentrations were used in order to develop a population

pharmacokinetics model of voriconazole in pediatrics and identify sources of variability.
 101

2 Methods
Study data

Voriconazole concentrations in immunocompromised children treated with oral

and/or intravenous voriconazole between 2005 and 2009 at CHU Ste-Justine were
retrospectively reviewed. Concentrations were obtained as part of patient clinical
management. When necessary, doses were adjusted in order to achieve voriconazole trough
concentrations above 1 mg/L exceeding the minimum inhibitory concentration of most
pathogens.5 Medical charts were reviewed and the following data were collected: age, sex,
body weight, underlying disease, and liver function tests (AST and ALT).

Voriconazole was provided in 50 and 200 mg tablets or in 200 mg vials for

injection. Voriconazole was generally administered in combination with food or enteral
feeding. Oral voriconazole doses were extrapolated from recommended IV doses, 4
mg/kg/dose every 12 hours (q12h). 13

One hundred thirty five (135) blood samples (0.5 ml) for determination of
voriconazole levels from complete pharmacokinetic profiles (following dosing
modification) were available for the analysis. Plasma concentrations were measured using
high performance liquid chromatography.

Pharmacokinetic analysis

The population PK analysis was performed using NONMEM Version 7, level 1.2
(ICON Development Solutions, Ellicott City, Maryland, USA) with the first-order
conditional estimation (FOCE) and the INTERACTION option. Nonlinear mixed-effects
models were fitted to the concentration-time data of voriconazole following multiple IV
and/or oral administrations described by typical pharmacokinetic compartmental models
(e.g. 1- or 2-compartmental models with linear or non-linear elimination). Interindividual
variability on PK parameters and the form of the residual error model were evaluated.
 102

Model evaluation and selection were based on pertinent graphical representations of

goodness-of-fit and based on the minimization of –2 × Log(Likelihood), which was
presented as the objective function value (OFV). The interindividual variability (IIV) was
modeled as an exponential random-effect model in order to positively constrain the
individual parameter values, which were thus assumed to follow a log-normal distribution.

Covariate analysis was carried out using visual inspection followed by a formal
evaluation in NONMEM. The latter consisted of a stepwise forward additive approach (P ≤
0.05) followed by a backward elimination (P ≤ 0.01). Potential covariates were: body
weight, age, sex, underlying disease, and liver function tests (AST and ALT).

The performance of the final population PK model was evaluated with diagnostic
plots and shrinkage of population PK parameters.

In order to assess whether the final model could be used to estimate individual PK
parameters based on population means and sparse PK data, changes in the estimates of IIV,
residual variability, and shrinkage in interindividual random effects were evaluated. 16
Shrinkage values of ≤ 0.2 indicate good individual estimates of a parameter of interest,
while larger shrinkage values indicate that the individual Bayesian estimates “shrunk”
towards the population mean values.

In addition, the stability and precision of the model were evaluated using a
nonparametric bootstrap within Perl-Speaks-NONMEM (PsN V3.4.2).17 The bootstrap
technique involves resampling from the original data with each individual subject
considered as a sampling unit. One thousand replicates of the data were generated by
bootstrap to obtain the median and 95% percentile of PK parameters and the fixed- and
random-effect parameters. The bias of each parameter was calculated by computing the
difference between the median value derived from the bootstrap and the final parameter
estimate.
 103

3 Results
A total of 14 patients were included in this study. Table 1 summarizes the
characteristics of the patients, including body weight, age, sex, and liver function tests
(ALT and AST). Patients had a wide variety of diagnoses including invasive aspergillosis
(n = 8), invasive candidiasis (n = 2), febrile neutropenia (n = 2), and other (n = 2).

There was a large variability in voriconazole plasma concentrations (Figure 1). A

total of 135 plasma samples were available for the population PK analysis. Even with
therapeutic drug monitoring, only 53% of voriconazole concentrations were maintained
within 1 to 6 mg/l. A large percentage of concentrations (38%) were below 1 mg/l and 9%
were above 6 mg/l.

Population Pharmacokinetics

A 1-compartment model with first-order absorption and elimination with lag time
adequately fit the concentration data of voriconazole. More complex elimination models
were not supported by the data. The population estimates of IIV on clearance (CL), volume
of distribution (Vc) and bioavailability (F) were 84.5%, 56.5%, and 78.5%, respectively. A
proportional error model was used for residual unexplained variability (51%).

Covariates Analysis and Sources of Variability

Visual inspection of the relationships between individual random effects of PK

parameters and covariates did not show any trend. Nonetheless, a thorough covariate
analysis was performed within NONMEM. None of the covariates tested reached statistical
significance.

Population parameter estimates are reported in Table 2. For the final model, typical
population CL and Vc were 7.93 l/h and 84.3 l, respectively. The absorption rate constant
was estimated to be 1.94 h−1 and the extent of oral bioavailability was 66.9%.
 104

Model Evaluation

The performance of the final population PK model was evaluated with diagnostic
plots and shrinkage of population PK parameters. The overall fit of observed and predicted
voriconazole concentrations based on individual parameter estimates is presented in Figures
2A and 2B. Shrinkages to the mean of the individual random effects of CL and Vc were
acceptable (less than 28%). Conditional weighted residuals were homogeneously
distributed around 0 (Figures 2C and 2D), suggesting no bias in the prediction of
voriconazole concentrations. Bootstrap resampling strategies were used to validate the
population PK model. A total of 912 runs were successfully minimized with covariance
step. Medians of PK parameters derived with the bootstrap resampling analysis were
consistent with those derived from the original analysis with bias <17% (Table 2),
demonstrating accuracy of predictions as well as model stability.
 105

4 Discussion
The present study used a population pharmacokinetic approach to describe the PK
of intravenous and oral voriconazole and to identify potential sources of variability in
immunocompromised pediatric patients (2 to 18 years of age).

A one-compartment model with first-order absorption and elimination best

described the concentration-time profiles of voriconazole in the study population.
Nonlinear pharmacokinetics were not observed in this pediatric study (Michaelis-Menten
elimination process did not improve the fitting). This result is in concordance with other
studies where voriconazole elimination was linear in children13 and in adults.10, 11
In
12
contrast, Karlsson et al. reported that the elimination of voriconazole in children follows a
Michaelis-Menten process.

Oral pharmacokinetic profiles of voriconazole show a quick absorption, with the

peak concentration being reached around 2 hours after dose administration. These results
are in agreement with those previously reported by Han et al. 11

Voriconazole pharmacokinetic is characterized by large interindividual variability. 5,

7, 14, 15
A major objective of this study was to identify potential sources of variability using
the population approach. Among all covariates tested in this study, none was able to explain
the interindividual variability on pharmacokinetic parameters. The number of patients was
very limited and heterogeneous to observe significant difference. However, results reported
in the literature identified several covariates such as weight, ALT and CYP2C19
polymorphism;12, 13
the latest was in common between the two pediatric studies.
Voriconazole is mainly metabolized through hepatic CYP2C19 isoenzyme, therefore,
polymorphism of CYP2C19 plays an important role in its clearance. This polymorphism
results in two phenotypes: poor and extensive metabolizers. Caucasian and African
populations account for approximately 3 to 5% of poor metabolizers; Asian population
comprises 15 to 20%. 18, 19
Unfortunately, the impact of this genetic variation could not be
tested as CYP2C19 genotypes were not available. Results reported in the literature show
 106

that clearance of voriconazole correlated with CYP2C19.12, 13

Nevertheless, dose
20
adjustments based solely on CYP2C19 genotype are not recommended.

The estimated PK parameter values using the final model are slightly different than
those reported in literature for children. A typical pediatric patient would have clearance
and volume of distribution of 7.9 l/h and 84.3 l, respectively. While Karlsson et al. 12
reported that clearance and total volume of distribution were 13.3 l/h and 67.9 l,
respectively, Walsh et al.13 estimated them to 9.3 l/h and 58.5 l, respectively.

Voriconazole in adults is well absorbed, with bioavailability over 90%. 5 In this

study, the bioavailability was estimated to be 67%. Similar results were observed in Walsh
et al. where oral bioavailability was 66%. 2 Karlsson et al. estimated a lower bioavailability
(44.6%).12 A potential explanation for the lower bioavailability in children compared to
adults could be the developmental differences in the absorption and metabolism of drugs
(i.e., absorption rate, activity of intestinal enzymes, efflux transporters, first-pass
metabolism…). Children exhibit greater systemic metabolism and also greater first-pass
metabolism than that of adults. Moreover, children on average have higher hepatic blood
flow than that of adults per kilogram of body weight, leading to a higher dilution of
voriconazole during absorption.

The stability and precision of the population PK model were evaluated using a
nonparametric bootstrap. The results of this analysis demonstrated the model stability
(91.2% successful convergence) as well as the accuracy of the estimated parameters (bias
<17%).

The current study has some limitations. The major ones were the limited number of
patients (n= 14) and the fact that it is a retrospective study. Moreover, the group of patients
had a wide variety of diagnoses adding another level of variability to the study.

In conclusion, a population pharmacokinetic model was developed for voriconazole

in immunocompromised children. Large interindividual variability in voriconazole
pharmacokinetics was demonstrated. Therefore, the individualization of voriconazole doses
 107

remains required to control risks of toxicities or treatment failure pending prospective

analyses.
 108

5 References
1. Hovi, L., et al., Invasive fungal infections in pediatric bone marrow transplant
recipients: single center experience of 10 years. Bone Marrow Transplant, 2000. 26(9): p.
999-1004.

2. Walsh, T.J., et al., Pharmacokinetics, safety, and tolerability of voriconazole in

immunocompromised children. Antimicrob Agents Chemother, 2010. 54(10): p. 4116-23.

3. Pearson, M.M., et al., Voriconazole: a new triazole antifungal agent. Ann

Pharmacother, 2003. 37(3): p. 420-32.

4. Herbrecht, R., et al., Voriconazole versus amphotericin B for primary therapy of

invasive aspergillosis. N Engl J Med, 2002. 347(6): p. 408-15.

5. Theuretzbacher, U., F. Ihle, and H. Derendorf, Pharmacokinetic/pharmacodynamic

profile of voriconazole. Clin Pharmacokinet, 2006. 45(7): p. 649-63.

6. Johnson, L.B. and C.A. Kauffman, Voriconazole: a new triazole antifungal agent.
Clin Infect Dis, 2003. 36(5): p. 630-7.

7. Purkins, L., et al., The pharmacokinetics and safety of intravenous voriconazole - a

novel wide-spectrum antifungal agent. Br J Clin Pharmacol, 2003. 56 Suppl 1: p. 2-9.

8. Purkins, L., et al., Pharmacokinetics and safety of voriconazole following

intravenous- to oral-dose escalation regimens. Antimicrob Agents Chemother, 2002. 46(8):
p. 2546-53.

9. Lutsar, I., et al., Safety of voriconazole and dose individualization. Clin Infect Dis,
2003. 36(8): p. 1087-8.

10. Han, K., et al., Population pharmacokinetic evaluation with external validation and
Bayesian estimator of voriconazole in liver transplant recipients. Clin Pharmacokinet, 2011.
50(3): p. 201-14.
 109

11. Han, K., et al., Bioavailability and population pharmacokinetics of voriconazole in

lung transplant recipients. Antimicrob Agents Chemother, 2010. 54(10): p. 4424-31.

12. Karlsson, M.O., I. Lutsar, and P.A. Milligan, Population pharmacokinetic analysis
of voriconazole plasma concentration data from pediatric studies. Antimicrob Agents
Chemother, 2009. 53(3): p. 935-44.

13. Walsh, T.J., et al., Pharmacokinetics and safety of intravenous voriconazole in

children after single- or multiple-dose administration. Antimicrob Agents Chemother,
2004. 48(6): p. 2166-72.

14. Smith, J., et al., Voriconazole therapeutic drug monitoring. Antimicrob Agents
Chemother, 2006. 50(4): p. 1570-2.

15. Pascual, A., et al., Voriconazole therapeutic drug monitoring in patients with
invasive mycoses improves efficacy and safety outcomes. Clin Infect Dis, 2008. 46(2): p.
201-11.

16. Karlsson, M.O. and R.M. Savic, Diagnosing model diagnostics. Clin Pharmacol
Ther, 2007. 82(1): p. 17-20.

17. Henderson, A.R., The bootstrap: a technique for data-driven statistics. Using
computer-intensive analyses to explore experimental data. Clin Chim Acta, 2005. 359(1-2):
p. 1-26.

18. Desta, Z., et al., Clinical significance of the cytochrome P450 2C19 genetic
polymorphism. Clin Pharmacokinet, 2002. 41(12): p. 913-58.

19. Bertilsson, L., Geographical/interracial differences in polymorphic drug oxidation.

Current state of knowledge of cytochromes P450 (CYP) 2D6 and 2C19. Clin
Pharmacokinet, 1995. 29(3): p. 192-209.

20. Hyland, R., B.C. Jones, and D.A. Smith, Identification of the cytochrome P450
enzymes involved in the N-oxidation of voriconazole. Drug Metab Dispos, 2003. 31(5): p.
540-7.
 110

6 Figure Legends
Figure 1 Plasma concentrations (observed individual concentrations) of intravenous
and oral voriconazole versus time after the last dose with LOESS. LOESS is a locally
weighted scatterplot smoothing line.

Figure 2 Observed individual concentrations (Cobs) of voriconazole versus

population predicted concentrations (PRED) (2A) and versus individual predicted
concentrations (IPRED) (2B); Conditional weighted residuals versus time after last dose
(2C) and versus population predicted concentrations (2D). LOESS is a locally weighted
scatterplot smoothing line.
 111

7 Tables
Table 1: Patient Characteristics at Baseline

Continuous Variable Median (Range)

Age (year) 13.0 (2.0 – 17.8)

Weight(kg) 42.6 (13.0 – 80.0)

AST (U/l) 31.0 (14.0 – 62.0)

ALT (U/l) 45.5 (11.0 – 93.0)

Intravenous dose (mg/kg/dose) 3.9 (3.5 – 6.9)

Oral dose (mg/dose) 200 (100 - 300)

Categorical Variable n (%)

Sex

Female 3 (21.4)

Male 11 (78.6)

Underlying Disease

Invasive aspergillosis 8 (57.1)

Febrile neutropenia 2 (14.3)

Invasive candidiasis 2 (14.3)

 112

Other 2 (14.3)

Drug Formulation

Intravenous 7 (50.0)

Oral 7 (50.0)

ALT = alanine aminotransferase; AST = aspartate aminotransferase; n = number of

patients
 113

Table 2. Parameter Estimates for the Final Model with Bootstrap Validation

Parameter Bootstrapb
Parameter Estimates
Median 95% CI Bias (%)
(RSE%)a
Pharmacokinetic Parameter
CL (l/h) 7.9 (32.4) 8.0 4.3, 17.4 1.1
Vc (l) 84.3 (36.7) 78.1 44.1, 198 -7.4
Ka (1/h) 1.9 (28.9) 2.2 1.1, 6.6 11.2
Tlag (h) 0.243 (4.6) 0.248 0.221, 0.499 2.2
F 0.669 (45.1) 0.664 0.289, 1.9 -0.75
Between-Subject Variability (BSV)
BSV CL (%) 84.5 (19.2) 80.2 46.9, 126.5 -9.9
BSV Vc (%) 56.5 (25.9) 41.1 14.1, 87.1 2.4
BSV F (%) 78.5 (14.7) 73.0 32.5, 99.3 16.2
Residual Variability
Residual
Proportional 51.0 (10) 48.1 23.0, 79.4 -5.9
Error (%)

CL= systemic clearance; F= bioavailability; Ka= absorption rate; Tlag= lag time; Vc=
apparent central volume of distribution.
a
Relative standard error calculated as the standard error of parameter estimate/parameter
estimate x 100%.
b
Median of 912 successful bootstrap samples from the 1000 runs with prediction intervals
(CI) calculated as the 2.5th and 97.5th percentiles.
 114

8 Figures
Figure 1
 115

Figure 2
 116

CHAPITRE IV
 117

Population pharmacokinetics and bayesian estimation

of tacrolimus exposure in pediatric liver transplant
recipients

Nastya Kassir1,2,3, Line Labbé 2, Jean-Romain Delaloye 1,4, Mohamad-Samer Mouksassi2,3,

Anne-Laure Lapeyraque 1,5, Fernando Alvarez5, Michel Lallier4, Mona Beaunoyer4, Yves
Théorêt1,6,7, Catherine Litalien1,5,7

(1) Clinical Pharmacology Unit, CHU Ste-Justine, Montreal, Quebec, Canada; (2) Faculty
of Pharmacy, Université de Montréal, Montreal, Quebec, Canada; (3) Pharsight - A Certara
Company, Montreal, Quebec, Canada; Departments of (4) Surgery, (5) Pediatrics, and (6)
Biochemistry, CHU Ste-Justine, Montreal, Quebec, Canada; (7) Department of
Pharmacology, Université de Montréal, Montreal, Quebec, Canada.

Corresponding author:
Dr. Catherine Litalien
Division of Pediatric Critical Care, Department of Pediatrics
Centre Hospitalier Universitaire Sainte-Justine
3175 chemin de la Côte Sainte-Catherine
Montréal (Québec), Canada H3T 1C5
Tel: (514) 345-4931 extension 2571
FAX: (514) 345-7731

Article soumis pour publication dans

« Clinical Pharmacology and Therapeutics »
 118

Abstract
Aims: Objectives of this study were to develop a population pharmacokinetic (PopPK)
model for tacrolimus in pediatric liver transplant patients and determine optimal sampling
strategies (OSS).

Methods: Twelve-hour intensive pharmacokinetic profiles from 30 patients (age 0.4 – 18.4
years) receiving tacrolimus orally were analyzed. The PopPK model explored the
following covariates: weight, age, sex, type of transplant, liver function tests, albumin,
hematocrit, drug interactions, and time post-transplantation. OSS were developed, and
validated with jackknife.

Results: A 2-compartment model with first-order absorption and elimination and lag time
described the data. Weight was included on all pharmacokinetic (PK) parameters. Typical
apparent clearance and central volume of distribution were 12.1 l/h and 31.3 l, respectively.
The PopPK approach led to the development of an OSS, which allowed estimation of
tacrolimus PK and area under the concentration-time curve (AUC) on the basis of a C0–
C0.5h–C2h sampling schedule with ± 20% prediction error limit. The mean bias and precision
of the Bayesian versus reference (trapezoidal) AUCs were -2.6% and 12.5%, respectively.

Conclusions: PopPK of tacrolimus and empirical Bayesian estimates represent an accurate

and convenient method to predict tacrolimus AUC (0-12) in pediatric liver transplant
recipients, despite high between subject variability in PK and patient demographics. The
developed OSS will allow the undertaking of prospective trials to define tacrolimus target
AUCs and dosing guidelines in this population.
 119

1 Introduction
Tacrolimus (Prograf®, Fujisawa Healthcare Inc.) is a first-line immunosuppressive
agent widely used in pediatric and adult solid organ transplant recipients. Since it has a
narrow therapeutic index and significant inter- and intraindividual pharmacokinetic (PK)
variability, dosing individualization is essential to ensure graft survival and limit associated
toxicities including life-threatening complications.[1]

Tacrolimus PK properties have been mainly studied in adults. Generally, oral

bioavailability is poor and extremely variable, partly due to presystemic metabolism of
tacrolimus by gastrointestinal cytochrome (CYP) P450 3A isoenzymes and removal by P -
glycoprotein transport. In pediatric liver transplant patients, oral bioavailability was found
to range from 5% to 77%.[2] Tacrolimus binds extensively to erythrocytes in blood while
in plasma it is principally associated with alpha 1-acid glycoprotein and albumin. In the
liver, tacrolimus is extensively metabolized by CYP3A4 and the polymorphically expressed
CYP3A5, with more than 95% of metabolites eliminated through biliary excretion.[3]

In this context, therapeutic drug monitoring has become a standard of care for
tacrolimus dosing optimization. Trough concentration (Ctrough) is commonly used to guide
tacrolimus dose individualization despite its inadequacy in reflecting total drug exposure as
was demonstrated by numerous studies involving solid organ transplant recipients.[4-6]
Although the relationship between tacrolimus exposure and patient outcome has not been
precisely defined, the last consensus report on twice-daily tacrolimus concluded that there
was an urgent need to evaluate alternative strategies to C trough such as area under the
concentration-time curve (AUC(0-12)), which is widely considered as the best marker for
drug exposure.[1] However AUC-based monitoring implies the measurement of multiple
concentration-time points over the entire dosing interval and is time-consuming, expensive,
and often impractical for routine clinical practice, especially in the pediatric population.[7]
Alternatively, AUC can be predicted using optimal sampling strategy (OSS).
 120

The OSS using maximum a posteriori Bayesian estimators (MAP-BE) can predict
individual PK parameters using a limited number of concentration-time points with
flexibility in sampling time and consideration of patient characteristics. In addition, the
MAP-BE approach can be made simple to use by clinicians with appropriate computer
technology.[8] At present, OSS using MAP-BE has been developed for tacrolimus in adult
liver and kidney transplant recipients but not in pediatrics.

To establish an OSS using MAP-BE, a population PK (PopPK) model is required.

Few PopPK studies have been performed in pediatric liver transplant recipients (Table
1).[9-14] In these studies, factors that may alter tacrolimus PK have been investigated but
not always simultaneously. Although numerous covariates were identified, between subject
variability remained important, implicating yet unidentified factors. Furthermore, these
models were derived using sparse data, mostly C trough.

Therefore, the aims of this study were to develop: 1) a PopPK model for tacrolimus
in pediatric liver transplant patients using rich sampling; and 2) an OSS using MAP -BE
that accurately predicts tacrolimus PK parameters and AUC (0-12).
 121

2 Methods
Patients and Study Design

This is a retrospective study analyzing 12-hour PK profiles performed in the

pediatric liver transplant population of the Centre Hospitalier Universitaire Sainte-Justine
(Montreal, Canada) between July 2006 and May 2011. The study was approved by the
Institutional Research Ethics Committee of Centre Hospitalier Universitaire Sainte-Justine
(Identification code: 3162). The need for subject consent was waived. Thirty-eight (38)
intensive PK profiles obtained from 30 patients receiving tacrolimus orally twice daily as a
capsule or suspension (5 mg/ml) were analyzed. All PK profiles were obtained at least three
days after receiving the same dose of tacrolimus. Concentrations were obtained as part of
patient clinical management. Dosage was adjusted by the liver transplant team to keep
tacrolimus Ctrough within the suggested target range of 5-15 ng/ml according to time post-
transplantation and concomitant immunosuppression. However, measurement of AUC (0-12)
was requested in some specific situations including: 1) at or around patient discharge; 2)
when nephrotoxicity occurred despite Ctrough levels within the target range; 3) when
important intra-individual Ctrough variability occurred in the absence of dose modification;
and 4) at mycophenolate mofetil initiation.

Medical charts were reviewed and the following data collected: body weight,
height, age, sex, type of transplant (full or cut-down liver), age of liver donor, underlying
diagnosis, liver function tests (ALT, AST, GGT, albumin, and total bilirubin), serum
creatinine, hematocrit, time post-transplantation, drug formulation, use of steroids, and
presence of clinically relevant CYP3A4 inhibitors.

Sample Collection and Analytical Methods

Serial blood samples were collected in ETDA-containing vacutainers immediately

before tacrolimus administration (Ctrough), and after 0.5 (C0.5), 1 (C1), 1.5 (C1.5), 2 (C2), 3
(C3), 4 (C4), 8 (C8), and 12 (C12) hours. Tacrolimus whole blood concentrations were
 122

determined using the microparticle enzyme immunoassay (MEIA) IMx (Abbott

Laboratories, Abbott Park, IL, USA). The lower and upper limits of detection were 1.5
ng/ml and 30 ng/ml, respectively. The between-run coefficients of variation were 14.10% at
5 ng/ml, 11.15% at 11 ng/ml, and 10.21% at 22 ng/ml. Three hundred forty-one (341)
blood samples for determination of tacrolimus levels were obtained at steady state.

Population Pharmacokinetic Analysis

The PopPK analysis was performed using NONMEM Version 7, level 1.2 (ICON
Development Solutions, Ellicott City, Maryland, USA) with the first-order conditional
estimation (FOCE) and the INTERACTION option. Nonlinear mixed-effects models were
used to fit the concentration-time data of tacrolimus described by typical PK compartmental
models (e.g. 1- or 2-compartmental models, first-order absorption, with linear or non-linear
elimination). For a 2-compartment model, PK parameters were apparent oral clearance
(CL/F), apparent volume of distribution (V 1/F), Intercompartmental clearance (Q2/F),
apparent peripheral volume (V 2/F), and first-order absorption rate constant (ka). Between
subject variability (BSV) and between occasion variability (BOV) in PK parameters were
modeled as exponential random effect models in order to positively constrain the individual
parameter values, which were thus assumed to follow a log-normal distribution. Covariance
between parameters was also examined. Additive, proportional and combined error
structures were tested during modeling of residual random error. Model evaluation and
selection were based on pertinent graphical representations of goodness of fit and on the
minimization of -2 × Log (Likelihood), which was presented as the objective function value
(OFV). A decrease in the OFV of 3.84 (P=0.05) was considered significant to include a
parameter in the model. Allometric scaling was applied to the base model [15, 16] that is:

CL/F = θ1*(WT/WTmedian)0.75, Q2/F = θ3*(WT/WTmedian)0.75,

V1/F = θ2*(WT/WTmedian)1, V2/F = θ4*(WT/WTmedian)1

ka= θ3*(WT/WTmedian)-0.25
 123

where θ is the typical value of the parameter in a child with median weight (WT) of the
study population.

Covariate Analysis and Sources of Variability

Covariate analysis was carried out using visual inspection followed by a formal
evaluation in NONMEM. The latter consisted of a stepwise forward additive approach
(P=0.05) followed by backward elimination (P=0.01). Potential covariates that were
evaluated were: age, sex, type of transplant (full or cut-down liver), age of liver donor, time
post-transplantation, liver function tests (ALT, AST, GGT, and total bilirubin), albumin,
renal function (serum creatinine and creatinine clearance), hematocrit, use of steroids,
presence of clinically relevant CYP3A4 inhibitors, and drug formulation. Some of the
continuous covariates were also tested as categorical variables (Table 2).

Model Evaluation

The performance of the final PopPK model was evaluated with diagnostic plots and
shrinkage of PopPK parameters. In order to assess whether the final model could be used to
estimate individual PK parameters based on population means and sparse PK data, changes
in the estimates of BSV, residual variability, and shrinkage in individual random effects
were evaluated.[17] Shrinkage values of ≤20% indicate good individual estimates of a
parameter of interest, while larger shrinkage values show that individual Bayesian estimates
“shrunk” towards the population mean values.

In addition, the stability and precision of the model were evaluated using a
nonparametric bootstrap within Perl-Speaks-NONMEM (PsN V3.4.2).[18] The bootstrap
technique involves resampling from the original data with each individual subject
considered as a sampling unit. One thousand replicates of the data were generated by
bootstrap to obtain the median and 95% percentile of PK parameters and the fixed- and
random-effect parameters. The bias of each parameter was calculated by computing the
 124

difference between median value derived from the bootstrap and the final parameter
estimate.

Building and Validation of Optimal Sampling Strategy Using Bayesian Estimator

Using the final model, the initial time points for the OSS were obtained with the
WinPOPT® (Version 1.2) software. Limited sampling strategies among combinations of a
maximum of four sampling time points, including C trough, and up to 4 hours post-drug
administration were tested. The selection of the best strategy used the determinant of the
Fisher information matrix as a measure of the informativeness of the design. In addition,
the best 3 combinations of sampling time points previously identified (C trough-C1-C4, Ctrough-
C0.5-C2-C4, Ctrough-C1-C2-C4) using MRA in a subset of the actual data were also selected
for further evaluation.[19]

Evaluation and validation of the OSS identified by WINPOPT as well as the 3

MRA-derived combinations of sampling times were performed using a jackknife technique
in NONMEM. This approach consists of building n reference populations of n-1 patients by
sequentially excluding one patient at a time, from the analysis. For each reference
population, the four different MAP-BE sampling time points were used to predict the CL/F
and the resulting AUC(0-12) of the excluded patient. The predictive performance was
evaluated by calculating bias (relative mean prediction error, ME(%)) and precision
(relative root mean squared prediction error, RMSE(%)) using the following equations [20]:

ͳ ”‡†Ǧ„•
ሺΨሻൌͳͲͲȗ ൬ ෍ ൰
 „•

ͳ ”‡†Ǧ„• ʹ
 ሺΨሻ ൌͳͲͲȗ ቌඨ ෍ ൬ ൰ ቍ
 „•

where Pred is the Bayesian AUC (0-12) estimate, Obs is the reference AUC (0-12) value
obtained using the linear trapezoidal method applied to the 12-hour intensive PK profiles,
and n is the number of patients.
 125

3 Results
Thirty-eight 12-hour intensive PK profiles obtained from 30 liver transplant
recipients were available for this study. Patients’ characteristics are summarized in Tables 2
and 3. Patients had a wide variety of diagnoses leading to whole or cut-down liver
transplantation, including biliary atresia (n = 12), tyrosinemia (n = 8), North American
Indian childhood cirrhosis (n = 3), fulminant hepatitis (n = 2), Alagille syndrome (n = 2),
histiocytosis X (n = 1), sclerosing cholangitis (n = 1), and auto-immune hepatitis (n = 1).

A total of 341 plasma samples were available for the population PK analysis. A
median of nine concentration-time points were obtained for each patient (range: 8 - 10).
Observed concentration-time profiles of tacrolimus are plotted in Figure 1.

Population Pharmacokinetics

Among the structural models tested, a 2-compartment model with first-order

absorption and first-order elimination and lag time adequately fit the concentration data of
oral tacrolimus. More complex absorption models were not supported by the data (transit
absorption models). BSV was included on CL/F, V1/F, Q2/F. A proportional error model
was used for residual unexplained variability. BOV was not included in the model.

Covariates Analysis and Sources of Variability

Visual inspection of the relationships between individual random effects of CL/F

and V1/F and covariates showed trends for liver function test (ALT), and concomitant
administration of CYP3A4 inhibitors. A thorough covariate analysis was performed within
NONMEM and none of the tested covariates explained the variability of PK parameters of
tacrolimus in pediatric liver transplant recipients.

The final POPPK model was described by the following equations:

CL/F (l/h) = 12.1 x (WT/20)0.75

 126

V1/F (l) = 31.3 x (WT/20)1

Q2/F (l/h) = 30.7 x (WT/20)0.75

V2/F (l) = 290 x (WT/20)1

Ka (1/h) = 0.342 x (WT/20)-0.25

tlag (h) = 0.433

where CL/F is apparent oral clearance, V 1/F is apparent volume of distribution, Q 2/F is
intercompartmental clearance, V 2/F is apparent peripheral volume of distribution, ka is first-
order absorption rate constant, tlag is lag time, and WT is body weight.

Population parameter estimates along with between subject and residual variabilities
are reported in Table 4. Typical population CL/F and V1/F for a child weighing 20 kg were
12.1 l/h and 31.3 l, respectively.

Model Evaluation

The performance of the final population PK model was evaluated with diagnostic
plots and shrinkage of population PK parameters. The overall fit of observed and predicted
tacrolimus concentrations based on population and individual parameter estimates are
presented in Figures 2A and 2B, respectively. Shrinkages to the mean of the individual
random effects of CL/F and V1/F were low (less than 12%). Conditional weighted residuals
were homogeneously distributed around 0 (Figures 2C and 2D), suggesting no bias in the
prediction of tacrolimus concentrations. Bootstrap resampling strategies were used to
validate the PopPK model. A total of 939 runs were successfully minimized with
covariance step. Medians of PK parameters derived with the bootstrap resampling analysis
were consistent with those derived from the original analysis with bias <9% (Table 4),
demonstrating accuracy of predictions as well as model stability.
 127

Building and Validation of a Bayesian Estimator

The PopPK parameters obtained from the final model were used as priors for the
development of the MAP-BE. The OSS schedule, selected using the Fisher information
matrix, was 0, 0.5, and 2h post-dose with relative standard errors of 5.8% and 22.6% on
CL/F and V1/F, respectively. AUC(0-12) bias and precision obtained during the validation
procedure were -2.57% and 12.49%, respectively (Table 5). Typical fits for the estimation
of reference parameters (considering all concentrations) and Bayesian estimation (with
sampling times at 0, 0.5, and 2h post-dose) are illustrated in Figure 3. Moreover, the
predictive performance of the MAP-BEs using multiple regression analysis (MRA) derived
combinations of sampling times are reported in Table 5. Their relative bias and precision
were below ±10%. AUC estimation with these sampling times seemed to be more accurate
than the schedule identified with WINPOPT, however the MRA-derived sampling times
only targeted CL/F prediction while those identified by WINPOPT optimized for all PK
parameters.

For comparison purposes, predictive performance of limited sampling strategies

developed with MRA by Delaloye et al.[19] are also presented in Table 5. The precision of
both MAP-BE and MRA for the same sampling times (C trough-C1-C4, Ctrough-C0.5-C2-C4,
Ctrough-C1-C2-C4) appeared to be similar. Although bias with both approaches was low,
MRA had the tendency to underestimate AUC (0-12).
 128

4 Discussion
To the best of our knowledge, this study is the first maximum a posteriori Bayesian
estimator for the prediction of tacrolimus exposure in pediatric liver transplant recipients.

A 2-compartment model with first-order absorption and elimination best fitted the
concentration-time profiles of tacrolimus at steady state in the study population. This is in
contrast with other PopPK studies in pediatric liver transplant recipients where tacrolimus
PK followed a 1-compartment model. The use of trough concentrations in these studies
precluded the development of multi-compartment models whereas in the current analysis,
intensive PK profiles were available.[9-13] After inclusion of weight in the base model,
none of the tested covariates significantly described the variability in PK parameters. This
model allowed a precise estimation of tacrolimus clearance with a relative standard error of
10%.

Growth and development usually described by demographic factors such as size and
age, respectively, contribute most of the variance to drug PK through the pediatric age
span. In the present study, body weight was included on all PK parameters as an allometric
fixed term to account for the effect of growth.[16, 21] The impact of development on
tacrolimus PK in pediatric liver transplant recipients is complex to evaluate as its total
clearance is influenced by both recipient’s and donor’s characteristics. These include
among others: 1) recipient’s (i.e., patient’s) intestinal metabolism and transporter activity
maturation and CYP3A5 genotype; 2) donor’s hepatic metabolism which depends at least
on the donor’s age and CYP3A5 genotype; and 3) the ratio of liver transplant size to
recipient’s liver volume or recipient’s body weight. Also, the influence of recipient’s age
on the metabolic function of the transplant liver is currently unknown. In addition, the
maturation of intestinal and hepatic CYP3A is expected to be essentially completed by the
end of the first year of life and considering that only 4 patients less than 1 year were
included, it was not possible to study the developmental effects using the sigmoid E max
model (e.g., Hill equation) with postmenstrual age (PMA) which allows a description of the
gradual maturation of clearance during the first year of life. As such, the impact of hepatic
 129

and intestinal enzyme maturation on tacrolimus PK in this population could not be

appropriately evaluated.

Since tacrolimus is mainly metabolized by CYP3A isoenzymes, hepatic dysfunction

can significantly decrease its elimination; indeed some authors have reported that liver
function tests influence tacrolimus clearance.[9, 11, 12] However, the current final model
does not include these covariates, which may be due to the relatively small incidence of
hepatic impairment (17%) as well as the absence of severe hepatic dysfunction among the
study population.

Time post-transplantation has been shown to affect tacrolimus clearance. Some

authors found that clearance increased within the immediate postoperative period possibly
due to recovery from surgery [9, 13]; others have reported decreased clearance with time
post-transplantation [12] potentially associated with steroids weaning. In the current study,
time post-transplantation had no effect; it is of interest to note that no included patients
were studied during the first two weeks after transplantation.

Donor’s age and transplant type were also evaluated, as they may influence
tacrolimus PK in pediatric liver transplant recipients. In the present study, both covariates
were not found to be significant. In the contrary, Staatz et al. [10] found that children who
received cut-down liver from an adult exhibited an average 7-fold lower tacrolimus
clearance compared to those who received a whole liver from a child donor. The authors
postulated that the transplant organ retains the metabolic characteristics of the donor and
that an adult donor liver has lower drug clearance than a child donor liver. If age of the
donor had been included in the model by Staatz et al., type of transplant may have not been
identified as a significant covariate.

The concomitant use of steroids has the potential to increase tacrolimus elimination
by inducing CYP3A4.[22] In this sense, the results reported in the literature are
contradictory. While some authors found that steroids may induce CYP3A4, other studies
have suggested decreased tacrolimus metabolism. The effect of concomitant steroids
administration could not be demonstrated in this study which is in agreement with the
 130

findings from other pediatric studies.[12, 23] Hematocrit and albumin concentrations were
also tested as potential covariates as tacrolimus accumulates in erythrocytes and is highly
bound to plasma proteins. As such, low hematocrit and albumin concentrations are
expected to result in a reduction in total drug concentration in whole blood and an increase
in total clearance. Similar to Garcia Sanchez et al., hematocrit and albumin were not found
to be significant covariates. This is in opposition to results found by Zhao et al. where
clearance of tacrolimus was significantly higher in patients with low levels of hematocrit (<
33%). Albumin was not tested in the latter study.

The estimated PK parameter values using the final model are close to those
previously reported in pediatric liver transplant recipients.[9, 10, 12, 13] A typical pediatric
patient (WT = 20 kg) would have CL/F and total volume of distribution (V d/F), which is the
sum of V1/F and V2/F, of 12.1 l/h and 321.3 l, respectively. These values are similar to
those previously reported for CL/F (4.6 – 13.1 l/h) [9, 12] and Vd/F (196.1 – 617 l).[9, 10,
13].

Between subject variabilities were 55.6% and 126.1% for CL/F and V 1/F,
respectively, and were in the range of previously reported variabilities for CL (24.3 – 110
%) and V1/F (27.4 – 297 %).[9-14] Several reasons could potentially explain the remaining
BSV. It is now well recognized that CYP3A5 polymorphism plays an important role in the
absorption and metabolism of tacrolimus.[9, 24] Unfortunately, the impact of this genetic
variation could not be tested as CYP3A5 genotypes of neither donors nor recipients were
available. Moreover, BSV on CL/F could be attributed to the extremely variable tacrolimus
bioavailability (3 to 77%).[2] Furthermore, half of the patients received the drug as an
extemporaneously compounded oral suspension prepared by CHU Ste-Justine hospital [25]
or community drugstores (possibly using a different reconditioning method), for which
bioavailability is unknown.

As recommended by the U.S. Food and Drug Administration [26], the stability and
precision of the PopPK model were evaluated using a nonparametric bootstrap. The results
 131

of this analysis demonstrated the model stability (93.9% successful convergence) as well as
the accuracy of the estimated parameters (bias <9%).

In a final step, a maximum a posteriori Bayesian estimator was developed and

validated using the jackknife technique for the prediction of tacrolimus exposure in
pediatric liver transplant recipients. Optimal sampling strategies involved a limited number
of blood samples within a short period of time after drug administration (4h) allowing for
transferability to routine patient care. Because C trough checks for compliance, helps identify
patients with high tacrolimus clearance, and is a commonly used marker by clinicians, it
was included in all tested schedules.[27, 28] Using the design with 3 sampling times (0,
0.5, and 2h) proposed by WINPOPT, AUC (0-12) bias and precision obtained during the
validation procedure were below 15% with respect to the reference AUC(0-12) values.
However, the 95% confidence intervals for bias and precision exceeded the acceptable 20%
limit and this is not surprising given that the D-optimal design minimizes total variance for
all parameter estimates.

Since the best marker for drug exposure is AUC, which is related to clearance,
different OSS were evaluated to optimize the Bayesian estimation of individual CL/F. In
this context, the sampling combinations previously reported based on MRA (C trough-C1-C4,
Ctrough-C0.5-C2-C4, Ctrough-C1-C2-C4) for the estimation of tacrolimus AUC in pediatric liver
transplant recipients were tested with MAP-BE.[19] The limited sampling strategy using
MAP-BE based on predose, 1h and 4h post-dose estimated tacrolimus AUC with ±20%
prediction error limit. The mean bias and precision (95% confidence interval) of this design
were -1.93% (-14.90 to 15.34 %) and 8.44% (0.60 to 17.59 %), respectively, which is
clinically acceptable predictive performance. Inclusion of a fourth sample resulted in
further improvement of both bias and precision but impairs practical application.

The comparison of the predictive performance of both MAP-BE and MRA for the
same sampling times shows that both approaches can accurately estimate tacrolimus
exposure in pediatric liver transplant recipients. However, even though precision was
 132

similar, MRA had the tendency to underestimate AUC (0-12) with a 95% confidence interval
for bias excluding zero.

Although MRA results in a simple equation, it can only be used for the estimation
of a single PK parameter with a near exactly similar dosing schedule and requires precise
sampling times. In contrast, MAP-BE allows the description of the PK profile and the
estimation of PK parameters, considering patients characteristics, with flexibility of blood
sampling times and number making this method compatible with real-life situations.[29]
Moreover, Bayesian predictions can improve as more patient-specific data is added to the
population model.

The optimal sampling strategies developed in this study were based on data from
pediatric liver transplant recipients and as such can only be applied to the same population.
Transferability of these models to other transplant types (kidney, heart…) could be
envisioned following proper validation in these groups. Furthermore, these models should
not be applied for the estimation of tacrolimus exposure in young infants (< 1 year), as
there were only 4 patients in this age group among the study population, and in early post-
transplantation, as no included patients were studied during the first two weeks after
transplantation. In conclusion, PopPK of tacrolimus and empirical Bayesian estimates
represent an accurate and convenient method to predict tacrolimus AUC (0-12) in pediatric
liver transplant recipients, despite high between subject variability in PK and patient
demographics. The developed OSS will allow the undertaking of prospective trials to
define tacrolimus target AUCs and dosing guidelines in this population and to evaluate the
efficacy of alternative strategies to Ctrough-based monitoring in order to prevent graft
rejection while minimizing toxicity events.
 133

5 Acknowledgements
Financial support came from the Research Centre of Centre Hospitalier
Universitaire Ste-Justine. L. Labbé was the recipient of an Rx&D/CIHR Health Research
Foundation Career Award in health sciences. We thank Carole Viau for her technical
assistance. We also thank the nursing staff of the Multispeciality Clinic and medical
technologists at CHU Ste-Justine for their help with sample collection and analysis,
respectively.
 134

6 References
1. Wallemacq P, Armstrong VW, Brunet M, Haufroid V, Holt DW, Johnston A,
Kuypers D, Le Meur Y, Marquet P, Oellerich M, Thervet E, Toenshoff B, Undre N, Weber
LT, Westley IS, Mourad M. Opportunities to optimize tacrolimus therapy in solid organ
transplantation: report of the European consensus conference. Ther Drug Monit.
2009;31:139-52.

2. Wallemacq PE, Furlan V, Moller A, Schafer A, Stadler P, Firdaous I, Taburet AM,

Reding R, Clement De Clety S, De Ville De Goyet J, Sokal E, Lykavieris L, Van Leeuw V,
Bernard O, Otte JB, Undre NA. Pharmacokinetics of tacrolimus (FK506) in paediatric liver
transplant recipients. Eur J Drug Metab Pharmacokinet. 1998;23:367-70.

3. Wallemacq PE, Verbeeck RK. Comparative clinical pharmacokinetics of tacrolimus

in paediatric and adult patients. Clin Pharmacokinet. 2001;40:283-95.

4. Claeys T, Van Dyck M, Van Damme-Lombaerts R. Pharmacokinetics of tacrolimus

in stable paediatric renal transplant recipients. Pediatr Nephrol.25:335-42.

5. Filler G, Feber J, Lepage N, Weiler G, Mai I. Universal approach to

pharmacokinetic monitoring of immunosuppressive agents in children. Pediatr Transplant.
2002;6:411-8.

6. Montini G, Ujka F, Varagnolo C, Ghio L, Ginevri F, Murer L, Thafam BS, Carasi

C, Zacchello G, Plebani M. The pharmacokinetics and immunosuppressive response of
tacrolimus in paediatric renal transplant recipients. Pediatr Nephrol. 2006;21:719-24.

7. Ting LS, Villeneuve E, Ensom MH. Beyond cyclosporine: a systematic review of

limited sampling strategies for other immunosuppressants. Ther Drug Monit. 2006;28:419-
30.

8. Barrett JS, Mondick JT, Narayan M, Vijayakumar K, Vijayakumar S. Integration of

modeling and simulation into hospital-based decision support systems guiding pediatric
pharmacotherapy. BMC medical informatics and decision making. 2008;8:6.
 135

9. Fukudo M, Yano I, Masuda S, Goto M, Uesugi M, Katsura T, Ogura Y, Oike F,

Takada Y, Egawa H, Uemoto S, Inui K. Population pharmacokinetic and pharmacogenomic
analysis of tacrolimus in pediatric living-donor liver transplant recipients. Clin Pharmacol
Ther. 2006;80:331-45.

10. Staatz CE, Taylor PJ, Lynch SV, Willis C, Charles BG, Tett SE. Population
pharmacokinetics of tacrolimus in children who receive cut-down or full liver transplants.
Transplantation. 2001;72:1056-61.

11. Sam WJ, Aw M, Quak SH, Lim SM, Charles BG, Chan SY, Ho PC. Population
pharmacokinetics of tacrolimus in Asian paediatric liver transplant patients. Br J Clin
Pharmacol. 2000;50:531-41.

12. Garcia Sanchez MJ, Manzanares C, Santos-Buelga D, Blazquez A, Manzanares J,

Urruzuno P, Medina E. Covariate effects on the apparent clearance of tacrolimus in
paediatric liver transplant patients undergoing conversion therapy. Clin Pharmacokinet.
2001;40:63-71.

13. Venkataramanan R, Swaminathan A, Prasad T, Jain A, Zuckerman S, Warty V,

McMichael J, Lever J, Burckart G, Starzl T. Clinical pharmacokinetics of tacrolimus. Clin
Pharmacokinet. 1995;29:404-30.

14. Wallin JE, Bergstrand M, Wilczek HE, Nydert PS, Karlsson MO, Staatz CE.
Population pharmacokinetics of tacrolimus in pediatric liver transplantation: early
posttransplantation clearance. Ther Drug Monit. 2011;33:663-72.

15. Anderson BJ, Allegaert K, Holford NH. Population clinical pharmacology of

children: general principles. Eur J Pediatr. 2006;165:741-6.

16. Anderson BJ, Allegaert K, Holford NH. Population clinical pharmacology of

children: modelling covariate effects. Eur J Pediatr. 2006;165:819-29.

17. Karlsson MO, Savic RM. Diagnosing model diagnostics. Clin Pharmacol Ther.
2007;82:17-20.
 136

18. Henderson AR. The bootstrap: a technique for data-driven statistics. Using
computer-intensive analyses to explore experimental data. Clin Chim Acta. 2005;359:1-26.

19. Delaloye JR, Kassir N, Lapeyraque AL, Alvarez F, Lallier M, Beaunoyer M, Labbe
L, Theoret Y, Litalien C. Limited sampling strategies for monitoring tacrolimus in pediatric
liver transplant recipients. Ther Drug Monit. 2011;33:380-6.

20. Sheiner LB, Beal SL. Some suggestions for measuring predictive performance. J
Pharmacokinet Biopharm. 1981;9:503-12.

21. Holford NH. A size standard for pharmacokinetics. Clin Pharmacokinet.

1996;30:329-32.

22. Kim JS, Aviles DH, Silverstein DM, Leblanc PL, Matti Vehaskari V. Effect of age,
ethnicity, and glucocorticoid use on tacrolimus pharmacokinetics in pediatric renal
transplant patients. Pediatr Transplant. 2005;9:162-9.

23. Zhao W, Elie V, Roussey G, Brochard K, Niaudet P, Leroy V, Loirat C, Cochat P,

Cloarec S, Andre JL, Garaix F, Bensman A, Fakhoury M, Jacqz-Aigrain E. Population
pharmacokinetics and pharmacogenetics of tacrolimus in de novo pediatric kidney
transplant recipients. Clin Pharmacol Ther. 2009;86:609-18.

24. Staatz CE, Goodman LK, Tett SE. Effect of CYP3A and ABCB1 single nucleotide
polymorphisms on the pharmacokinetics and pharmacodynamics of calcineurin inhibitors:
Part I. Clin Pharmacokinet. 2010;49:141-75.

25. Jacobson PA, Johnson CE, West NJ, Foster JA. Stability of tacrolimus in an
extemporaneously compounded oral liquid. Am J Health Syst Pharm. 1997;54:178-80.

26. U.S. Department of Health Services, Food and drug Administration. Guidance for
Industry Population Pharmacokinetics. February 1999 [updated 31 january 2012];
Available from:
http://www.fda.gov/downloads/Drugs/GuidanceComplianceRegulatoryInformation/Guidan
ces/UCM072137.pdf.
 137

27. David OJ, Johnston A. Limited sampling strategies for estimating cyclosporin area
under the concentration-time curve: review of current algorithms. Ther Drug Monit.
2001;23:100-14.

28. Hoyer PF. Therapeutic drug monitoring of cyclosporin A: should we use the area
under the concentration-time curve and forget trough levels? Pediatr Transplant. 2000;4:2-
5.

29. van der Meer AF, Marcus MA, Touw DJ, Proost JH, Neef C. Optimal sampling
strategy development methodology using maximum a posteriori Bayesian estimation. Ther
Drug Monit. 2011;33:133-46.
 138

7 Figure Captions
Figure 1. Whole blood tacrolimus concentrations versus time after last dose in pediatric
liver transplant recipients. LOESS is a locally weighted scatterplot smoothing line.

Figure 2. Observed individual concentrations of tacrolimus versus population predicted

concentrations in the final model (2A); Observed individual concentrations of tacrolimus
versus individual predicted concentrations in the final model (2B); Conditional weighted
residuals versus time after last dose (2C), and versus population predicted concentrations
(2D). LOESS is a locally weighted scatterplot smoothing line.

Figure 3. Simulation of tacrolimus concentrations for typical subjects with low bias (3A,
3B) or high bias (3C, 3D). Full circles represent observed concentrations, full lines
represent prediction using all available concentrations, and dashed lines represent
prediction with 3 sampling times (Ctrough-C0.5-C2) and MAP-BE.
 139

8 Tables
Table 1. Mean Population Pharmacokinetic Parameters for Tacrolimus in Pediatric Liver
Transplant Recipients
BSV CL BSV V
Ref n Pharmacokinetic parameters
(%) (%)
a 0.75 –0.00032 T (–0.057 BILI
(12) 18 CL/F= 10.4*(WT/70) *e( )*e )*(1–0.079*ALT) (l/h) 24.3 NR

CL= 1.46*(1+0.339*(AGE–2.25) (l/h)

V= 39.1*[1+4.57*(BSA–0.49)] (l)
(11) a 20 33.5 33.0
BILI <200 μmol/l: F= 0.197*(1+0.0887*WT–11.4) (%)

BILI ≥200 μmol/l: F= 0.197*(1+0.0887*WT –11.4)*1.61 (%)

CL= (0.0749+0.000457*POD)*(15*(WT/15)0.290) (l/h)

(13) a 33 V= 2.76*(15*(WT/15)0.290) (l) 52.1 27.4

F= 19% (fixed)

CL/F whole liver= 44 (l/h)

(10) b 35 CL/F cut-down liver= 5.75 (l/h) 110 297

V/F= 617 (l)

CL/F= 0.148 + (1.37*POD3.78)/(5.383.78+POD3.78) (l/h/kg0.75)

(14) c 73 NR 90
V/F= 27.2 (l/kg)

CL/F= (0.134*1.8iFLAG+0.0181*2hFLAG*XPOD)*8.6*(WT/8.6)0.341*e(-0.0358*AST/53)

(9) a,d 130 (l/h/kg)c 48.7 82.6

V/F= 17.1*8.6*(WT/8.6)0.341 (l)

ALT = alanine aminotransferase; AST = aspartate aminotransferase; BILI = bilirubin concentration; BSA =
body surface area; BSV = between-subject variability; CL = clearance; CL/F = apparent oral clearance; F =
bioavailability; HF = hepatic function; n = number of patients; NR = not reported; POD = postoperative day;
T = time after initiation of treatment; V = volume of distribution; WT = body weight.
a
Tacrolimus whole blood concentrations were determined using the microparticle enzyme immunoassay
(MEIA) by use of an IMx analyzer
b
Tacrolimus blood concentrations were measured using a validated high-performance liquid chromatography
tandem mass–spectrometry assay specific for the parent drug
c
Tacrolimus blood concentrations were measured using the EMIT 2000 assay (Siemens Healthcare) and a
validated high-performance liquid chromatography tandem mass –spectrometry assay specific for the parent
drug
 140

d
if POD was <21, then XPOD = POD; otherwise, XPOD = 21; if the donor was a CYP3A5 *1 allele carrier,
then hFLAG = 1; otherwise, 0; and if the intestinal MDR1 mRNA level was >0.22 amol/μg total RNA, then
iFLAG = 1; otherwise, 0.
 141

Table 2. Patient Characteristics at Baseline: Categorical Covariates

Categorical Variables n (%)

Sex
Female 13 (43.3)
Male 17 (56.7)
Type of Transplant
Cut-down liver 20 (66.7)
Full liver 10 (33.3)
a
CYP3A4 Inhibitors
Yes 8 (26.7)
No 22 (73.3)
Steroidsb
Yes 20 (66.7)
No 10 (33.3)
Hepatic Impairmentc
Yes 5 (16.7)
No 25 (83.3)
Drug Formulation
Capsule 15 (50)
Solution 15 (50)
Transformation of Continuous into Discrete Covariates (n at Baseline)
Time Post-Transplantation
≤ 28 days 8
> 28 days 22
ALB (U/l)d
> 32 23
≤ 32 7
d
ALT (U/l)
< 45 15
≥ 45 15
d
Hematocrit (%)
< 33 7
≥ 33 23
ALB= albumin; ALT= alanine aminotransferase, n= number of patients
a
CYP3A4 inhibitors included amlodipine, lansoprazole, and diltiazem
b
Prednisone was the steroid used in this study
c
Hepatic impairment was defined as total bilirubin >68.4 mmol/l and/or ALT >2 times the upper
limit for the age group (2*45= 90 U/l)
d
The cut-off ranges for these transformations were those previously published (12)
 142

Table 3. Patient Characteristics at Baseline: Continuous Covariates

Continuous Variable Median (Range)

Age (year)a 7.3 (0.4 – 18.4)

Weight (kg) 20.4 (4.5 – 57.8)

BSA (m2) 0.8 (0.2 – 1.6)

ALB (g/l) 36.0 (26.0 – 43.0)

AST (U/l) 33.0 (16.0 – 68.0)

ALT (U/l) 44.5 (14.0 – 140.0)

GGT (U/l) 54.5 (8 - 432)

Total Bilirubin (μmol/l) 11.0 (4.0 – 25.0)

Hematocrit (%) 34.5 (25.0 – 44.1)

Serum Creatinine (mg/dl) 0.4 (0.1 – 0.9)

Creatinine Clearance (ml/min)b 155.6 (58.4 – 360.3)

Time Post-Transplantation (months) 2.5 (0.5 – 188.2)

ALB = albumin; ALT = alanine aminotransferase; AST = aspartate aminotransferase; BSA

= body surface area; GGT = γ-glutamyl transferase

a
8 patients were less than 2 years old among which 4 were less than 1 year old
b
Creatinine clearance was calculated based on the Schwartz equation for patients 18 years

and under, and Cockcroft-Gault for patients over 18 years old

 143

Table 4. Parameter Estimates for the Final Model with Bootstrap Validation

Bootstrapb
Parameter Estimates
Parameter Bias
(RSE%)a Median 95% CI
(%)
Pharmacokinetic Parameterc
CL/F (l/h) 12.1 (10.1) 12.08 10.1, 14.9 -0.17
V1/F (l) 31.3 (42.8) 30.87 12.3, 70.3 -1.37
Q2/F (l/h) 30.7 (29.3) 28.9 13.1, 53.1 -5.86
V2/F (l) 290 Fix
Ka (1/h) 0.342 (33.3) 0.342 0.142, 0.656 0.00
Tlag (h) 0.433 (4.2) 0.4325 0.383, 0.456 -0.12
Between-Subject Variability (BSV)
BSV CL/F (%) 55.6 (9.6) 54.39 43.82, 65.12 -4.27
BSV V1/F (%) 126.1 (18) 120.50 69.50, 165.23 -8.68
BSV Q2/F (%) 84.0 (21.3) 81.0 44.61, 141.77 -7.07
Residual Variability
Residual Proportional
20.3 (12.1) 20.21 15.3, 24.9 -0.44
Error (%)
CL/F= apparent oral clearance; F= bioavailability; Ka= absorption rate; Q 2/F= apparent
distribution clearance; Tlag= lag time; V 1/F= apparent central volume of distribution;
V2/F= apparent peripheral volume of distribution.
a
Relative standard error calculated as the standard error of parameter estimate/parameter
estimate x 100%.
b
Median of 939 successful bootstrap samples from the 1000 runs with prediction intervals
(CI) calculated as the 2.5th and 97.5th percentiles.
c
Body weight was included in all pharmacokinetic parameters as an allometric fixed term
d
V2/F was fixed to a value estimated from a previous run in order to stabilize the model
 144

Table 5. Comparison of the Predictive Performance Between MAP-BE and MRA

MAP-BE a MRAb
Optimal Sampling Times (h)
ME% (95% CI) RMSE% (95% CI) ME% (95% CI) RMSE% (95% CI)
C 0-C 0.5-C 2 -2.57 (-30.94 , 17.43) 12.49 (0.71 , 31.16) -- --
C 0-C 1-C 4 -1.93 (-14.90 , 15.34) 8.44 (0.60 , 17.59) -4.98 (-8.37 , -1.59) 8.29 (3.29 , 11.28)
C 0-C 0.5-C 2-C 4 -1.93 (-14.66 , 10.94) 7.37 (1.02 , 15.85) -6.15 (-9.14 , -3.16) 8.48 (4.25 , 11.22)
C 0-C 1-C 2-C 4 -2.78 (-14.38 , 10.91) 7.42 (0.14 , 15.04) -5.07 (-8.34 , -1.81) 8.15 (3.22 , 11.07)

CI= 95% confidence interval; MAP-BE= maximum a posteriori Bayesian estimators; ME%= relative mean
prediction error; MRA= multiple regression analysis; RMSE%= relative root mean squared prediction error.
a
Validation in the present study was carried out by the jackknife technique
b
Validation in the Delaloye et al. study was carried out with an independent set of patients (validation group)
(14)
 145

9 Figures
Figure 1
 146

Figure 2
 147

Figure 3
(

(
A B
s

s
n

n
t i o

t i o
5

5
2

2
t r a

t r a
n

n
c e

c e
0

0
n

n
2

2
o

o
C

C
d

d
5

5
r v e

r v e
1

1
s e

s e
b

b
0

0
O

O
1

1
0 2 4 6 8 10 12 0 2 4 6 8 10 12

T im e A f t e r L a s t D o s e ( h ) T im e A f t e r L a s t D o s e ( h )
l )

l )
/ m

/ m
g

g
( n

( n

C D
s

s
n

n
t i o

t i o

5
2
t r a

t r a
5
2
n

n
c e

c e

0
n

2
0
o

o
2
C

C
d

5
r v e

r v e
5

1
1
s e

s e
b

0
O

O
0

1
1

0 2 4 6 8 10 12 0 2 4 6 8 10 12

T im e A f t e r L a s t D o s e ( h ) T im e A f t e r L a s t D o s e ( h )
 148

CHAPITRE V
 149

DISCUSSION ET CONCLUSION
Les enfants ont toujours été des « orphelins thérapeutiques ». De nombreux médicaments
n’ont pas fait l’objet d’étude chez les enfants, leur utilisation n’est pas officiellement
autorisée, ce qui crée un déficit lorsque le besoin s’y présente chez cette population.
Plusieurs catastrophes au sein du groupe d’âge pédiatrique en témoignent.[71-73, 197] Les
recommandations posologiques pour la plupart des médicaments utilisés en pédiatrie sont
généralement établies en milligramme/kilogramme de poids corporel jusqu'à une dose
adulte maximale. Bien que la posologie établie en milligramme/mètre carré de surface
corporelle puisse être préférable, l'expérience clinique indique que les erreurs de mesure de
la taille (notamment chez les petits enfants et les nourrissons) et les erreurs de calcul de la
surface corporelle à partir du poids et de la taille sont courantes. L’adaptation de posologie
en pédiatrie à partir des adultes ne prend pas en compte les particularités pharmacologiques
qui caractérisent l’enfant tout au long de son développement. L’extrapolation de
l’utilisation des médicaments à partir des données chez l’adulte a provoqué des morbidités
significatives qui auraient pu être minimisées en effectuant la recherche chez les
enfants.[71, 198, 199] Cependant, l’évolution considérable de la science et de la
réglementation sur la recherche des médicaments en pédiatrie[200] et dans la modélisation
pharmacocinétique[201] ont permis d’améliorer la pharmacothérapie chez les enfants.

Les travaux effectués dans le cadre de cette thèse avaient pour objectif général
d’appliquer la pharmacocinétique de population en pédiatrie pour explorer les
caractéristiques propres à cette population, de décrire la variabilité pharmacocinétique des
médicaments utilisés chez les enfants immunosupprimés, en vue de l’individualisation du
traitement en termes de choix de régime posologique. Conjointement à ces études, des
outils permettant d’estimer l’exposition individuelle en limitant le nombre de prélèvements
et optimiser les temps de ces derniers ont été développés.

Le premier volet de cette thèse consistait à décrire et tenter d’expliquer la variabilité

interindividuelle dans les concentrations des médicaments par des covariables, quantifier
cette variabilité et développer des modèles PKPOP capables de prédire les profils
 150

plasmatiques, permettant ainsi de déterminer des doses associées à une fenêtre

thérapeutique optimale.

En premier lieu, la croissance et le développement qui sont des caractéristiques

propres aux enfants ont été étudiés dans les différents articles de cette thèse. Ces 2 aspects
peuvent être évalués en considérant les mesures anthropométriques et l’âge comme
covariables décrivant la variabilité interindividuelle sur les paramètres PK. Ces covariables
sont souvent très corrélées, chacune pouvant ou pas prédire l’effet de l’autre. L’évaluation
de cet aspect commence par l’inclusion de l’effet des mesures anthropométriques en
premier suivi de l’âge. Ces mesures font référence au poids corporel, à la taille et à la
surface corporelle. Les résultats des travaux de cette thèse confirment l’importance de
l’inclusion des mesures anthropométriques pour décrire la variabilité interindividuelle sur
les paramètres PK en pédiatrie.

Dans notre premier article, la surface corporelle et le poids décrivaient

significativement la variabilité interindividuelle des paramètres PK. Cependant, la surface
corporelle était meilleur indicateur de cette variabilité que le poids corporel. Ce résultat a
été retrouvé récemment dans une étude de PKPOP du busulfan en pédiatrie.[132] Ce
résultat est conforme avec le fait que le taux de métabolisme des médicaments est
proportionnel à la surface corporelle. De plus, plusieurs mesures de dimension d’organes et
de volumes de fluides corrèlent bien avec la surface corporelle chez les enfants.
Considérant l’âge de la population dans cette étude, soit une majorité des patients plus âgés
que 1 an, l’application du dosage par surface corporelle est tout à fait raisonnable.
Toutefois, l’utilisation de la surface corporelle comme indicateur de mesure
anthropométrique en pédiatrie a ses limites en clinique et selon les groupes d’âge. De plus,
bien que la posologie établie en mg/mètre carré de surface corporelle puisse être préférable,
l'expérience clinique indique que les erreurs de mesure de la taille (notamment chez les
petits enfants et les nourrissons) et les erreurs de calcul de la surface corporelle à partir du
poids et de la taille sont courantes. Donc, il faut prendre un soin particulier pour s'assurer
que le calcul de la dose est exact. Enfin, d’un point de vue d’application clinique,
 151

l’utilisation de formules incluant la surface corporelle peut être considérée difficile pour les
professionnels de la santé malgré la signification physiologique de ce paramètre et son
importance à expliquer la variabilité dans la pharmacocinétique du busulfan. Un point à
souligner dans les résultats de cet article est l’utilisation de doses plus élevées par BSA
chez les enfants que chez les adultes. Ces résultats confirment que l’extrapolation par
kilogramme ou par mètre carré à partir des doses adultes ne fonctionne pas et qu’il faut
déterminer des doses spécifiques pour les enfants.

Dans notre deuxième article, les résultats finaux n’incluaient aucune covariable de
mesure anthropométrique sur les paramètres PK. Durant le processus du développement du
modèle, le poids corporel était la covariable la plus significative sur les paramètres PK
comme attendu en pédiatrie. Cependant, le nombre de patients était limité dans cette étude
(n = 14) et les valeurs extrêmes de poids influençaient énormément les résultats et
masquaient l’effet réel. Alors que l’inclusion du poids améliorait la description des profils
cinétiques de certains patients, il détériorait celles d’autres profils. Le nombre restreint de
patients représente la limitation principale de cette étude surtout pour l’étude de la
pharmacocinétique d’un médicament administré par plusieurs voies et connu pour avoir une
grande variabilité interindividuelle. Les autres limitations de cette étude étaient le manque
de collecte de covariables comme le niveau d’inflammation, la dysfonction hépatique et le
génotypage qui auraient pu aider à mieux expliquer la variabilité.

L’utilisation du poids corporel a été choisie dans notre troisième article pour
prendre en compte l’effet de la croissance en pédiatrie. Le poids corporel a été inclus de
façon allométrique sur tous les paramètres pharmacocinétiques, de même que dans les
autres articles. Certains auteurs proposent d’estimer les exposants allométriques [202, 203]
et ceci a été appliqué dans notre premier article. Cependant, l’estimation de l’exposant
allométrique à partir de données humaines se heurte à des problèmes en raison de la
fourchette de poids relativement étroite et l'erreur d'estimation impliquée dans un tel
paramètre non linéaire. En conséquence, cet exposant a été fixé dans notre troisième article
comme proposé par plusieurs auteurs.[93, 94, 204] En effet, il est plus sûr d’utiliser les
 152

paramètres fixes développés à partir de données plus larges dans les modèles allométriques.
L’ajustement allométrique représente une approche mécanistique qui repose sur des bases
théoriques et empiriques solides.[21, 93, 205, 206] L’utilisation de l'exposant fixé permet
de séparer les effets d’autres covariables de l'effet de la mesure anthropométrique.
L’ajustement allométrique permet également la comparaison des estimés en pédiatrie avec
ceux des adultes.

Le choix du meilleur paramètre pour prendre en compte l’effet de la mesure

anthropométrique sur les paramètres pharmacocinétiques dépend des caractéristiques du
médicament, de la population étudiée, des groupes d’âge et de leur poids. La question est
plus simple quand la majorité des patients sont plus âgés que 1 an. Cependant pour les
nouveau-nés et à part des polymorphismes génétiques, il y a des considérations à prendre
en compte lors du développement des modèles pharmacocinétiques comme la maturation
des enzymes, la clairance rénale réduite par rapport à l’adulte, demi-vie de certains
médicaments prolongée, et volume de distribution plus large pour les médicaments
hydrosolubles et plus petit pour les médicaments liposolubles.

Une fois l’effet de la mesure anthropométrique pris en compte dans le modèle,

l’évaluation de l’effet de l’âge et d’autres covariables peut être effectuée. L’âge post-
conception est utilisé pour décrire la maturation de la fonction rénale. Ce paramètre n’a pas
été évalué au cours des travaux de cette thèse car le nombre de patients plus jeune que 1 an
était limité ne permettant pas la description du processus de maturation. L’inclusion de
l’âge dans les modèles pharmacocinétiques paraît raisonnable vu qu’il prend en
considération les différences physiologiques entre les nouveau-nés, nourrissons, enfants et
adolescents.

Ensuite, d’autres covariables liées à la fonction hépatique, la fonction rénale, la co-

médication et le sexe ont été évaluées. L’absence d’effet de sexe en études pédiatriques
n’est pas surprenant comme la majorité des enfants sont en dessous de l’âge pubertaire. La
croissance sexuelle et les conséquences hormonales sont des paramètres importants à
considérer dans les études pharmacocinétiques chez les adolescents.
 153

Les modèles de population développés ont permis d’expliquer une part de la

variabilité pharmacocinétique des médicaments étudiés mais de nombreuses covariables
restent à explorer, notamment sur le côté pharmacogénétique qui présente un intérêt certain
pour la description du métabolisme du busulfan, du voriconazole, et du tacrolimus. Le GST
responsable du métabolisme du busulfan comprend plusieurs isoenzymes. Les GSTM1,
GSTT1, GSTP1 et GSTA1 présentent des polymorphismes qui résultent en une réduction
ou absence de l’activité ou de l’expression de l’enzyme.[108] Le CYP2C19 est l’enzyme
hépatique responsable de l’élimination du voriconazole. Il existe 3 principaux
polymorphismes génétiques, le CYP2C19*2, le CYP2C19*3 et CYP2C19*17. Les patients
ayant l’allèle CYP2C19*17 sont des métaboliseurs ultrarapides des médicaments
métabolisés par cette voie, alors que les porteurs de l’allèle CYP2C19*2 sont des
métaboliseurs lents. Le CYP2C19*2 existe uniquement chez les sujets d’origine asiatique.
L'allèle *17 a une fréquence allélique de 23% chez les occidentaux, 15% chez les afro-
américains et d'environ 4% chez les sujets d'origine asiatique. Le génotypage du CYP3A5
responsable du métabolisme du tacrolimus montre que l’allèle muté CYP3A5*3, associé à
une absence d’expression de la protéine CYP3A5 (le patient doit être homozygote pour
l'allèle muté). L’allèle muté est nettement plus fréquent que l’allèle sauvage ce qui fait que
la majorité des caucasiens n’expriment pas cette enzyme. Jusqu'à récemment, le CYP3A7 a
été le gène le plus négligé des CYP3A, en raison de l'absence d'un anticorps spécifique et sa
classification erronée de gène exclusivement fœtal.[15] Le progrès le plus important a été le
développement d'un véritable anticorps spécifique pour le CYP3A7, qui a finalement
démontré l'expression de CYP3A7 in vivo de manière sans équivoque.[207] Pareil que le
CYP3A5, le CYP3A7 présente une expression polymorphique au niveau du foie et de
l'intestin. Chez les Caucasiens, les deux tiers des cas d’augmentation de l’expression du
CYP3A7 hépatique peuvent être expliqués par la présence de l’allèle CYP3A7*1C ou
moins fréquemment par CYP3A7*1B.[2, 51, 207] Les deux allèles affectent la transcription
du gène, mais le mécanisme a été élucidé seulement pour le CYP3A7*1C. Contrairement
au CYP3A7*1C, le CYP3A7*1B affecte l’expression du CYP3A7 au niveau du foie mais
pas de l'intestin.[51] Cependant, la faible affinité et la capacité du CYP3A7 pour le
 154

tacrolimus suggèrent que cette enzyme ne jouerait aucun rôle dans le métabolisme du
tacrolimus in vivo.[52] La pharmacogénétique permet d’étudier la variabilité
interindividuelle de la séquence de l’ADN génomique responsable d'une variabilité de la
réponse à certains médicaments. L’intérêt du génotypage dans la modélisation et pour le
suivi thérapeutique n’est pas démontré. Des études sur le polymorphisme du GST ont
montré une corrélation avec la variabilité dans la pharmacocinétique du busulfan.[139, 208]
L’effet du polymorphisme génétique sur la pharmacocinétique du tacrolimus a été rapporté
dans plusieurs études. Cependant, les cibles thérapeutiques du tacrolimus sont atteintes en
utilisant le suivi thérapeutique chez tous les patients quel que soit leur génotype. Il existe un
chevauchement important des valeurs des concentrations du tacrolimus pour les patients
des différents génotypes, et la connaissance de ce génotype ne suffit pas à déterminer la
dose optimale pour chaque patient. En transplantation rénale, malgré l'inclusion du
génotypage du CYP3A5 dans le modèle PK du tacrolimus, la variabilité interindividuelle
reste élevée.[209] Dans la transplantation hépatique, il faut considérer l’influence du
génotype du donneur en plus de celui du receveur. D’un point de vue clinique, le
polymorphisme génétique n’est pas nécessairement associé à une différence de phénotype.
Des exemples de cas cliniques observés au CHU Ste-Justine incluent le cas d’un nouveau-
né qui était métaboliseur lent du voriconazole avec des signes de toxicité et est devenu
métaboliseur ultra rapide après deux jours avec des concentrations indétectables. D’autres
exemples sont les nouveau-nés métaboliseurs ultra rapides mais qui à cause de leur âge se
présentent avec un phénotype de métaboliseurs lents. Les études pharmacogénétiques
constitueront sans doute dans un avenir proche un préalable à la commercialisation d’un
grand nombre de médicaments, au même titre que les études de toxicité ou de
pharmacocinétique. Ceci sera à l’origine de l’émergence d’une thérapeutique sur mesure
pour chaque patient, lui assurant un traitement efficace, moins toxique et à moindre coût.

L’étude de ces covariables discutées chez les enfants permet l'amélioration de la

compréhension des effets des médicaments dans la population pédiatrique, et donc une
utilisation plus efficace.
 155

Le développement de ces modèles de population capables d’expliquer une part de la

variabilité pharmacocinétique, permet d’optimiser les traitements en pédiatrie et un
meilleur choix de doses. Dans le cas du busulfan, qui est un médicament avec une fenêtre
thérapeutique très étroite, les posologies reposent sur le suivi thérapeutique. Dans notre
étude, les doses de départ ont résulté en 42% des cas dans la fenêtre thérapeutique.
Considérant les conséquences, une posologie qui permettrait d’augmenter ce pourcentage
est fortement recommandée. Les simulations basées sur le modèle PKPOP développé et
prenant en compte la surface corporelle, permettent de déterminer une posologie qui
résulterait en 71% de patients atteignant l’exposition optimale à partir de la première dose.
Encore une fois, l’utilisation des modèles PKPOP en pédiatrie pourrait améliorer les
conditions de cette population.

L’évaluation est une partie importante de la construction de modèles, faisant l’objet

de recommandations de la part des autorités régulant la mise sur le marché de nouveaux
médicaments. Dans le champ de la pharmacocinétique et de la pharmacodynamie, où ces
modèles peuvent être utilisés pour le suivi thérapeutique et l’ajustement posologique, cette
facette de l’analyse revêt une importance particulière. Alors ces modèles doivent être
évalués pour confirmer leur stabilité, leur performance de simulation et leur capacité à
répondre aux objectifs initiaux de la modélisation. Certaines de ces méthodes ont été
appliquées dans cette thèse pour confirmer que les modèles peuvent être utilisés pour
effectuer des simulations et des prédictions futures.

Les résultats du « bootstrap » confirment si le modèle est robuste aux variations

aléatoires des données alors que le « predictive check » permet d’évaluer la capacité du
modèle à simuler. Cependant, une étude descriptive des données ne requiert pas une
validation vue qu’elle ne sera pas utilisée pour des simulations ou des prédictions
ultérieures.

Les modèles physiologiques représentent un autre type de modèles pour analyser les
données présentées dans cette thèse. Ces modèles physiologiques auraient pu inclure une
composante physiologique pour expliquer la maturation de la fonction rénale, l’ontogénie
 156

des organes et des systèmes enzymatiques. Cependant, les données sur l’ontogénie des
transporteurs et des tubules rénaux ne sont pas disponibles, et beaucoup d’incertitude existe
dans ces modèles qui introduiraient plus de variabilité.

Le deuxième volet de cette thèse consistait à développer un estimateur Bayesien

pour limiter le nombre et optimiser les temps de prélèvements en se basant sur un modèle
PKPOP. Cet objectif s’avère très important en pédiatrie considérant les limitations
pratiques d’analyses pharmacocinétiques en pédiatrie.

L’exposition systémique est un paramètre important pour définir la disposition d’un

médicament et sa relation avec les effets cliniques recherchés. La quantité de sang pour
chaque échantillon et le nombre d'échantillons nécessaires sont deux variables extrêmement
importantes pour décrire de manière adéquate le profil des concentrations en fonction du
temps.[210] La quantité de sang est limitée par l'âge du patient, sa taille, et la maladie sous-
jacente. Ce problème est surmonté en utilisant des méthodes analytiques précises qui
tiennent compte des petits volumes d'échantillon chez les enfants.

L’autre problème de la mesure de l’exposition systémique est le grand nombre de

prélèvements qui est souvent peu commode pour la pratique clinique de routine, en
particulier dans la population pédiatrique. Le nombre d'échantillons implique une
consommation plus élevée des ressources cliniques (équipement, temps du personnel, etc)
et du coût global de l'étude. En pratique clinique, le suivi thérapeutique pharmacologique
est la méthode la plus utilisée pour calculer l’exposition systémique, optimiser les effets
thérapeutiques tout en diminuant les effets indésirables. Cette méthode, qui permet une
estimation rapide et simple des paramètres PK pour une dose donnée, se heurte en pédiatrie
à la nécessité de collecter un nombre élevé d’échantillons. De plus, avec cette méthode il
n’est pas possible de prédire les concentrations en fonction du temps, de caractériser la PK
des principes actifs ayant une élimination non-linéaire, ou de faire des corrélations PK/PD
directes. Alternativement, l’exposition systémique peut être prédite avec une approche
d’échantillons limités.
 157

L’estimateur Bayesien développé pour le tacrolimus est le premier dans cette

population de transplantés hépatiques pédiatriques. Cet estimateur a pour principal
avantage de pouvoir prédire, chez chaque individu, les paramètres pharmacocinétiques et
l’exposition au médicament à l’aide de 3-4 prélèvements effectués au cours des 4 premières
heures de l’interdose. D’autres stratégies de prélèvements par régression linéaire multiple
pour le tacrolimus, basées sur la même population, ont été développées.[211] La
comparaison entre les 2 méthodes montre des performances similaires. Toutefois, la
méthode par régression linéaire multiple a tendance à sous-estimer l’ASC. La méthode par
régression linéaire multiple permet de calculer l’exposition avec une équation simple, mais
cette approche est limitée par la nécessité de respecter les horaires de prélèvements définis
ce qui peut parfois être incompatible avec la pratique clinique en routine. Cependant, la
méthode d’estimation Bayesienne présente l’avantage d’une plus grande souplesse dans le
respect des horaires et du nombre de prélèvements que les stratégies de prélèvements
limités utilisant la régression linéaire multiple, ce qui est plus compatible avec la pratique
clinique. De plus, la méthode d’estimation Bayesienne permet d’estimer les paramètres
pharmacocinétiques du patient et de reconstituer la totalité de la courbe de la concentration
en fonction du temps ce qui fournit un précieux indice de l’adéquation entre l’AUC estimée
et les valeurs de concentrations mesurées. Cet outil est caractérisé par sa facilité d’usage en
routine hospitalière, il peut être d’un grand intérêt sur le plan clinique et doit contribuer à
améliorer la prise en charge individuelle des patients.

Le défi majeur des études en pédiatrie est la grande variabilité dans les profils
pharmacocinétiques due à la maturation, la croissance mais aussi à la forme galénique des
médicaments administrés. Les suspensions n’existant pas pour certains médicaments, sont
préparées par l’hôpital ou la pharmacie locale. Les biodisponibilités de ces suspensions ne
sont jamais évaluées et ceci introduit une variabilité énorme dans les études. Une solution
pourrait être le contrôle de la biodisponibilité et son introduction dans les études
pharmacocinétiques. Un autre défi qui découle des variabilités élevées est le nombre de
patients à inclure dans les études. Malgré que la POPPK soit une méthode robuste capable
de déterminer les paramètres PK à partir d’un nombre limité de patients, une certaine
 158

homogénéité est nécessaire. Plus la variabilité dans la cinétique du médicament augmente,

plus le nombre de patients pour bien estimer les paramètres est élevé. Une fois les
problèmes pour construire un modèle utile sont surmontés, apparaissent les défis pour
rendre ces modèles accessibles aux cliniciens. Le développement d’une plate-forme
informatique est l’étape ultime pour que les cliniciens puissent profiter des résultats des
modèles développés pour individualiser les traitements au chevet du patient selon ses
caractéristiques.

Des nouvelles études sont à entreprendre afin d’élargir le domaine d’application de

ces outils à d’autres types de patients (greffés cardiaques, rénaux) et à d’autres traitements
(busulfan, voriconazole,…). De plus, d’autres études visant à étudier l’effet du génotypage
des enzymes responsables du métabolisme du busulfan (GST), du voriconazole (CYP2C19)
et du tacrolimus (CYP3A5) sont actuellement effectuées au CHU Ste-Justine et devrait
nous permettre d’évaluer ultérieurement l’impact des facteurs génétiques sur le
métabolisme de ces médicaments et la variabilité des rapports métaboliques.

Enfin, les travaux de cette thèse peuvent être vus comme un pas vers le
développement d’approches prédictives de la thérapie individualisée. Les outils
pharmacocinétiques développés s’inscriraient à part entière dans une démarche visant à
diminuer le taux d'échec thérapeutique et l’incidence des effets indésirables ou toxiques
chez les enfants immunosupprimés et ayant bénéficié d’une transplantation.
 159

Bibliographie
1. Kang JS, Lee MH. Overview of therapeutic drug monitoring. The Korean journal of
internal medicine. 2009;24:1-10.
2. Kuehl P, Zhang J, Lin Y, Lamba J, Assem M, Schuetz J, Watkins PB, Daly A,
Wrighton SA, Hall SD, Maurel P, Relling M, Brimer C, Yasuda K, Venkataramanan R,
Strom S, Thummel K, Boguski MS, Schuetz E. Sequence diversity in CYP3A promoters
and characterization of the genetic basis of polymorphic CYP3A5 expression. Nat Genet.
2001;27:383-91.
3. Beaulieu P, Lambert C. Précis de pharmacologie: Du fondamental à la clinique.
Montréal LpdlUd, editor2010.
4. Rane A, Schwab M, Seyberth H. Pediatric clinical pharmacology: Springer; 2011.
5. Kearns GL, Abdel-Rahman SM, Alander SW, Blowey DL, Leeder JS, Kauffman
RE. Developmental pharmacology--drug disposition, action, and therapy in infants and
children. N Engl J Med. 2003;349:1157-67.
6. Novak E, Allen PJ. Prescribing medications in pediatrics: concerns regarding FDA
approval and pharmacokinetics. Pediatr Nurs. 2007;33:64-70.
7. Venkataramanan R, Swaminathan A, Prasad T, Jain A, Zuckerman S, Warty V,
McMichael J, Lever J, Burckart G, Starzl T. Clinical pharmacokinetics of tacrolimus. Clin
Pharmacokinet. 1995;29:404-30.
8. International conference on harmonisation of technical requirements for registration
of pharmaceuticals for human use. Clinical investigation of medicinal products in the
pediatric population E11. 2000; Available from:
http://www.ich.org/fileadmin/Public_Web_Site/ICH_Products/Guidelines/Efficacy/E11/Ste
p4/E11_Guideline.pdf.
9. Strolin Benedetti M, Whomsley R, Baltes EL. Differences in absorption,
distribution, metabolism and excretion of xenobiotics between the paediatric and adult
populations. Expert opinion on drug metabolism & toxicology. 2005;1:447-71.
10. European Medicines Agency. Clinical Investigation of Medicinal Products in the
Paediatric Population. 2001; Available from:
http://www.emea.europa.eu/docs/en_GB/document_library/Scientific_guideline/2009/09/W
C500002926.pdf.
11. Bartelink IH, Rademaker CM, Schobben AF, van den Anker JN. Guidelines on
paediatric dosing on the basis of developmental physiology and pharmacokinetic
considerations. Clin Pharmacokinet. 2006;45:1077-97.
12. Hunt A, Joel S, Dick G, Goldman A. Population pharmacokinetics of oral morphine
and its glucuronides in children receiving morphine as immediate-release liquid or
sustained-release tablets for cancer pain. J Pediatr. 1999;135:47-55.
 160

13. Bakshi SS, Britto P, Capparelli E, Mofenson L, Fowler MG, Rasheed S, Schoenfeld
D, Zimmer B, Frank Y, Yogev R, Jimenez E, Salgo M, Boone G, Pahwa SG. Evaluation of
pharmacokinetics, safety, tolerance, and activity of combination of zalcitabine and
zidovudine in stable, zidovudine-treated pediatric patients with human immunodeficiency
virus infection. AIDS Clinical Trials Group Protocol 190 Team. The Journal of infectious
diseases. 1997;175:1039-50.
14. Murthy BV, Pandya KS, Booker PD, Murray A, Lintz W, Terlinden R.
Pharmacokinetics of tramadol in children after i.v. or caudal epidural administration. Br J
Anaesth. 2000;84:346-9.
15. Komori M, Nishio K, Kitada M, Shiramatsu K, Muroya K, Soma M, Nagashima K,
Kamataki T. Fetus-specific expression of a form of cytochrome P-450 in human livers.
Biochemistry. 1990;29:4430-3.
16. Holford NH. A size standard for pharmacokinetics. Clin Pharmacokinet.
1996;30:329-32.
17. Anderson BJ, Holford NH. Mechanism-based concepts of size and maturity in
pharmacokinetics. Annual review of pharmacology and toxicology. 2008;48:303-32.
18. Mahmood I. Prediction of drug clearance in children from adults: a comparison of
several allometric methods. Br J Clin Pharmacol. 2006;61:545-57.
19. Knibbe CA, Krekels EH, van den Anker JN, DeJongh J, Santen GW, van Dijk M,
Simons SH, van Lingen RA, Jacqz-Aigrain EM, Danhof M, Tibboel D. Morphine
glucuronidation in preterm neonates, infants and children younger than 3 years. Clin
Pharmacokinet. 2009;48:371-85.
20. Peeters MY, Allegaert K, Blusse van Oud-Alblas HJ, Cella M, Tibboel D, Danhof
M, Knibbe CA. Prediction of propofol clearance in children from an allometric model
developed in rats, children and adults versus a 0.75 fixed-exponent allometric model. Clin
Pharmacokinet. 2010;49:269-75.
21. Anderson BJ, Meakin GH. Scaling for size: some implications for paediatric
anaesthesia dosing. Paediatr Anaesth. 2002;12:205-19.
22. Tod M, Jullien V, Pons G. Facilitation of drug evaluation in children by population
methods and modelling. Clin Pharmacokinet. 2008;47:231-43.
23. Holford N. Dosing in children. Clin Pharmacol Ther. 2010;87:367-70.
24. Alcorn J, McNamara PJ. Pharmacokinetics in the newborn. Adv Drug Deliv Rev.
2003;55:667-86.
25. Commare CE, Tappenden KA. Development of the infant intestine: implications for
nutrition support. Nutrition in clinical practice : official publication of the American
Society for Parenteral and Enteral Nutrition. 2007;22:159-73.
 161

26. Anderson GD, Lynn AM. Optimizing pediatric dosing: a developmental

pharmacologic approach. Pharmacotherapy. 2009;29:680-90.
27. Axelsson I, Jakobsson I, Lindberg T, Polberger S, Benediktsson B, Raiha N.
Macromolecular absorption in preterm and term infants. Acta paediatrica Scandinavica.
1989;78:532-7.
28. Strolin Benedetti M, Baltes EL. Drug metabolism and disposition in children.
Fundam Clin Pharmacol. 2003;17:281-99.
29. Kearns GL. Impact of developmental pharmacology on pediatric study design:
overcoming the challenges. The Journal of allergy and clinical immunology.
2000;106:S128-38.
30. Fakhoury M, Litalien C, Medard Y, Cave H, Ezzahir N, Peuchmaur M, Jacqz-
Aigrain E. Localization and mRNA expression of CYP3A and P -glycoprotein in human
duodenum as a function of age. Drug Metab Dispos. 2005;33:1603-7.
31. Hutson JR, Weitzman S, Schechter T, Arceci RJ, Kim RB, Finkelstein Y.
Pharmacokinetic and pharmacogenetic determinants and considerations in chemotherapy
selection and dosing in infants. Expert opinion on drug metabolism & toxicology.
2012;8:709-22.
32. Christians U, Braun F, Schmidt M, Kosian N, Schiebel HM, Ernst L, Winkler M,
Kruse C, Linck A, Sewing KF. Specific and sensitive measurement of FK506 and its
metabolites in blood and urine of liver-graft recipients. Clin Chem. 1992;38:2025-32.
33. Windorfer A, Kuenzer W, Urbanek R. The influence of age on the activity of
acetylsalicylic acid-esterase and protein-salicylate binding. Eur J Clin Pharmacol.
1974;7:227-31.
34. Ehrnebo M, Agurell S, Jalling B, Boreus LO. Age differences in drug binding by
plasma proteins: studies on human foetuses, neonates and adults. Eur J Clin Pharmacol.
1971;3:189-93.
35. Alcorn J, McNamara PJ. Ontogeny of hepatic and renal systemic clearance
pathways in infants: part I. Clin Pharmacokinet. 2002;41:959-98.
36. Lin JH, Yamazaki M. Role of P-glycoprotein in pharmacokinetics: clinical
implications. Clin Pharmacokinet. 2003;42:59-98.
37. Anderson BJ. Pharmacology in the very young: anaesthetic implications. European
journal of anaesthesiology. 2012;29:261-70.
38. Rowland M, Benet LZ, Graham GG. Clearance concepts in pharmacokinetics.
Journal of pharmacokinetics and biopharmaceutics. 1973;1:123-36.
39. Pang KS, Rowland M. Hepatic clearance of drugs. I. Theoretical considerations of a
"well-stirred" model and a "parallel tube" model. Influence of hepatic blood flow, plasma
 162

and blood cell binding, and the hepatocellular enzymatic activity on hepatic drug clearance.
Journal of pharmacokinetics and biopharmaceutics. 1977;5:625-53.
40. Yamazaki M, Suzuki H, Sugiyama Y. Recent advances in carrier-mediated hepatic
uptake and biliary excretion of xenobiotics. Pharm Res. 1996;13:497-513.
41. Balistreri WF. Immaturity of hepatic excretory function and the ontogeny of bile
acid metabolism. J Pediatr Gastroenterol Nutr. 1983;2 Suppl 1:S207-14.
42. Cresteil T, Beaune P, Kremers P, Celier C, Guengerich FP, Leroux JP.
Immunoquantification of epoxide hydrolase and cytochrome P-450 isozymes in fetal and
adult human liver microsomes. European journal of biochemistry / FEBS. 1985;151:345-
50.
43. Cresteil T. Onset of xenobiotic metabolism in children: toxicological implications.
Food additives and contaminants. 1998;15 Suppl:45-51.
44. Sonnier M, Cresteil T. Delayed ontogenesis of CYP1A2 in the human liver.
European journal of biochemistry / FEBS. 1998;251:893-8.
45. Ratanasavanh D, Beaune P, Morel F, Flinois JP, Guengerich FP, Guillouzo A.
Intralobular distribution and quantitation of cytochrome P-450 enzymes in human liver as a
function of age. Hepatology. 1991;13:1142-51.
46. Tateishi T, Nakura H, Asoh M, Watanabe M, Tanaka M, Kumai T, Takashima S,
Imaoka S, Funae Y, Yabusaki Y, Kamataki T, Kobayashi S. A comparison of hepatic
cytochrome P450 protein expression between infancy and postinfancy. Life Sci.
1997;61:2567-74.
47. Treluyer JM, Cheron G, Sonnier M, Cresteil T. Cytochrome P-450 expression in
sudden infant death syndrome. Biochem Pharmacol. 1996;52:497-504.
48. Treluyer JM, Gueret G, Cheron G, Sonnier M, Cresteil T. Developmental
expression of CYP2C and CYP2C-dependent activities in the human liver: in-vivo/in-vitro
correlation and inducibility. Pharmacogenetics. 1997;7:441-52.
49. Daly AK, Brockmoller J, Broly F, Eichelbaum M, Evans WE, Gonzalez FJ, Huang
JD, Idle JR, Ingelman-Sundberg M, Ishizaki T, Jacqz-Aigrain E, Meyer UA, Nebert DW,
Steen VM, Wolf CR, Zanger UM. Nomenclature for human CYP2D6 alleles.
Pharmacogenetics. 1996;6:193-201.
50. Lacroix D, Sonnier M, Moncion A, Cheron G, Cresteil T. Expression of CYP3A in
the human liver--evidence that the shift between CYP3A7 and CYP3A4 occurs
immediately after birth. European journal of biochemistry / FEBS. 1997;247:625-34.
51. Yang M, Zhu XR, Park PC, Titt U, Mohan R, Virshup G, Clayton JE, Dong L.
Comprehensive analysis of proton range uncertainties related to patient stopping-power-
ratio estimation using the stoichiometric calibration. Physics in medicine and biology.
2012;57:4095-115.
 163

52. Kamdem LK, Streit F, Zanger UM, Brockmoller J, Oellerich M, Armstrong VW,
Wojnowski L. Contribution of CYP3A5 to the in vitro hepatic clearance of tacrolimus. Clin
Chem. 2005;51:1374-81.
53. Wrighton SA, Brian WR, Sari MA, Iwasaki M, Guengerich FP, Raucy JL, Molowa
DT, Vandenbranden M. Studies on the expression and metabolic capabilities of human liver
cytochrome P450IIIA5 (HLp3). Mol Pharmacol. 1990;38:207-13.
54. Schuetz JD, Beach DL, Guzelian PS. Selective expression of cytochrome P450
CYP3A mRNAs in embryonic and adult human liver. Pharmacogenetics. 1994;4:11-20.
55. van den Berg H, van den Anker JN, Beijnen JH. Cytostatic drugs in infants: a
review on pharmacokinetic data in infants. Cancer treatment reviews. 2012;38:3-26.
56. Furlan V, Perello L, Jacquemin E, Debray D, Taburet AM. Interactions between
FK506 and rifampicin or erythromycin in pediatric liver recipients. Transplantation.
1995;59:1217-8.
57. Gabrielsson J, Weiner D. Pharmacokinetic and pharmacodynamic data Analysis:
Concepts and Applications2000.
58. Barrett JS, Fossler MJ, Cadieu KD, Gastonguay MR. Pharmacometrics: a
multidisciplinary field to facilitate critical thinking in drug development and translational
research settings. J Clin Pharmacol. 2008;48:632-49.
59. Mould DR, Upton RN. Basic Concepts in Population Modeling, Simulation, and
Model-Based Drug Development. CPT: Pharmacometrics & Systems Pharmacology
2012;1.
60. Gieschke R, Steimer JL. Pharmacometrics: modelling and simulation tools to
improve decision making in clinical drug development. Eur J Drug Metab Pharmacokinet.
2000;25:49-58.
61. Grasela TH, Dement CW, Kolterman OG, Fineman MS, Grasela DM, Honig P,
Antal EJ, Bjornsson TD, Loh E. Pharmacometrics and the transition to model-based
development. Clin Pharmacol Ther. 2007;82:137-42.
62. Sheiner LB. Learning versus confirming in clinical drug development. Clin
Pharmacol Ther. 1997;61:275-91.
63. Sheiner LB, Steimer JL. Pharmacokinetic/pharmacodynamic modeling in drug
development. Annual review of pharmacology and toxicology. 2000;40:67-95.
64. Lee JY, Garnett CE, Gobburu JV, Bhattaram VA, Brar S, Earp JC, Jadhav PR,
Krudys K, Lesko LJ, Li F, Liu J, Madabushi R, Marathe A, Mehrotra N, Tornoe C, Wang
Y, Zhu H. Impact of pharmacometric analyses on new drug approval and labelling
decisions: a review of 198 submissions between 2000 and 2008. Clin Pharmacokinet.
2011;50:627-35.
 164

65. Bhattaram VA, Bonapace C, Chilukuri DM, Duan JZ, Garnett C, Gobburu JV, Jang
SH, Kenna L, Lesko LJ, Madabushi R, Men Y, Powell JR, Qiu W, Ramchandani RP,
Tornoe CW, Wang Y, Zheng JJ. Impact of pharmacometric reviews on new drug approval
and labeling decisions--a survey of 31 new drug applications submitted between 2005 and
2006. Clin Pharmacol Ther. 2007;81:213-21.
66. Powell JR, Gobburu JV. Pharmacometrics at FDA: evolution and impact on
decisions. Clin Pharmacol Ther. 2007;82:97-102.
67. Barrett JS. The role of quantitative pharmacology in an academic translational
research environment. The AAPS journal. 2008;10:9-14.
68. Holford N, Karlsson MO. Time for quantitative clinical pharmacology: a proposal
for a pharmacometrics curriculum. Clin Pharmacol Ther. 2007;82:103-5.
69. Gabrielsson J, Weiner D. Pharmacokinetic & Pharmacodynamic Data Analysis:
Concepts and Applications. 4 ed2006.
70. Sheiner LB, Rosenberg B, Melmon KL. Modelling of individual pharmacokinetics
for computer-aided drug dosage. Computers and biomedical research, an international
journal. 1972;5:411-59.
71. Berde CB. Convulsions associated with pediatric regional anesthesia. Anesthesia
and analgesia. 1992;75:164-6.
72. Burns LE, Hodgman JE, Cass AB. Fatal circulatory collapse in premature infants
receiving chloramphenicol. N Engl J Med. 1959;261:1318-21.
73. Kauffman RE. Fentanyl, fads, and folly: who will adopt the therapeutic orphans? J
Pediatr. 1991;119:588-9.
74. Chatelut E, Boddy AV, Peng B, Rubie H, Lavit M, Dezeuze A, Pearson AD, Roche
H, Robert A, Newell DR, Canal P. Population pharmacokinetics of carboplatin in children.
Clin Pharmacol Ther. 1996;59:436-43.
75. Collart L, Blaschke TF, Boucher F, Prober CG. Potential of population
pharmacokinetics to reduce the frequency of blood sampling required for estimating kinetic
parameters in neonates. Developmental pharmacology and therapeutics. 1992;18:71-80.
76. Crome P, Flanagan RJ. Pharmacokinetic studies in elderly people. Are they
necessary? Clin Pharmacokinet. 1994;26:243-7.
77. Anderson BJ, Allegaert K, Holford NH. Population clinical pharmacology of
children: general principles. Eur J Pediatr. 2006;165:741-6.
78. Ette EI, Williams PJ. Population pharmacokinetics I: background, concepts, and
models. Ann Pharmacother. 2004;38:1702-6.
79. Beal SL, Sheiner LB. NONMEM user’s guides. NONMEM Project Group. San
Francisco: University of California - 1992. 1992.
 165

80. Kuhn E, Lavielle M. Maximum likelihood estimation in nonlinear mixed effects

models. Computational Statistics and Data Analysis. 2005;49:1020-38.
81. Pinheiro J, Bates D, DebRoy S, Sarkar D. nlme: Linear and Nonlinear Mixed
Effects Models. R package version 3.1-103. 2012.
82. Lindstrom ML, Bates DM. Nonlinear mixed effects models for repeated measures
data. Biometrics. 1990;46:673-87.
83. Wang X, Schumitzky A, D'Argenio DZ. Nonlinear Random Effects Mixture
Models: Maximum Likelihood Estimation via the EM Algorithm. Computational statistics
& data analysis. 2007;51:6614-23.
84. Bertrand J, Comets E, Chenel M, Mentre F. Some Alternatives to Asymptotic Tests
for the Analysis of Pharmacogenetic Data Using Nonlinear Mixed Effects Models.
Biometrics. 2011.
85. Ette EI. Stability and performance of a population pharmacokinetic model. J Clin
Pharmacol. 1997;37:486-95.
86. Ette EI, Onyiah LC. Estimating inestimable standard errors in population
pharmacokinetic studies: the bootstrap with Winsorization. Eur J Drug Metab
Pharmacokinet. 2002;27:213-24.
87. Yano Y, Beal SL, Sheiner LB. Evaluating pharmacokinetic/pharmacodynamic
models using the posterior predictive check. J Pharmacokinet Pharmacodyn. 2001;28:171-
92.
88. Post TM, Freijer JI, Ploeger BA, Danhof M. Extensions to the visual predictive
check to facilitate model performance evaluation. J Pharmacokinet Pharmacodyn.
2008;35:185-202.
89. Comets E, Brendel K, Mentre F. Why Should Prediction Discrepancies Be
Renamed Standardized Visual Predictive Check? J Clin Pharmacol. 2011.
90. Wang DD, Zhang S. Standardized visual predictive check versus visual predictive
check for model evaluation. J Clin Pharmacol. 2012;52:39-54.
91. Grasela TH, Sheiner LB, Rambeck B, Boenigk HE, Dunlop A, Mullen P W,
Wadsworth J, Richens A, Ishizaki T, Chiba K, et al. Steady-state pharmacokinetics of
phenytoin from routinely collected patient data. Clin Pharmacokinet. 1983;8:355-64.
92. Retout S, Mentre F. Optimization of individual and population designs using Splus.
J Pharmacokinet Pharmacodyn. 2003;30:417-43.
93. Rajagopalan P, Gastonguay MR. Population pharmacokinetics of ciprofloxacin in
pediatric patients. J Clin Pharmacol. 2003;43:698-710.
94. Anderson BJ, Woollard GA, Holford NH. A model for size and age changes in the
pharmacokinetics of paracetamol in neonates, infants and children. Br J Clin Pharmacol.
2000;50:125-34.
 166

95. Anderson BJ, Allegaert K, Holford NH. Population clinical pharmacology of

children: modelling covariate effects. Eur J Pediatr. 2006;165:819-29.
96. Kalow W. Pharmacogenetics, pharmacogenomics, and pharmacobiology. Clin
Pharmacol Ther. 2001;70:1-4.
97. Thummel KE, Wilkinson GR. In vitro and in vivo drug interactions involving
human CYP3A. Annual review of pharmacology and toxicology. 1998;38:389-430.
98. Westlind-Johnsson A, Malmebo S, Johansson A, Otter C, Andersson TB, Johansson
I, Edwards RJ, Boobis AR, Ingelman-Sundberg M. Comparative analysis of CYP3A
expression in human liver suggests only a minor role for CYP3A5 in drug metabolism.
Drug Metab Dispos. 2003;31:755-61.
99. Koch I, Weil R, Wolbold R, Brockmoller J, Hustert E, Burk O, Nuessler A,
Neuhaus P, Eichelbaum M, Zanger U, Wojnowski L. Interindividual variability and tissue-
specificity in the expression of cytochrome P450 3A mRNA. Drug Metab Dispos.
2002;30:1108-14.
100. Lamba JK, Lin YS, Schuetz EG, Thummel KE. Genetic contribution to variable
human CYP3A-mediated metabolism. Adv Drug Deliv Rev. 2002;54:1271-94.
101. Amirimani B, Walker AH, Weber BL, Rebbeck TR. RESPONSE: re: modification
of clinical presentation of prostate tumors by a novel genetic variant in CYP3A4. Journal of
the National Cancer Institute. 1999;91:1588-90.
102. Westlind A, Lofberg L, Tindberg N, Andersson TB, Ingelman-Sundberg M.
Interindividual differences in hepatic expression of CYP3A4: relationship to genetic
polymorphism in the 5'-upstream regulatory region. Biochem Biophys Res Commun.
1999;259:201-5.
103. Spurdle AB, Goodwin B, Hodgson E, Hopper JL, Chen X, Purdie DM, McCredie
MR, Giles GG, Chenevix-Trench G, Liddle C. The CYP3A4*1B polymorphism has no
functional significance and is not associated with risk of breast or ovarian cancer.
Pharmacogenetics. 2002;12:355-66.
104. Hustert E, Haberl M, Burk O, Wolbold R, He YQ, Klein K, Nuessler AC, Neuhaus
P, Klattig J, Eiselt R, Koch I, Zibat A, Brockmoller J, Halpert JR, Zanger UM, Wojnowski
L. The genetic determinants of the CYP3A5 polymorphism. Pharmacogenetics.
2001;11:773-9.
105. Shimizu T, Ochiai H, Asell F, Shimizu H, Saitoh R, Hama Y, Katada J, Hashimoto
M, Matsui H, Taki K, Kaminuma T, Yamamoto M, Aida Y, Ohashi A, Ozawa N.
Bioinformatics research on inter-racial difference in drug metabolism I. Analysis on
frequencies of mutant alleles and poor metabolizers on CYP2D6 and CYP2C19. Drug
Metab Pharmacokinet. 2003;18:48-70.
 167

106. Xie HG, Kim RB, Wood AJ, Stein CM. Molecular basis of ethnic differences in
drug disposition and response. Annual review of pharmacology and toxicology.
2001;41:815-50.
107. Wilkinson GR. Drug metabolism and variability among patients in drug response. N
Engl J Med. 2005;352:2211-21.
108. Hengstler JG, Arand M, Herrero ME, Oesch F. Polymorphisms of N-
acetyltransferases, glutathione S-transferases, microsomal epoxide hydrolase and
sulfotransferases: influence on cancer susceptibility. Recent results in cancer research
Fortschritte der Krebsforschung Progres dans les recherches sur le cancer. 1998;154:47-85.
109. Cotton SC, Sharp L, Little J, Brockton N. Glutathione S-transferase polymorphisms
and colorectal cancer: a HuGE review. Am J Epidemiol. 2000;151:7-32.
110. Coles BF, Chen G, Kadlubar FF, Radominska-Pandya A. Interindividual variation
and organ-specific patterns of glutathione S-transferase alpha, mu, and pi expression in
gastrointestinal tract mucosa of normal individuals. Arch Biochem Biophys. 2002;403:270-
6.
111. Komiya Y, Tsukino H, Nakao H, Kuroda Y, Imai H, Katoh T. Human glutathione
S-transferase A1, T1, M1, and P1 polymorphisms and susceptibility to prostate cancer in
the Japanese population. Journal of cancer research and clinical oncology. 2005;131:238-
42.
112. Holmstrom G, Borgstrom B, Calissendorff B. Cataract in children after bone
marrow transplantation: relation to conditioning regimen. Acta ophthalmologica
Scandinavica. 2002;80:211-5.
113. Santos GW. The development of busulfan/cyclophosphamide preparative regimens.
Semin Oncol. 1993;20:12-6; quiz 7.
114. Santos GW, Tutschka PJ, Brookmeyer R, Saral R, Beschorner WE, Bias WB,
Braine HG, Burns WH, Elfenbein GJ, Kaizer H, et al. Marrow transplantation for acute
nonlymphocytic leukemia after treatment with busulfan and cyclophosphamide. N Engl J
Med. 1983;309:1347-53.
115. DeLeve LD, Wang X. Role of oxidative stress and glutathione in busulfan toxicity
in cultured murine hepatocytes. Pharmacology. 2000;60:143-54.
116. Hassan M, Ehrsson H, Ljungman P. Aspects concerning busulfan pharmacokinetics
and bioavailability. Leuk Lymphoma. 1996;22:395-407.
117. Hassan M, Ljungman P, Bolme P, Ringden O, Syruckova Z, Bekassy A, Stary J,
Wallin I, Kallberg N. Busulfan bioavailability. Blood. 1994;84:2144-50.
118. Vassal G, Gouyette A, Hartmann O, Pico JL, Lemerle J. Pharmacokinetics of high-
dose busulfan in children. Cancer Chemother Pharmacol. 1989;24:386-90.
 168

119. Tran HT, Madden T, Petropoulos D, Worth LL, Felix EA, Sprigg-Saenz HA,
Choroszy M, Danielson M, Przepiorka D, Chan KW. Individualizing high-dose oral
busulfan: prospective dose adjustment in a pediatric population undergoing allogeneic stem
cell transplantation for advanced hematologic malignancies. Bone Marrow Transplant.
2000;26:463-70.
120. Buggia I, Locatelli F, Regazzi MB, Zecca M. Busulfan. Ann Pharmacother.
1994;28:1055-62.
121. Hassan M, Ehrsson H, Smedmyr B, Totterman T, Wallin I, Oberg G, Simonsson B.
Cerebrospinal fluid and plasma concentrations of busulfan during high-dose therapy. Bone
Marrow Transplant. 1989;4:113-4.
122. McCune JS, Gibbs JP, Slattery JT. Plasma concentration monitoring of busulfan:
does it improve clinical outcome? Clin Pharmacokinet. 2000;39:155-65.
123. Czerwinski M, Gibbs JP, Slattery JT. Busulfan conjugation by glutathione S-
transferases alpha, mu, and pi. Drug Metab Dispos. 1996;24:1015-9.
124. Bredschneider M, Klein K, Murdter TE, Marx C, Eichelbaum M, Nussler AK,
Neuhaus P, Zanger UM, Schwab M. Genetic polymorphisms of glutathione S-transferase
A1, the major glutathione S-transferase in human liver: consequences for enzyme
expression and busulfan conjugation. Clin Pharmacol Ther. 2002;71:479-87.
125. Zwaveling J, Press RR, Bredius RG, van Derstraaten TR, den Hartigh J, Bartelink
IH, Boelens JJ, Guchelaar HJ. Glutathione S-transferase polymorphisms are not associated
with population pharmacokinetic parameters of busulfan in pediatric patients. Ther Drug
Monit. 2008;30:504-10.
126. Johnson L, Orchard PJ, Baker KS, Brundage R, Cao Q, Wang X, Langer E, Farag-
El Maasah S, Ross JA, Remmel R, Jacobson PA. Glutathione S-transferase A1 genetic
variants reduce busulfan clearance in children undergoing hematopoietic cell
transplantation. J Clin Pharmacol. 2008;48:1052-62.
127. Kusama M, Kubota T, Matsukura Y, Matsuno K, Ogawa S, Kanda Y, Iga T.
Influence of glutathione S-transferase A1 polymorphism on the pharmacokinetics of
busulfan. Clinica chimica acta; international journal of clinical chemistry. 2006;368:93-8.
128. Srivastava A, Poonkuzhali B, Shaji RV, George B, Mathews V, Chandy M,
Krishnamoorthy R. Glutathione S-transferase M1 polymorphism: a risk factor for hepatic
venoocclusive disease in bone marrow transplantation. Blood. 2004;104:1574-7.
129. Vassal G, Challine D, Koscielny S, Hartmann O, Deroussent A, Boland I, Valteau-
Couanet D, Lemerle J, Levi F, Gouyette A. Chronopharmacology of high-dose busulfan in
children. Cancer Res. 1993;53:1534-7.
130. Poonkuzhali B, Chandy M, Srivastava A, Dennison D, Krishnamoorthy R.
Glutathione S-transferase activity influences busulfan pharmacokinetics in patients with
 169

beta thalassemia major undergoing bone marrow transplantation. Drug Metab Dispos.
2001;29:264-7.
131. Fitzsimmons WE, Ghalie R, Kaizer H. Anticonvulsants and busulfan. Annals of
internal medicine. 1990;112:552-3.
132. Trame MN, Bergstrand M, Karlsson MO, Boos J, Hempel G. Population
pharmacokinetics of busulfan in children: increased evidence for body surface area and
allometric body weight dosing of busulfan in children. Clin Cancer Res. 2011;17:6867-77.
133. Nguyen L. Integration of modelling and simulation into the development of
intravenous busulfan in paediatrics: an industrial experience. Fundam Clin Pharmacol.
2008;22:599-604.
134. Booth BP, Rahman A, Dagher R, Griebel D, Lennon S, Fuller D, Sahajwalla C,
Mehta M, Gobburu JV. Population pharmacokinetic-based dosing of intravenous busulfan
in pediatric patients. J Clin Pharmacol. 2007;47:101-11.
135. Nakamura H, Sato T, Okada K, Miura G, Ariyoshi N, Nakazawa K, Kitada M.
Population pharmacokinetics of oral busulfan in young Japanese children before
hematopoietic stem cell transplantation. Ther Drug Monit. 2008;30:75-83.
136. Schiltmeyer B, Klingebiel T, Schwab M, Murdter TE, Ritter CA, Jenke A, Ehninger
G, Gruhn B, Wurthwein G, Boos J, Hempel G. Population pharmacokinetics of oral
busulfan in children. Cancer Chemother Pharmacol. 2003;52:209-16.
137. Nguyen L, Fuller D, Lennon S, Leger F, Puozzo C. I.V. busulfan in pediatrics: a
novel dosing to improve safety/efficacy for hematopoietic progenitor cell transplantation
recipients. Bone Marrow Transplant. 2004;33:979-87.
138. Vassal G, Michel G, Esperou H, Gentet JC, Valteau-Couanet D, Doz F, Mechinaud
F, Galambrun C, Neven B, Zouabi H, Nguyen L, Puozzo C. Prospective validation of a
novel IV busulfan fixed dosing for paediatric patients to improve therapeutic AUC
targeting without drug monitoring. Cancer Chemother Pharmacol. 2008;61:113-23.
139. Ansari M, Lauzon-Joset JF, Vachon MF, Duval M, Theoret Y, Champagne MA,
Krajinovic M. Influence of GST gene polymorphisms on busulfan pharmacokinetics in
children. Bone Marrow Transplant. 2010;45:261-7.
140. Sanati H, Belanger P, Fratti R, Ghannoum M. A new triazole, voriconazole (UK-
109,496), blocks sterol biosynthesis in Candida albicans and Candida krusei. Antimicrob
Agents Chemother. 1997;41:2492-6.
141. Ghannoum MA, Kuhn DM. Voriconazole -- better chances for patients with
invasive mycoses. European journal of medical research. 2002;7:242-56.
142. Jeu L, Piacenti FJ, Lyakhovetskiy AG, Fung HB. Voriconazole. Clin Ther.
2003;25:1321-81.
 170

143. Purkins L, Wood N, Greenhalgh K, Allen MJ, Oliver SD. Voriconazole, a novel
wide-spectrum triazole: oral pharmacokinetics and safety. Br J Clin Pharmacol. 2003;56
Suppl 1:10-6.
144. Purkins L, Wood N, Greenhalgh K, Eve MD, Oliver SD, Nichols D. The
pharmacokinetics and safety of intravenous voriconazole - a novel wide-spectrum
antifungal agent. Br J Clin Pharmacol. 2003;56 Suppl 1:2-9.
145. Purkins L, Wood N, Ghahramani P, Greenhalgh K, Allen MJ, Kleinermans D.
Pharmacokinetics and safety of voriconazole following intravenous- to oral-dose escalation
regimens. Antimicrob Agents Chemother. 2002;46:2546-53.
146. Lazarus HM, Blumer JL, Yanovich S, Schlamm H, Romero A. Safety and
pharmacokinetics of oral voriconazole in patients at risk of fungal infection: a dose
escalation study. J Clin Pharmacol. 2002;42:395-402.
147. Pascual A, Calandra T, Bolay S, Buclin T, Bille J, Marchetti O. Voriconazole
therapeutic drug monitoring in patients with invasive mycoses improves efficacy and safety
outcomes. Clin Infect Dis. 2008;46:201-11.
148. Pascual A, Nieth V, Calandra T, Bille J, Bolay S, Decosterd LA, Buclin T,
Majcherczyk PA, Sanglard D, Marchetti O. Variability of voriconazole plasma levels
measured by new high-performance liquid chromatography and bioassay methods.
Antimicrob Agents Chemother. 2007;51:137-43.
149. Scott LJ, Simpson D. Voriconazole : a review of its use in the management of
invasive fungal infections. Drugs. 2007;67:269-98.
150. Denning DW, Ribaud P, Milpied N, Caillot D, Herbrecht R, Thiel E, Haas A,
Ruhnke M, Lode H. Efficacy and safety of voriconazole in the treatment of acute invasive
aspergillosis. Clin Infect Dis. 2002;34:563-71.
151. Theuretzbacher U, Ihle F, Derendorf H. Pharmacokinetic/pharmacodynamic profile
of voriconazole. Clin Pharmacokinet. 2006;45:649-63.
152. Spencer CM, Goa KL, Gillis JC. Tacrolimus. An update of its pharmacology and
clinical efficacy in the management of organ transplantation. Drugs. 1997;54:925-75.
153. Robatel C, Rusca M, Padoin C, Marchetti O, Liaudet L, Buclin T. Disposition of
voriconazole during continuous veno-venous haemodiafiltration (CVVHDF) in a single
patient. J Antimicrob Chemother. 2004;54:269-70.
154. Roffey SJ, Cole S, Comby P, Gibson D, Jezequel SG, Nedderman AN, Smith DA,
Walker DK, Wood N. The disposition of voriconazole in mouse, rat, rabbit, guinea pig,
dog, and human. Drug Metab Dispos. 2003;31:731-41.
155. Karlsson MO, Lutsar I, Milligan PA. Population pharmacokinetic analysis of
voriconazole plasma concentration data from pediatric studies. Antimicrob Agents
Chemother. 2009;53:935-44.
 171

156. Walsh TJ, Karlsson MO, Driscoll T, Arguedas AG, Adamson P, Saez-Llorens X,
Vora AJ, Arrieta AC, Blumer J, Lutsar I, Milligan P, Wood N. Pharmacokinetics and safety
of intravenous voriconazole in children after single- or multiple-dose administration.
Antimicrob Agents Chemother. 2004;48:2166-72.
157. Kino T, Hatanaka H, Hashimoto M, Nishiyama M, Goto T, Okuhara M, Kohsaka
M, Aoki H, Imanaka H. FK-506, a novel immunosuppressant isolated from a Streptomyces.
I. Fermentation, isolation, and physico-chemical and biological characteristics. J Antibiot
(Tokyo). 1987;40:1249-55.
158. Kino T, Hatanaka H, Miyata S, Inamura N, Nishiyama M, Yajima T, Goto T,
Okuhara M, Kohsaka M, Aoki H, et al. FK-506, a novel immunosuppressant isolated from
a Streptomyces. II. Immunosuppressive effect of FK-506 in vitro. J Antibiot (Tokyo).
1987;40:1256-65.
159. Liu J, Farmer JD, Jr., Lane WS, Friedman J, Weissman I, Schreiber SL. Calcineurin
is a common target of cyclophilin-cyclosporin A and FKBP-FK506 complexes. Cell.
1991;66:807-15.
160. Ellis D. Clinical use of tacrolimus (FK-506) in infants and children with renal
transplants. Pediatr Nephrol. 1995;9:487-94.
161. McDiarmid SV. The use of tacrolimus in pediatric liver transplantation. J Pediatr
Gastroenterol Nutr. 1998;26:90-102.
162. Reding R, Wallemacq PE, Lamy ME, Rahier J, Sempoux C, Debande B, Jamart J,
Barker A, Sokal E, De Ville de Goyet J, et al. Conversion from cyclosporine to FK506 for
salvage of immunocompromised pediatric liver allografts. Efficacy, toxicity, and dose
regimen in 23 children. Transplantation. 1994;57:93-100.
163. Swenson JM, Fricker FJ, Armitage JM. Immunosuppression switch in pediatric
heart transplant recipients: cyclosporine to FK 506. J Am Coll Cardiol. 1995;25:1183-8.
164. Reyes J, Mazariegos GV, Bond GM, Green M, Dvorchik I, Kosmach-Park B, Abu-
Elmagd K. Pediatric intestinal transplantation: historical notes, principles and controversies.
Pediatr Transplant. 2002;6:193-207.
165. Jindal RM, Dubernard JM. Towards a specific immunosuppression for pancreas and
islet grafts. Clin Transplant. 2000;14:242-5.
166. Treede H, Klepetko W, Reichenspurner H, Zuckermann A, Meiser B, Birsan T,
Wisser W, Reichert B. Tacrolimus versus cyclosporine after lung transplantation: a
prospective, open, randomized two-center trial comparing two different
immunosuppressive protocols. J Heart Lung Transplant. 2001;20:511-7.
167. Reyes J, Jain A, Mazariegos G, Kashyap R, Green M, Iurlano K, Fung J. Long-term
results after conversion from cyclosporine to tacrolimus in pediatric liver transplantation
for acute and chronic rejection. Transplantation. 2000;69:2573-80.
 172

168. Cao S, Cox KL, Berquist W, Hayashi M, Concepcion W, Hammes GB, Ojogho OK,
So SK, Frerker M, Castillo RO, Monge H, Esquivel CO. Long-term outcomes in pediatric
liver recipients: comparison between cyclosporin A and tacrolimus. Pediatr Transplant.
1999;3:22-6.
169. Busuttil RW, Holt CD. Tacrolimus is superior to cyclosporine in liver
transplantation. Transplant Proc. 1998;30:2174-8.
170. Shapiro R. Tacrolimus in pediatric renal transplantation: a review. Pediatr
Transplant. 1998;2:270-6.
171. Yanik G, Levine JE, Ratanatharathorn V, Dunn R, Ferrara J, Hutchinson RJ.
Tacrolimus (FK506) and methotrexate as prophylaxis for acute graft-versus-host disease in
pediatric allogeneic stem cell transplantation. Bone Marrow Transplant. 2000;26:161-7.
172. Filler G, Grygas R, Mai I, Stolpe HJ, Greiner C, Bauer S, Ehrich JH.
Pharmacokinetics of tacrolimus (FK 506) in children and adolescents with renal transplants.
Nephrol Dial Transplant. 1997;12:1668-71.
173. Floren LC, Bekersky I, Benet LZ, Mekki Q, Dressler D, Lee JW, Roberts JP, Hebert
MF. Tacrolimus oral bioavailability doubles with coadministration of ketoconazole. Clin
Pharmacol Ther. 1997;62:41-9.
174. Lo A, Burckart GJ. P-glycoprotein and drug therapy in organ transplantation. J Clin
Pharmacol. 1999;39:995-1005.
175. Wallemacq PE, Furlan V, Moller A, Schafer A, Stadler P, Firdaous I, Taburet AM,
Reding R, Clement De Clety S, De Ville De Goyet J, Sokal E, Lykavieris L, Van Leeuw V,
Bernard O, Otte JB, Undre NA. Pharmacokinetics of tacrolimus (FK506) in paediatric liver
transplant recipients. Eur J Drug Metab Pharmacokinet. 1998;23:367-70.
176. Wallemacq PE, Verbeeck RK. Comparative clinical pharmacokinetics of tacrolimus
in paediatric and adult patients. Clin Pharmacokinet. 2001;40:283-95.
177. Beysens AJ, Wijnen RM, Beuman GH, van der Heyden J, Kootstra G, van As H.
FK 506: monitoring in plasma or in whole blood? Transplant Proc. 1991;23:2745-7.
178. Moreno M, Manzanares C, Castellano F, Medina E, Urruzuno P, Camarena C,
Manzanares J, Jara P. Monitoring of tacrolimus as rescue therapy in pediatric liver
transplantation. Ther Drug Monit. 1998;20:376-9.
179. Undre NA, van Hooff J, Christiaans M, Vanrenterghem Y, Donck J, Heeman U,
Kohnle M, Zanker B, Land W, Morales JM, Andres A, Schafer A, Stevenson P. Low
systemic exposure to tacrolimus correlates with acute rejection. Transplant Proc.
1999;31:296-8.
180. Jain AB, Fung JJ, Tzakis AG, Venkataramanan R, Abu-Elmagd K, Alessiani M,
Reyes J, Irish W, Warty V, Mehta S, et al. Comparative study of cyclosporine and FK 506
dosage requirements in adult and pediatric orthotopic liver transplant patients. Transplant
Proc. 1991;23:2763-6.
 173

181. Christians U, Braun F, Kosian N, Schmidt M, Schiebel HM, Ernst L, Kruse C,

Winkler M, Holze I, Linck A, et al. High performance liquid chromatography/mass
spectrometry of FK 506 and its metabolites in blood, bile, and urine of liver grafted
patients. Transplant Proc. 1991;23:2741-4.
182. Gonschior AK, Christians U, Braun F, Winkler M, Linck A, Baumann J, Sewing
KF. Measurement of blood concentrations of FK506 (tacrolimus) and its metabolites in
seven liver graft patients after the first dose by h.p.l.c.-MS and microparticle enzyme
immunoassay (MEIA). Br J Clin Pharmacol. 1994;38:567-71.
183. Sattler M, Guengerich FP, Yun CH, Christians U, Sewing KF. Cytochrome P -450
3A enzymes are responsible for biotransformation of FK506 and rapamycin in man and rat.
Drug Metab Dispos. 1992;20:753-61.
184. Mignat C. Clinically significant drug interactions with new immunosuppressive
agents. Drug Saf. 1997;16:267-78.
185. Padhi ID, Long P, Basha M, Anandan JV. Interaction between tacrolimus and
erythromycin. Ther Drug Monit. 1997;19:120-2.
186. Wolter K, Wagner K, Philipp T, Fritschka E. Interaction between FK 506 and
clarithromycin in a renal transplant patient. Eur J Clin Pharmacol. 1994;47:207-8.
187. Mieles L, Venkataramanan R, Yokoyama I, Warty VJ, Starzl TE. Interaction
between FK506 and clotrimazole in a liver transplant recipient. Transplantation.
1991;52:1086-7.
188. Assan R, Fredj G, Larger E, Feutren G, Bismuth H. FK 506/fluconazole interaction
enhances FK 506 nephrotoxicity. Diabete Metab. 1994;20:49-52.
189. Manez R, Martin M, Raman D, Silverman D, Jain A, Warty V, Gonzalez-Pinto I,
Kusne S, Starzl TE. Fluconazole therapy in transplant recipients receiving FK506.
Transplantation. 1994;57:1521-3.
190. Billaud EM, Guillemain R, Fortineau N, Kitzis MD, Dreyfus G, Amrein C, Kreft-
Jais C, Husson JM, Chretien P. Interaction between roxithromycin and cyclosporin in heart
transplant patients. Clin Pharmacokinet. 1990;19:499-502.
191. Seifeldin RA, Marcos-Alvarez A, Gordon FD, Lewis WD, Jenkins RL. Nifedipine
interaction with tacrolimus in liver transplant recipients. Ann Pharmacother. 1997;31:571-
5.
192. Hebert MF, Lam AY. Diltiazem increases tacrolimus concentrations. Ann
Pharmacother. 1999;33:680-2.
193. Schulman SL, Shaw LM, Jabs K, Leonard MB, Brayman KL. Interaction between
tacrolimus and chloramphenicol in a renal transplant recipient. Transplantation.
1998;65:1397-8.
 174

194. Staatz CE, Taylor PJ, Lynch SV, Willis C, Charles BG, Tett SE. Population
pharmacokinetics of tacrolimus in children who receive cut-down or full liver transplants.
Transplantation. 2001;72:1056-61.
195. Wallin JE, Bergstrand M, Wilczek HE, Nydert PS, Karlsson MO, Staatz CE.
Population pharmacokinetics of tacrolimus in pediatric liver transplantation: early
posttransplantation clearance. Ther Drug Monit. 2011;33:663-72.
196. Fukudo M, Yano I, Masuda S, Goto M, Uesugi M, Katsura T, Ogura Y, Oike F,
Takada Y, Egawa H, Uemoto S, Inui K. Population pharmacokinetic and pharmacogenomic
analysis of tacrolimus in pediatric living-donor liver transplant recipients. Clin Pharmacol
Ther. 2006;80:331-45.
197. Taussig HB. A study of the German outbreak of phocomelia. The thalidomide
syndrome. JAMA. 1962;180:1106-14.
198. Borowitz DS, Grand RJ, Durie PR. Use of pancreatic enzyme supplements for
patients with cystic fibrosis in the context of fibrosing colonopathy. Consensus Committee.
J Pediatr. 1995;127:681-4.
199. Olkkola KT, Aranko K, Luurila H, Hiller A, Saarnivaara L, Himberg JJ, Neuvonen
PJ. A potentially hazardous interaction between erythromycin and midazolam. Clin
Pharmacol Ther. 1993;53:298-305.
200. Saint Raymond A, Brasseur D. Development of medicines for children in Europe:
ethical implications. Paediatric respiratory reviews. 2005;6:45-51.
201. Pillai GC, Mentre F, Steimer JL. Non-linear mixed effects modeling - from
methodology and software development to driving implementation in drug development
science. J Pharmacokinet Pharmacodyn. 2005;32:161-83.
202. Schuttler J, Ihmsen H. Population pharmacokinetics of propofol: a multicenter
study. Anesthesiology. 2000;92:727-38.
203. Yukawa E, Satou M, Nonaka T, Yukawa M, Ohdo S, Higuchi S, Kuroda T, Goto Y.
Pharmacoepidemiologic investigation of clonazepam relative clearance by mixed-effect
modeling using routine clinical pharmacokinetic data in Japanese patients. J Clin
Pharmacol. 2002;42:81-8.
204. Capparelli EV, Englund JA, Connor JD, Spector SA, McKinney RE, Palumbo P,
Baker CJ. Population pharmacokinetics and pharmacodynamics of zidovudine in HIV-
infected infants and children. J Clin Pharmacol. 2003;43:133-40.
205. West GB, Brown JH, Enquist BJ. A general model for the origin of allometric
scaling laws in biology. Science. 1997;276:122-6.
206. West GB, Brown JH, Enquist BJ. The fourth dimension of life: fractal geometry and
allometric scaling of organisms. Science. 1999;284:1677-9.
 175

207. Sim SC, Edwards RJ, Boobis AR, Ingelman-Sundberg M. CYP3A7 protein
expression is high in a fraction of adult human livers and partially associated with the
CYP3A7*1C allele. Pharmacogenet Genomics. 2005;15:625-31.
208. Ansari M, Krajinovic M. Can the pharmacogenetics of GST gene polymorphisms
predict the dose of busulfan in pediatric hematopoietic stem cell transplantation?
Pharmacogenomics. 2009;10:1729-32.
209. Zhao W, Fakhoury M, Baudouin V, Storme T, Maisin A, Deschenes G, Jacqz-
Aigrain E. Population pharmacokinetics and pharmacogenetics of once daily prolonged-
release formulation of tacrolimus in pediatric and adolescent kidney transplant recipients.
Eur J Clin Pharmacol. 2012.
210. Reed MD. Optimal sampling theory: An overview of its application to
pharmacokinetic studies in infants and children. Pediatrics. 1999;104:627-32.
211. Delaloye JR, Kassir N, Lapeyraque AL, Alvarez F, Lallier M, Beaunoyer M, Labbe
L, Theoret Y, Litalien C. Limited sampling strategies for monitoring tacrolimus in pediatric
liver transplant recipients. Ther Drug Monit. 2011;33:380-6.
 176

Annexe I
 177

1 Tables de discrimination du modèle de

pharmacocinétique de population de base du
tacrolimus – 1 compartiment
BSV Erreur Erreur
Paramètres Ka CL/F Vc/F
Nom BSV MOF ΔMOF CL/F Additive Prop
PK (h -1) (L/h) (L)
(%) (ng/mL) (%)
CL et Vc non-
run1cptadddiag CL, Vc, Ka 1330.337 128.684 1.10 12.8 187 67.6 3.39 --
corrélés
CL et Vc non-
run1cptpropdiag CL, Vc, Ka 1201.653 -- 1.07 12.7 217 65.6 -- 0.236
corrélés
CL et Vc non- 1201.653
run1cptmixdiag CL, Vc, Ka 0.000 1.07 12.7 217 65.6 -- 0.236
corrélés
CL et Vc
run1cptaddcor CL, Vc, Ka 1308.577 106.924 1.10 12.9 164 66.6 3.38 --
corrélés
CL et Vc
run1cptpropcor CL, Vc, Ka 1180.803 -20.850 1.05 12.7 193 65.7 -- 0.236
corrélés
CL et Vc
run1cptmixcor CL, Vc, Ka 1180.803 -20.850 1.05 12.6 193 65.7 -- -0.236
corrélés

CL, Vc et Ka
run1cptpropdiagka CL, Vc, Ka 1273.403a 71.750 0.589 16.7 90.9 66.0 -- 0.328
non-corrélés

CL, Vc corrélés,
run1cptpropcorCLVka CL, Vc, Ka et Ka non- 1151.610 -50.043 0.790 12.6 158 65.5 -- 0.219
corrélés
CL, Vc, Ka, CL et Vc
run1cptpropcorCLVlag 1180.803b -20.850 1.05 12.7 193 65.7 -- 0.236
LAG corrélés
CL et Vc
CL, Vc, Ka,
run1cptpropcorCLVkalag corrélés; et Ka 1151.610b -50.043 0.790 12.6 158 65.5 -- 0.219
LAG
non-corrélés

CL et Vc
CL, Vc, Ka,
run1cptpropcorCLVdiagkalag corrélés; et Ka, 1151.610b -50.043 0.790 12.6 158 65.5 -- 0.219
LAG
lag non-corrélés

BSV= Variabilité interindividuelle; MOF= Fonction objective minimale; PK=

Pharmacocinétique; Prop=Proportionnelle.
 178

2 Tables de discrimination du modèle de

pharmacocinétique de population de base du
tacrolimus – 2 compartiments
BSV BSV Erreur Erreur
Ka CL/F Vc/F
Nom Paramètres PK BSV MOF ΔMOF CL/F Vc/F Additive Prop
(h -1) (L/h) (L)
(%) (%) (ng/mL) (%)
CL, Vc, Ka, VP, CL and Vc b 104.93
run2cptadddiag 0.299 13.1 52.7 66.2 99.0 2.92 --
Q uncorrelated 1252.364 9
CL, Vc, Ka, VP, CL and Vc
run2cptpropdiag 1147.425 -- 0.242 12.8 52.7 64.8 106 -- 0.216
Q uncorrelated
CL, Vc, Ka, VP, CL and Vc b
run2cptmixdiag 53.730 1.03 9.83 115 80.4 128 -- 0.235
Q uncorrelated 1201.155
run2cptadddiagVPf CL, Vc, Ka, CL and Vc 104.24
1254.783 0.300 13.0 51.5 66.2 100 2.93 --
ix VP(290), Q uncorrelated 7
run2cptpropdiagV CL, Vc, Ka, CL and Vc
1150.536 -- 0.188 12.7 39.5 65.0 109 -- 0.217
Pfix VP(290), Q uncorrelated
run2cptmixdiagVP CL, Vc, Ka, CL and Vc
1150.536 0.000 0.188 12.7 39.5 65.0 109 -- 0.217
fix VP(290), Q uncorrelated
CL, Vc, Ka, CL and Vc
run2cptpropcor 1142.323 -8.213 0.215 12.8 43.3 64.6 104 -- 0.218
VP(290), Q correlated

CL, Vc, Ka, CL, Vc and Ka b

run2cptpropdiagka 6.308 0.522 12.9 112 64.9 0.100 -- 0.220
VP(290), Q uncorrelated 1156.844

CL, Vc
CL, Vc, Ka, b
run2cptpropcorka correlated; and 1137.859 -12.677 0.491 12.9 102 64.9 60.9 -- 0.216
VP(290), Q
Ka
CL, Vc, Ka,
run2cptpropdiagL CL and Vc
VP(290), Q, 1115.605 -34.931 0.171 12.6 19.5 65.0 156 -- 0.202
AG uncorrelated
LAG
CL, Vc, Ka,
run2cptpropcorLA CL and Vc
VP(290), Q, 1111.198 -39.338 0.177 12.7 20.1 64.7 149 -- 0.203
G correlated
LAG
CL, Vc, Ka, CL and Vc
run2cptpropcorLA
VP(290), Q, correlated, KA 1101.870 -48.666 1.33 12.9 147 65.3 56.3 -- 0.194
GdiagKA
LAG uncorrelated
CL, Vc, Ka, CL and Vc
run2cptpropcorLA
VP(290), Q, correlated, Q 1100.268 -50.268 0.316 12.9 32.3 64.9 139 -- 0.193
GdiagQ
LAG uncorrelated

BSV= Variabilité interindividuelle; MOF= Fonction objective minimale; PK=

Pharmacocinétique; Prop=Proportionnelle.
 179

2 Tables de discrimination du modèle de

pharmacocinétique de population de base du tacrolimus
– 2 compartiments (Suite)
BSV BSV Erreur Erreur
Ka CL/F Vc/F
Nom Paramètres PK BSV MOF ΔMOF -1 CL/F Vc/F Additive Prop
(h ) (L/h) (L)
(%) (%) (ng/mL) (%)
CL, Vc, Ka,
run2cptpropcorL CL and Vc correlated,
VP(290), Q(28), 1100.270 -50.266 0.313 12.9 32.0 64.8 139 -- 0.193
AGQfixdiagQ Q uncorrelated
LAG
run2cptpropcorL CL, Vc, Ka, CL and Vc correlated, 1111.164 -39.372 0.179 12.7 20.3 64.8 149 -- 0.203
AGdiagVP VP(290), Q, LAG VP uncorrelated
run2cptpropcorL CL, Vc, Ka, CL and Vc correlated, b

AGdiagLAG VP(290), Q, LAG LAG uncorrelated 1108.458 -42.078 0.621 12.0 75.4 80.9 161 -- 0.189

run2cptpropcorL CL, Vc, Ka, CL and Vc correlated,

1100.017 -50.519 0.316 12.9 32.4 65.1 139 -- 0.192
AGdiagQVP VP(290), Q, LAG Q, VP uncorrelated
run2cptpropcorL CL, Vc, Ka, CL and Vc correlated, b

AGdiagQKA VP(290), Q, LAG Q, KA uncorrelated 1097.646 -52.890 0.901 13.0 104 65.5 42.5 -- 0.190

run2cptpropcorL CL, Vc, Ka, CL and Vc correlated, b

1099.765 -50.771 0.678 13.4 92.4 65.7 104 -- 0.172
AGdiagQLAG VP(290), Q, LAG Q, LAG uncorrelated
run2cptpropcorL CL, Vc, Ka, CL and Vc correlated,
1135.567 -14.969 0.336 12.1 29.8 55.4 122 -- 0.204
AGdiagQWT VP(290), Q, LAG Q uncorrelated

run2cptpropdiag CL, Vc, Ka, CL and Vc correlated,

1138.443 -12.093 0.342 12.1 31.3 55.6 126 -- 0.203
LAGdiagQWT VP(290), Q, LAG Q uncorrelated

run2cptpropcorI CL, Vc, Ka, CL and Vc correlated, b

OVCL VP(290), Q, LAG Q uncorrelated 1135.567 -14.969 0.335 12.1 29.8 55.4 122 -- 0.204

run2cptpropcorI CL, Vc, Ka, CL and Vc correlated,

1135.567 -14.969 0.335 12.1 29.8 55.4 122 -- 0.204
OVVC VP(290), Q, LAG Q uncorrelated

run2cptpropcorI CL, Vc, Ka, CL and Vc correlated,

1134.172 -16.364 0.280 12.1 25.5 55.1 113 -- 0.203
OVKA VP(290), Q, LAG Q uncorrelated

run2cptpropcorI CL, Vc, Ka, CL and Vc correlated, b

OVKACL VP(290), Q, LAG Q uncorrelated 1134.172 -16.364 0.280 12.1 25.5 55.2 113 -- 0.203

run2cptpropcorI CL, Vc, Ka, CL and Vc correlated,

1134.172 -16.364 0.280 12.1 25.5 55.1 113 -- 0.203
OVKAVC VP(290), Q, LAG Q uncorrelated

runBASEMODE CL, Vc, Ka, CL and Vc correlated,

1135.567 -14.969 0.336 12.1 29.8 55.4 122 -- 0.204
L VP(290), Q, LAG Q uncorrelated

BSV= Variabilité interindividuelle; MOF= Fonction objective minimale; PK=

Pharmacocinétique; Prop=Proportionnelle.
 180

3 Relation entre les Posthoc du tacrolimus et les

covariables continues

-2 0 1 2 10 30 50 14 18 22 0 50 150

1.0
ETA1

0.0
-1.0
0 1 2

ETA2

r = 0.31
p v alue 0.092
-2

AGE

5 10
r = -0.23 r = -0.11
p v alue 0.23 p v alue 0.58

0
50

WT
30

r = -0.25 r = -0.14 r = 0.96

p v alue 0.18 p v alue 0.45 p v alue <0.001
10

HT

120
r = -0.23 r = -0.17 r = 0.97 r = 0.96
p v alue 0.22 p v alue 0.38 p v alue <0.001 p v alue <0.001

60
BMI
22

r = -0.31 r = -0.032 r = 0.35 r = 0.52 r = 0.27

18

p v alue 0.097 p v alue 0.87 p v alue 0.057 p v alue 0.0036 p v alue 0.14
14

1.4
BSA

r = -0.25 r = -0.15 r = 0.97 r = 0.99 r = 0.99 r = 0.41

0.8
p v alue 0.19 p v alue 0.43 p v alue <0.001 p v alue <0.001 p v alue <0.001 p v alue 0.026

0.2
150

POSTTDATE

r = -0.29 r = -0.11 r = 0.7 r = 0.68 r = 0.67 r = 0.25 r = 0.69

0 50

p v alue 0.12 p v alue 0.57 p v alue <0.001 p v alue <0.001 p v alue <0.001 p v alue 0.17 p v alue <0.001

-1.0 0.0 1.0 0 5 10 60 120 0.2 0.8 1.4

BMI= Indice de masse corporelle; BSA= Surface corporelle; ETA1= Effet aléatoire sur la
clairance; ETA2= Effet aléatoire sur le volume de distribution; HT= Taille; WT= Poids.
 181

-2 0 1 2 20 60 120 100 300 30 35 40

1.0
ETA1

0.0
-1.0
ETA2
0 1 2

r = 0.31
p v alue 0.092
-2

AST

60
r = -0.18 r = -0.14

40
p v alue 0.34 p v alue 0.45

20
ALT
120

r = -0.13 r = -0.27 r = 0.55

20 60

p v alue 0.5 p v alue 0.14 p v alue 0.0017

400
GGT

200
r = 0.14 r = -0.17 r = 0.33 r = 0.56
p v alue 0.45 p v alue 0.36 p v alue 0.073 p v alue 0.0012

0
PA
300

r = 0.23 r = -0.00012 r = 0.31 r = -0.0052 r = 0.34

p v alue 0.22 p v alue 1 p v alue 0.095 p v alue 0.98 p v alue 0.067
100

25
BILI

15
r = -0.038 r = -0.27 r = -0.057 r = 0.31 r = 0.075 r = -0.34
p v alue 0.84 p v alue 0.15 p v alue 0.77 p v alue 0.091 p v alue 0.69 p v alue 0.069

5
ALB
40

r = -0.17 r = -0.28 r = 0.17 r = 0.035 r = -0.092 r = 0.21 r = -0.068

p v alue 0.37 p v alue 0.14 p v alue 0.37 p v alue 0.86 p v alue 0.63 p v alue 0.27 p v alue 0.72
30

-1.0 0.0 1.0 20 40 60 0 200 400 5 15 25

ALB= Albumine; ALT= Alanine aminotransferase, AST= Aspartate aminotransferase;

BILI= Bilirubine; ETA1= Effet aléatoire sur la clairance; ETA2= Effet aléatoire sur le
volume de distribution; GGT= γ-glutamyl transferase; PA= Phosphatase alkaline.
 182

-2 -1 0 1 2 50 150 250 350 0.25 0.35

1.0
ETA1

0.0
-1.0
ETA2
2
1

r = 0.31
-2 -1 0

p v alue 0.092

CREAT

0.6
r = -0.14 r = 0.018
p v alue 0.46 p v alue 0.92

0.2
150 250 350

CRCL
r = -0.043 r = -0.093 r = -0.62
p v alue 0.82 p v alue 0.63 p v alue <0.001
50

HB

140
r = -0.17 r = -0.14 r = 0.23 r = -0.1

90 110
p v alue 0.38 p v alue 0.45 p v alue 0.23 p v alue 0.6

HCT
0.35

r = -0.11 r = -0.084 r = 0.001 r = 0.063 r = 0.87

p v alue 0.58 p v alue 0.66 p v alue 1 p v alue 0.74 p v alue <0.001
0.25

-1.0 0.0 1.0 0.2 0.6 90 110 140

CRCL= Clairance de la creatinine; CREAT= Creatinine; ETA1= Effet aléatoire sur la

clairance; ETA2= Effet aléatoire sur le volume de distribution; HB= Hémoglobine; HCT=
Hématocrite.
 183

4 Relation entre les Posthoc du tacrolimus et les

covariables catégoriques

SEX SEX
1.5

1.5
Individual Random Effect of Central Volume of Distribution
1.0

1.0
Individual Random Effect of Clearance
0.5

0.5
0.0

0.0
-0.5

-0.5
-1.0

-1.0
-1.5

-1.5

) ) ) )
13 17 13 17
e (n= (n= e (n= (n=
l e l e
ma Ma
l ma Ma
l
Fe Fe
p-value = 0.7173 p-value = 0.4206
 Individual Random Effect of Clearance
-2 -1 0 1 2

No
(
n=
10
)

p-value = 0.349
Steroids

Yes(
n=
20
)
Individual Random Effect of Central Volume of Distribution
-2 -1 0 1 2

No
(
n=
10
)

Y
p-value = 0.6853
Steroids

es(
n=
20
)
184
 185

Type of Transplant Type of Transplant

2

2
Individual Random Effect of Central Volume of Distribution
Individual Random Effect of Clearance
1

1
0

0
-1

-1
-2

-2

) )
20 0) 20 0)
( n= =1 ( n= =1
own ll (n own ll (n
t- d F u t- d F u
Cu Cu
p-value = 0.1653 p-value = 0.1765
 Individual Random Effect of Clearance
-2 -1 0 1 2

No
(
n=
25
)

p-value = 0.4334
Yes(
n=
5
)
Hepatic Impairment

Individual Random Effect of Central Volume of Distribution

-2 -1 0 1 2

No
(
n=
25
)

p-value = 0.3747
Y es(
n=
5 )
Hepatic Impairment
186
 Individual Random Effect of Clearance
-2 -1 0 1 2

No
(
n=
22
)

p-value = 0.7076
Yes(
n=
CYP3A4 Inhibitors

8
)
Individual Random Effect of Central Volume of Distribution
-2 -1 0 1 2

No
(
n=
22
)

p-value = 0.0231
Y es(
n=
8 )
CYP3A4 Inhibitors
187
 Individual Random Effect of Clearance
-2 -1 0 1 2

<
0.3
3(
n=
7)

p-value = 0.713
>=
Hematocrit

0.3
3(
n=
23
)
Individual Random Effect of Central Volume of Distribution
-2 -1 0 1 2

<
0.3
3(
n=
7)

>=
p-value = 0.8288
0.3
Hematocrit

3(
n=
23
)
188
 Individual Random Effect of Clearance
-2 -1 0 1 2

15
1-5
00
(n=
3)

53
-15
0
GGT

(n=
13
)

<=
52
(n=
14
)
Individual Random Effect of Central Volume of Distribution
-2 -1 0 1 2

15
1-5
00
(n=
3)

53
-15
0 (n=
GGT

13
)

<=
52
(n=
14
)
189
 Individual Random Effect of Clearance
-2 -1 0 1 2

45
-2
50
(n=
) 9
AST

p-value = 0.6536
<4
5 (n=
21
)
Individual Random Effect of Central Volume of Distribution
-2 -1 0 1 2

45
-2
50
(n=
) 9
AST

p-value = 0.9795
<4
5 (n=
21
)
190
 Individual Random Effect of Clearance
-2 -1 0 1 2

<4
5 (n=
15
)
ALT

p-value = 0.8501
>=
45
(n=
15
)
Individual Random Effect of Central Volume of Distribution
-2 -1 0 1 2

<4
5 (n=
15
)
ALT

p-value = 0.003
>=
45
(n=
15
)
191
 Individual Random Effect of Clearance
-2 -1 0 1 2

<=
32 (n=
7)

p-value = 0.3926
Albumin

>3
2 (n=
23
)
Individual Random Effect of Central Volume of Distribution
-2 -1 0 1 2

<=
32 (n=
7)

p-value = 0.3168
Albumin

>3
2 (n=
23
)
192
 193

Time Post-transplantation Time Post-transplantation

2

2
Individual Random Effect of Central Volume of Distribution
Individual Random Effect of Clearance
1

1
0

0
-1

-1
-2

-2

8 ) ) 8 ) )
22 22
(n= ( n= (n= ( n=
ys s ys s
da ay da ay
28 8d 28 8d
<= >2 <= >2
p-value = 0.3439 p-value = 0.9583
 194

Time Post-transplantation Time Post-transplantation

2

2
Individual Random Effect of Central Volume of Distribution
Individual Random Effect of Clearance
1

1
0

0
-1

-1
-2

-2

) )
13 1 7) 13 1 7)
(n= n= (n= n=
nt h
nt h( nt h
nt h(
2 mo mo 2 mo mo
<= >2 <= >2
p-value = 0.1645 p-value = 0.3016
 195

Time Post-transplantation Time Post-transplantation

2

2
Individual Random Effect of Central Volume of Distribution
Individual Random Effect of Clearance
1

1
0

0
-1

-1
-2

-2

) )
16 1 4) 16 1 4)
(n= n= (n= n=
nt h
nt h( nt h
nt h(
3 mo mo 3 mo mo
<= >3 <= >3
p-value = 0.2197 p-value = 0.7592
 196

Annexe II
 197

Limited sampling strategies for monitoring tacrolimus in

paediatric liver transplant recipients
Jean-Romain Delaloye 1*, Nastya Kassir2*, Anne-Laure Lapeyraque3, Fernando Alvarez4,
Michel Lallier5, Mona Beaunoyer6, Line Labbé 7, Yves Théorêt8, and Catherine Litalien9
1
Division of General Paediatric Surgery, Department of Surgery, and Clinical
Pharmacology Unit, Centre Hospitalier Universitaire Sainte-Justine, MD
2
Faculty of Pharmacy, Université de Montréal, Pharm.D
3
Division of Nephrology, Department of Paediatrics, and Clinical Pharmacology Unit,
Centre Hospitalier Universitaire Sainte-Justine, MD
4
Division of Gastroenterology, Department of Paediatrics, Centre Hospitalier Universitaire
Sainte-Justine, MD, PhD
5
Division of General Paediatric Surgery, Department of Surgery, Centre Hospitalier
Universitaire Sainte-Justine. MD
6
Division of General Paediatric Surgery, Department of Surgery, Centre Hospitalier
Universitaire Sainte-Justine. MD
7
Faculty of Pharmacy, Université de Montréal, PhD
8
Department of Biochemistry and Clinical Pharmacology Unit, Centre Hospitalier
Universitaire Sainte-Justine, and Department of Pharmacology, Université de Montréal,
PhD
9
Division of Paediatric Critical Care, Department of Paediatrics, and Clinical
Pharmacology Unit, Centre Hospitalier Universitaire Sainte-Justine, and Department of
Pharmacology, Université de Montréal, MD
*
These authors contributed equally to this work
 198

Corresponding author:
Dr. Catherine Litalien
Division of Pediatric Critical Care, Department of Pediatrics
Centre Hospitalier Universitaire Sainte-Justine
3175 chemin de la Côte Sainte-Catherine
Montréal (Québec), Canada H3T 1C5
Tel: (514) 345-4931 extension 2571
FAX: (514) 345-7731

Article publié dans

« Therapeutic Drug Monitoring »
 199

Abstract
Objective: To develop and validate limited sampling strategies (LSSs) for tacrolimus in
paediatric liver transplant recipients.

Methods: Thirty six 12-hour pharmacokinetic profiles from 28 paediatric liver transplant
recipients (0.4 to 18.5 years) were collected. Tacrolimus concentrations were measured by
immunoassay and area under the curve (AUC0-12) by trapezoidal rule. LSSs consisting of 1,
2, 3, or 4 concentration-time points were developed using multiple regression analysis.
Eight promising models (2 per category) were selected based on the following criteria: r 2 ≥
0.90, inclusion of trough concentration (C0), and time points within 4 hours post-dose. The
predictive performance of these LSSs was evaluated in an independent set of data by
measuring the mean prediction error (%ME) and the root mean squared prediction error
(%RMSE).

Results: Five models including 2 to 4 time points predicted AUC 0-12 with a ± 15% error
limit. Bias (%ME) and precision (%RMSE) of LSS involving C 0, C1, and C4 (AUCpredicted =
9.30 + 3.69*C0 + 2.19*C1 + 4.69*C4) were -4.98% and 8.29%, respectively. Among single
time point LSSs, model using C0 had a poor correlation with AUC0-12 (r2 = 0.53) while the
one with C4 had the highest correlation with tacrolimus exposure (r 2 = 0.84).

Conclusion: Trough concentration is a poor predictor of tacrolimus AUC 0-12 in paediatric

liver transplant recipients. However, LSSs using 2 to 4 concentration-time points obtained
within 4 hours post-dose provide a reliable and convenient method to predict tacrolimus
exposure in this population. The proposed LSSs represent an important step that will allow
the undertaking of prospective trials aiming to better define tacrolimus target AUC in
paediatric liver transplant recipients, and to determine whether AUC-guided monitoring is
superior to C0-based monitoring in terms of efficacy and safety.

Keywords: tacrolimus, therapeutic drug monitoring, paediatrics, liver transplantation,

limited sampling strategies
 200

1 Introduction
Tacrolimus (Prograf®; Fujisawa Healthcare Inc.) is the most prescribed
immunosuppressive agent in paediatric solid organ transplant recipients; the proportion of
paediatric patients receiving tacrolimus increased from 14.5% in 1997 to 63.2% in 2006. 1
As with cyclosporine, tacrolimus inhibits calcineurin and blocks the transcription of
cytokines that drive the proliferative T-cell response, particularly interleukin-2.

Therapeutic drug monitoring has become a standard of care for tacrolimus dosing
optimization because of its significant inter- and intraindividual pharmacokinetic (PK)
variability and its narrow therapeutic index. Although whole blood trough concentration
(C0) is the current method used to guide dose individualisation. However many paediatric
studies have shown that the relationship between tacrolimus C 0 and area under the
concentration-time curve (AUC) is highly variable, with coefficients of determination (r 2)
2-13
ranging from 0.30 to 0.88. Additionally, controversies remain about the relationship
between C0 and clinical outcomes. 14, 15
In liver transplantation, while a number of studies
have shown a significant correlation between C0 and tacrolimus nephro- and neurotoxicity,
reports failed to demonstrate a linear relationship between tacrolimus C 0 and the
16-18
development of graft rejection.

In adult kidney recipients, Undre et al. reported a significant correlation between

low systemic exposure of tacrolimus and acute rejection,19 while Mahalati et al.
demonstrated that AUC was a better predictor of clinical outcomes than C 0 for the related
calcineurin inhibitor cyclosporine. 20 However, AUC-based monitoring which implies the
measurement of multiple concentration-time points over the entire dosing interval is time-
consuming, expensive, and often impractical for routine clinical practice, especially in the
paediatric population.21 Alternatively, AUC can be predicted using the limited sampling
strategy (LSS) approach, which has been developed so that a restricted number of sampling
times can be used. Most LSSs for tacrolimus have been derived from adult transplant
recipients,22-26 and their direct application in children may not be feasible because of
different tacrolimus PKs. 27 In the paediatric population, three studies have proposed LSSs
 201

to estimate tacrolimus exposure;2, 3, 28

none of these LSSs have been validated in an
21, 29, 30
independent set of data. Furthermore, two of these trials 2, 3
involved stable renal
transplant patients and, as such, their use in other types of transplantation is not
recommended since LSSs should only be applied to the patient population for which they
have been validated.21 The third trial dealt with children who underwent liver
transplantation but provided only limited information with regard to the population studied
and the methodological approach used.

The aim of this study was to develop and validate LSSs for tacrolimus in paediatric
liver transplant recipients.
 202

2 Methods
Patients and Study Design

This is a retrospective study analyzing 12-hour PK profiles performed in the

paediatric liver transplant population of the Centre Hospitalier Universitaire Sainte-Justine
(Montreal, Canada) between January 2007 and January 2009. The study was approved by
the Institutional Research Ethics Committee. All liver transplant recipients aged ≤18 years
of age who underwent full tacrolimus PK profile as part of their clinical care were eligible
for inclusion. Exclusion criteria included patients not receiving oral tacrolimus twice daily
and those for whom full PK profile was not obtained at least three days after receiving the
same dose of tacrolimus.

Tacrolimus was administered as a capsule or suspension (5 mg/mL) without any

food intake recommendation. Dosage was adjusted by the liver transplant team to keep
tacrolimus C0 within a suggested target range of 5-15 ng/ml according to time post-
transplantation and concomitant immunosuppression. However measurement of AUC 0-12
was requested in some specific situations including: at or around patient discharge; when
nephrotoxicity occurred despite C0 levels within the target range; when important intra-
individual C0 variability occurred in the absence of dose modification; and at
mycophenolate mofetil initiation.

Whenever available in the medical chart, the following data were recorded for each
patient: demographic parameters, type of liver transplantation, underlying diagnosis, time
post-transplantation at which the PK profile was performed, tacrolimus dosing regimen and
formulation, concomitant immunosuppression, blood chemistry (liver and renal function
tests, haemoglobin, hematocrit, and albumin), and presence of clinically relevant CYP3A4
and/or P-glycoprotein inducer or inhibitor.
 203

Sample Collection and Analytical Methods

Serial blood samples were collected in ETDA-containing vacutainers immediately

before tacrolimus administration (C0), and after 0.5 (C0.5), 1 (C1), 1.5 (C1.5), 2 (C2), 3 (C3),
4 (C4), 8 (C8), and 12 (C12) hours. Tacrolimus whole blood concentrations were determined
using the microparticle enzyme immunoassay (MEIA) IMx (Abbott Laboratories, Abbott
Park, IL, USA). The lower and upper limits of detection were 1.5 ng/mL and 30 ng/mL,
respectively. The between-run coefficients of variation were 14.10% at 5 ng/mL, 11.15% at
11 ng/mL, and 10.21% at 22 ng/mL.

Pharmacokinetic and Statistical Analyses

Pharmacokinetic parameters were estimated using noncompartmental methods.

Tacrolimus peak concentration (Cmax), time to reach Cmax (Tmax), and C0, were determined
for each patient from direct data observation. Observed tacrolimus AUC (AUC 0-12) was
calculated using the linear trapezoidal rule (S-plus 8.1, Insightful Corporation, Seattle,
USA).

Pharmacokinetic data were randomly split into two equal groups: a training group
and a validation group. In the training group, a multiple regression analysis was used to
determine the relationship between observed tacrolimus AUC 0-12 (dependent variable) and
the concentrations at various time points (independent variable or predictor). This was
carried out using the best-subset-regression in conjunction with the stepwise forward
selection technique. This method consists of starting with an equation with no predictors,
trying them out one by one sequentially, and calculating the coefficient of determination for
each equation (r2). Multiple linear regression models were developed in which 1, 2, 3, or 4
concentration-time points were used as predictors. All possible equations were derived and
the 2 best regression models using 1, 2, 3, and 4 predictors were identified based on the
following criteria: r2 ≥ 0.90, inclusion of C0, and time points within 4 hours post tacrolimus
administration.
 204

Equations were then validated in an independent set of patients, the validation

group. The latter was used to estimate the predictive performance of the regression models
developed in the training group. As suggested by Sheiner and Beal,30 two error indices, the
mean prediction error (ME) and the root mean squared prediction error (RMSE), were
calculated to evaluate bias and precision, respectively. Their relative values, expressed as
percentages, were also calculated. The following equations were used:

1 N
ME = ¦ (Pred - Obs)
N i=1

1 N
MSE = ¦
N i=1
(Pr ed-Obs) 2

RMSE = MSE

1 N § Pred - Obs ·
ME (%) = ¦ ¨ Obs ¸¹ u100
N i=1 ©

2
1 N § Pred - Obs ·
RMSE (%) = ¦ ¨ Obs ¸¹ u100
N i =1 ©

where Pred is the predicted value of AUC 0-12, Obs is the AUC0-12 observed value of, MSE is
the mean squared prediction error, and N is the number of patients. A 95 % confidence
interval (CI) was calculated for each parameter. In addition, the predictive performance of
the LSSs was tested by the method of Bland and Altman. 31 Finally, an approach based on
CI was used to compare the predictive performance of the different regression models. 30
This consisted of computing the difference in MSE’s (ΔMSE) and ME’s (ΔME) between
the two models compared and calculating their CI. If the CI did not include zero, the model
with the smaller MSE or ME was considered significantly more precise or less biased,
respectively. On the other hand, when the CI included zero, the MSE or ME difference was
considered not significant. Clinical and PK data are presented as mean ± SD (range).
Comparisons between patient characteristics and PK parameters of the training and
validation groups were performed using the unpaired t-test for normally distributed data
 205

and the Wilcoxon Rank-Sum test for skewed data. Statistical significance was defined at P
value d 0.05. All statistical analyses were performed using S-plus 8.1, SAS 9.2 (SAS
Institue Inc., Cary, NC, USA), and GraphPad Prism 5.0 (GraphPad Software, San Diego,
CA, USA).
 206

3 Results
A total of 42 full PK profiles obtained from 31 liver transplant recipients were
available for this study. Thirty six profiles from 28 patients (15M/13F) aged between 0.4
and 18.5 years were included. Six profiles from 3 patients were excluded because either
they were not obtained under steady-state conditions (n=3), or they were obtained while
patients were receiving tacrolimus three times a day. The indications for whole liver (10
patients) or cutdown liver (18 patients) transplantation were: biliary atresia (n=11),
tyrosinemia (n=7), North American Indian childhood cirrhosis (n=2), fulminant hepatitis
(n=2), Alagille syndrome (n=2), histiocytosis (n=2), sclerosing cholangitis (n=1), and auto-
immune hepatitis (n=1).

Patient characteristics are summarized in Table 1. As shown, the 36 PK profiles

were equally divided in the training and validation groups. One patient with 3 full
measurements of AUC0-12 was included in both groups with two profiles in the training
group and one in the validation group. Patient characteristics were not statistically different
between the two groups, except for two liver parameters (ALT and GGT). Concomitant use
of corticosteroids, which may induce CYP3A isoenzyme, was present for 22 PK profiles
(61.1%). In about half of the profiles (52.8%), patients were receiving one or two drugs
known as potential CYP3A4 and/or P-glycoprotein inhibitors (amlodipine and lansoprazole
(n=6), amlodipine and enalapril (n=1), amlodipine (n=9), lansoprazole (n=2), and diltiazem
(n=1)).

Tacrolimus concentration-time profiles and PK parameters (Figure 1 and Table 2,

respectively) exhibited a high degree of between-individual variability. When PK
parameters were normalized for a tacrolimus dose of 0.1 mg/kg, no significant difference
was observed between the training and validation groups (P = 0.73, 0.87, and 0.44 for
AUC0-12, C0, and Cmax, respectively).
 207

LSS development

Two hundred fifty five regression equations were developed to predict tacrolimus
AUC0-12 using a maximum of 4 different concentration-time points. Among these
equations, 5 were identified as best regression models based on the predefined selection
criteria (models 1 to 5, Table 3). For comparison purposes, 4 equations that did not meet
these criteria (models 6 to 9) are also presented. Among the 3 single concentration-time
point equations shown, those involving C0 and C4 had the poorest (r2=0.53) and the highest
(r2=0.84) correlation with AUC0-12, respectively.

LSS validation

The %ME (bias) was also less than 15%, although all models tended to
underestimate tacrolimus AUC0-12. The relative performance of the different LSSs is shown
in Table 5. For three out of the four regression models using 3 or 4 concentration-time
points (models 1 to 3), precision and bias were significantly better than the model using 2
point equation (model 5). The fourth model using 3 time points (model 4) was significantly
more precise than model 5, but there was no difference in bias between the two models.
Finally, no significant difference was observed between the predictive capacity of LSSs
involving 3 and 4 concentration-time points

Figures 2A and 2B depict the linear correlation of observed AUC 0-12 and AUC0-12
predicted by model 3 (C0-C1-C4) and model 5 (C0-C4), respectively. Figures 2C and 2D
show the Bland and Altman analysis of the paired samples for both models, with the
average of predicted and observed AUC 0-12 ranging from 83.6 to 305.0 ng*h/mL. In
accordance with %ME, the predicted AUC 0-12 was lower than the observed AUC0-12, with a
bias of -5.4% for model 3 (Figure 2C) and -10.5% for model 5 (Figure 2D).
 208

4 Discussion
This is the first study on the development and validation of LSSs for the prediction
of tacrolimus AUC0-12 in paediatric liver transplant recipients. Five LSSs using 2 to 4
concentration-time points obtained within 4 hours after tacrolimus dosing and including C 0
have been developed and provide an accurate and convenient method to predict tacrolimus
AUC0-12 in this population. All 5 models predicted tacrolimus AUC 0-12 with a ± 15%
prediction error limit; this is a clinically acceptable range because it represents the
deviation from the observed AUC that usually initiates dosage adjustment. 29, 32, 33

Among single concentration-time point LSSs, regression model using C0 had a poor
correlation with AUC0-12 (r2 = 0.53) while the one with C4 had the highest correlation with
tacrolimus exposure (r2 = 0.84). This is in accordance with other adult and paediatric
studies that have shown C0 to be a poor predictor of tacrolimus exposure in solid organ
transplantation.2, 3, 6, 8, 14, 34, 35

LSSs developed in this study involved a limited number of blood samples within a
short period of time after drug administration, originally suggested by Ting et al. 21 This
method is convenient both for the patient and the clinician, and is financially acceptable for
the institution. The inclusion of predose measurement in the equations was a deliberate
choice. Indeed, C0 allows checking for compliance, helps identifying patients with high
tacrolimus clearance, and is a routinely used marker by clinicians. 29, 36

In paediatric organ transplantation, data published regarding LSSs are scarce. One
report involving 14 liver recipients has suggested a 3 concentration-time points LSS (C1-
C4-C8), but without evaluation of its predictive performance. 28 In renal transplant recipients,
2, 3
two studies have proposed LSSs, although with inconvenient sampling times for an
outpatient setting (C6) and no validation with an independent set of data. 21, 29, 30
Both
studies showed a weak correlation between observed AUC and C 0 (r2 = 0.36 and r2 = 0.56)
and among single concentration-time point, the best correlation was observed with C 4.
These observations are in agreement with our results.
 209

As in children, limited data are available in adult liver transplant recipients.

Dansirikul et al.34 developed LSSs based on single time point. In their study, AUC 0-6 was
assumed to be a surrogate of the full tacrolimus AUC (AUC 0-12) and was used for LSS
analysis. The authors showed that regression equations with sampling time at 2, 4, or 5
hours post-dose rather than C0 were superior in predicting tacrolimus exposure (AUC 0-6).
However, only the LSS model involving C5 was properly validated with a jackknife
technique. In renal transplant patients, numerous LSSs have been published over the last
decade although proper validation was often lacking. 23, 33, 37-39 More recently, Miura et al. 40
developed and validated LSSs for simultaneous estimation of AUC of tacrolimus and
mycophenolic acid in this population. Similar to our findings, they reported that
combinations of 2 or 3 concentration-time points including C0 and C4 (C0-C4 and C0-C2-C4)
provided reliable estimation of tacrolimus AUC0-12; however, the best LSS for
simultaneous prediction of the 2 immunosuppressive agents included C 2, C4, and C9. These
results are not surprising considering the enterohepatic circulation of mycophenolic acid
glucuronides which causes a secondary plasma peak of mycophenolic acid.

The LSSs developed in this study showed good predictive performance in an

independent validation group, despite high heterogeneity of the studied population in terms
of demographic and clinical characteristics, time post-transplantation, and shape of PK
profiles. This increases the likelihood that these LSSs will be used in various clinical
settings. Additionally, in an “intention” to be highly representative of clinical reality,
outlier PK profiles were not removed even if this was associated with the potential risk of
underestimating the predictive performance of the LSSs. Another strength of these LSSs is
the ease with which they could be applied by health care professionals; this is in contrast
with LSSs derived from Bayesian analysis where users require more extensive training and
specialized software programs.

This study has some limitations that deserve further comments. Ting et al. 21 recently
suggested that LSS should only be applied on transplant patient populations that are
comparable to the population used to develop the LSS. As such, the predictive power of the
 210

LSSs reported in this study cannot be guaranteed for patient populations other than
paediatric liver transplant recipients. By opposition to Bayesian derived LSSs, LSSs
developed with a multiple regression approach are less flexible in the sampling time where
collection of samples at exact times is necessary. 41 Immunoassays may overestimate
tacrolimus concentrations compared to high-performance liquid chromatography methods,
due to cross reactivity with tacrolimus metabolites.15 Thus, caution should be exerted in the
application of the proposed LLSs if tacrolimus concentrations are measured with analytic
techniques different than the specific immunoassay used in this study.

Even though the evaluation of the relative performance of the 5 LSSs has shown
that 3 and 4 concentration-time points LSSs were statistically more precise and less biased
than the one using 2 time points, all equations can be used with confidence. Therefore, it is
the ultimate clinician’s choice to decide which model to use according to the desired level
of precision, balanced with the costs and feasibility in clinical practice.
 211

5 Conclusion
Trough concentration is a poor predictor of tacrolimus AUC 0-12 in paediatric liver
transplant recipients. However, LSSs using 2 to 4 concentration-time points obtained within
4 hours after tacrolimus dosing have been developed and provide a reliable and convenient
method to predict tacrolimus exposure in this population. By facilitating the accurate
measurement of tacrolimus full AUC, the proposed LSSs represent an important step that
will allow the undertaking of prospective trials aiming to better define tacrolimus target
AUC in paediatric liver transplant recipients, and to determine whether AUC-guided
monitoring is superior to C0-based monitoring in terms of efficacy and safety.
 212

6 Acknowledgements
We thank Carole Viau and Dr. Oliver Karam for their technical assistance. We also
thank the nursing staff of the Multispecialty Clinic at CHU Ste-Justine for their help with
sample collection. The time and effort of Professor Manuel Pascual (Chief, Centre de
Transplantation d'Organes, CHUV, Lausanne) in accomplishing this project are also
gratefully acknowledged.
 213

7 Conflict of Interest/Disclosure
Financial support came from the Research Centre of Centre Hospitalier
Universitaire Sainte- Justine. N.K. received a studentship from the Faculty of graduate
studies of Université de Montréal. L.L. is recipient of a Rx & D/CIHR Health Research
Foundation Career Award in Health Sciences.
 214

8 References
1. Smith JM, Stablein DM, Munoz R, et al. Contributions of the Transplant Registry: The
2006 Annual Report of the North American Pediatric Renal Trials and Collaborative
Studies (NAPRTCS). Pediatr Transplant. 2007;11:366-373.

2. Claeys T, Van Dyck M, Van Damme-Lombaerts R. Pharmacokinetics of tacrolimus in

stable paediatric renal transplant recipients. Pediatr Nephrol. 2010;25:335-342.

3. Filler G, Feber J, Lepage N, et al. Universal approach to pharmacokinetic monitoring of

immunosuppressive agents in children. Pediatr Transplant. 2002;6:411-418.

4. Filler G, Grygas R, Mai I, et al. Pharmacokinetics of tacrolimus (FK 506) in children and
adolescents with renal transplants. Nephrol Dial Transplant. 1997;12:1668-1671.

5. Heffron TG, Pescovitz MD, Florman S, et al. Once-daily tacrolimus extended-release

formulation: 1-year post-conversion in stable pediatric liver transplant recipients. Am J
Transplant. 2007;7:1609-1615.

6. Kim JS, Aviles DH, Silverstein DM, et al. Effect of age, ethnicity, and glucocorticoid
use on tacrolimus pharmacokinetics in pediatric renal transplant patients. Pediatr
Transplant. 2005;9:162-169.

7. Lee MN, Butani L. Improved pharmacokinetic monitoring of tacrolimus exposure after

pediatric renal transplantation. Pediatr Transplant. 2007;11:388-393.

8. Montini G, Ujka F, Varagnolo C, et al. The pharmacokinetics and immunosuppressive

response of tacrolimus in paediatric renal transplant recipients. Pediatr Nephrol.
2006;21:719-724.

9. Reding R, Sokal E, Paul K, et al. Efficacy and pharmacokinetics of tacrolimus oral

suspension in pediatric liver transplant recipients. Pediatr Transplant. 2002;6:124-126.

10. Schubert M, Venkataramanan R, Holt DW, et al. Pharmacokinetics of sirolimus and

tacrolimus in pediatric transplant patients. Am J Transplant. 2004;4:767-773.
 215

11. Shishido S, Asanuma H, Tajima E, et al. Pharmacokinetics of tacrolimus in pediatric

renal transplant recipients. Transplant Proc. 2001;33:1066-1068.

12. Wallemacq PE, Furlan V, Moller A, et al. Pharmacokinetics of tacrolimus (FK506) in

paediatric liver transplant recipients. Eur J Drug Metab Pharmacokinet. 1998;23:367-370.

13. Webb NJ, Stevenson PJ, Lewis MA, et al. Pharmacokinetics of tacrolimus in paediatric
renal transplant recipients. Transplant Proc. 2002;34:1948-1950.

14. Staatz CE, Tett SE. Clinical pharmacokinetics and pharmacodynamics of tacrolimus in
solid organ transplantation. Clin Pharmacokinet. 2004;43:623-653.

15. Wallemacq P, Armstrong VW, Brunet M, et al. Opportunities to optimize tacrolimus

therapy in solid organ transplantation: report of the European consensus conference. Ther
Drug Monit. 2009;31:139-152.

16. Backman L, Nicar M, Levy M, et al. FK506 trough levels in whole blood and plasma in
liver transplant recipients. Correlation with clinical events and side effects.
Transplantation. 1994;57:519-525.

17. Kershner RP, Fitzsimmons WE. Relationship of FK506 whole blood concentrations and
efficacy and toxicity after liver and kidney transplantation. Transplantation. 1996;62:920-
926.

18. Schwartz M, Holst B, Facklam D, et al. FK 506 in liver transplantation: correlation of

whole blood levels with efficacy and toxicity. The US Multicenter FK 506 Dose
Optimization. Transplant Proc. 1995;27:1107.

19. Undre NA, van Hooff J, Christiaans M, et al. Low systemic exposure to tacrolimus
correlates with acute rejection. Transplant Proc. 1999;31:296-298.

20. Mahalati K, Belitsky P, Sketris I, et al. Neoral monitoring by simplified sparse

sampling area under the concentration-time curve: its relationship to acute rejection and
cyclosporine nephrotoxicity early after kidney transplantation. Transplantation.
1999;68:55-62.
 216

21. Ting LS, Villeneuve E, Ensom MH. Beyond cyclosporine: a systematic review of
limited sampling strategies for other immunosuppressants. Ther Drug Monit. 2006;28:419-
430.

22. Armendariz Y, Pou L, Cantarell C, et al. Evaluation of a limited sampling strategy to

estimate area under the curve of tacrolimus in adult renal transplant patients. Ther Drug
Monit. 2005;27:431-434.

23. Pisitkun T, Eiam-Ong S, Chusil S, et al. The roles of C4 and AUC0-4 in monitoring of
tacrolimus in stable kidney transplant patients. Transplant Proc. 2002;34:3173-3175.

24. Ragette R, Kamler M, Weinreich G, et al. Tacrolimus pharmacokinetics in lung

transplantation: new strategies for monitoring. J Heart Lung Transplant. 2005;24:1315-
1319.

25. Scholten EM, Cremers SC, Schoemaker RC, et al. AUC-guided dosing of tacrolimus
prevents progressive systemic overexposure in renal transplant recipients. Kidney Int.
2005;67:2440-2447. \

26. Ting LS, Partovi N, Levy RD, et al. Limited sampling strategy for predicting area under
the concentration-time curve of mycophenolic acid in adult lung transplant recipients.
Pharmacotherapy. 2006;26:1232-1240.

27. Wallemacq PE, Verbeeck RK. Comparative clinical pharmacokinetics of tacrolimus in

paediatric and adult patients. Clin Pharmacokinet. 2001;40:283-295.

28. Manzanares C. Therapeutic drug monitoring of tacrolimus: a moving matter. Therapie.

2002;57:133-136.

29. David OJ, Johnston A. Limited sampling strategies for estimating cyclosporin area
under the concentration-time curve: review of current algorithms. Ther Drug Monit.
2001;23:100-114.

30. Sheiner LB, Beal SL. Some suggestions for measuring predictive performance. J
Pharmacokinet Biopharm. 1981;9:503-512.
 217

31. Bland JM, Altman DG. Statistical methods for assessing agreement between two
methods of clinical measurement. Lancet. 1986;1:307-310.

32. Meier-Kriesche HU, Kaplan B, Brannan P, et al. A limited sampling strategy for the
estimation of eight-hour neoral areas under the curve in renal transplantation. Ther Drug
Monit. 1998;20:401-407.

33. Wong KM, Shek CC, Chau KF, et al. Abbreviated tacrolimus area-under-the-curve
monitoring for renal transplant recipients. Am J Kidney Dis. 2000;35:660-666.

34. Dansirikul C, Staatz CE, Duffull SB, et al. Sampling times for monitoring tacrolimus in
stable adult liver transplant recipients. Ther Drug Monit. 2004;26:593-599.

35. Langers P, Press RR, den Hartigh J, et al. Flexible limited sampling model for
monitoring tacrolimus in stable patients having undergone liver transplantation with
samples 4 to 6 hours after dosing is superior to trough concentration. Ther Drug Monit.
2008;30:456-461.

36. Hoyer PF. Therapeutic drug monitoring of cyclosporin A: should we use the area under
the concentration-time curve and forget trough levels? Pediatr Transplant. 2000;4:2-5.

37. Balbontin FG, Kiberd B, Squires J, et al. Tacrolimus monitoring by simplified sparse
sampling under the concentration time curve. Transplant Proc. 2003;35:2445-2448.

38. Jorgensen K, Povlsen J, Madsen S, et al. C2 (2-h) levels are not superior to trough
levels as estimates of the area under the curve in tacrolimus-treated renal-transplant
patients. Nephrol Dial Transplant. 2002;17:1487-1490.

39. Kuypers DR, Claes K, Evenepoel P, et al. Time-related clinical determinants of

longterm tacrolimus pharmacokinetics in combination therapy with mycophenolic acid and
corticosteroids: a prospective study in one hundred de novo renal transplant recipients. Clin
Pharmacokinet. 2004;43:741-762.
 218

40. Miura M, Satoh S, Niioka T, et al. Limited sampling strategy for simultaneous
estimation of the area under the concentration-time curve of tacrolimus and mycophenolic
acid in adult renal transplant recipients. Ther Drug Monit. 2008;30:52- 59.

41. Rousseau A, Marquet P. Application of pharmacokinetic modelling to the routine

therapeutic drug monitoring of anticancer drugs. Fundam Clin Pharmacol. 2002;16:253-
262.
 219

9 Figure Legends
Figure 1. Tacrolimus concentrations as a function of time plotted for the 38
pharmacokinetic profiles (training group, solid lines; validation group, dashed gray lines).

Figure 2. Correlation between the observed AUC 0-12 (ObsAUC0-12) and the predicted AUC0-
12 (PredAUC0-12) of tacrolimus calculated with the equations of model 3 (A) involving 3
concentration-time points (C0-C1-C4) and model 5 (B) involving 2 concentration-time
points (C0-C4), respectively. Bland and Altman analysis testing agreement between
tacrolimus ObsAUC0-12 and PredAUC0-12 calculated with the equations of model 3 (C)
involving 3 concentration-time-points (C0-C1-C4) and model 5 (D) involving 2
concentration-time points (C0-C4), respectively.
 220

10 Tables
Table 1. Summary of patient characteristics on the day of the pharmacokinetic profile
(results expressed as number or mean ± SD or median (range))
Variable Training group Validation group P value
(18 profiles) (18 profiles)
Age (years) 12.0 (0.4–16.9) 2.9 (0.6–18.5) 0.20
Weight (kg) 34.7 (4.5–61.3) 17.3 (6.2–59.1) 0.58
Time after transplantation 24.1 (0.5–166.2) 4.2 (0.5–185.5) 0.46
(months)
Tacrolimus dose 0.11 (0.05–0.54) 0.19 (0.05–0.42) 0.44
(mg/kg/d)1
Tacrolimus formulations2
Suspension (5 mg/mL) 7 11
Capsule 11 6
Concomitant
immunosuppressive agents
None 1 0
Corticosteroids 7 9
Corticosteroids + MMF 0 6
MMF 10 3
AST (U/L) 31 (16–304) 47 (24–148) 0.06
ALT (U/L) 45 ± 27 (17–125) 93 ± 69 (14–249) 0.01
GGT (U/L) 51 (8–261)3 98 (13–886) 0.02
AP (U/L) 168 (49–448) 130 (66–567)3 0.53
Bilirubine (μmol/L) 10 (4–25)3 11 (5–110) 0.84
Hb (g/dL) 120 ± 21 (83–151) 120 ± 16 (84–143) 0.92
3
Hct (%) 0.34 ± 0.054 (0.25– 0.36 ± 0.04 (0.26–0.43) 0.48
0.44)4
 221

Serum albumin (g/L) 35 ± 3 (32–40)4 36 ± 4 (27–43)3 0.66

Serum creatinine (mg/dL) 0.5 ± 0.2 (0.3–0.9) 0.4 ± 0.3 (0.1–0.9) 0.23
1
Given twice a day
2
Data available for 17 profiles in the validation group
3
Data available for 17 profiles
4
Data available for 13 profiles
ALT, alanine aminotransferase; AP, alkaline phosphatase; AST, aspartate aminotransferase;
GGT, γ- glutamyltranspeptidase; Hb, hemoglobin; Hct, hematocrit; MMF, mycophenolate
mofetil
 222

Table 2. Pharmacokinetic parameters of tacrolimus after oral administration in

paediatric liver transplant recipients (results expressed as mean ± SD or median
(range))
Parameter Training group (n=18) Validation group (n=18) P value

C0 (ng/mL) 7.3 ± 2.8 (2.9–13.6) 9.7 ± 3.5 (4.7–18.3) 0.871

Cmax (ng/mL) 12.1 (5.6–32.1) 17.9 (9.8–52.5) 0.581

Tmax (h) 2.5 (0.7–4.0) 1.5 (1.0–6.0) 0.11

AUC0-12 114.0 (51.4–245.0) 141.2 (94.0–310.7) 0.701

(ng*h/mL)
1
For PK parameter normalized for a tacrolimus dose of 0.1 mg/kg
AUC0-12, area under the concentration-time curve from 0 to 12 hours post-dose;
C0, through concentration; Cmax, peak blood concentration; n, number of PK
profiles; Tmax, time to reach Cmax
 223

Table 3. Regression equations for predicting tacrolimus AUC 0-12 in paediatric liver
transplant recipients with the associated coefficient of determination (r2)
Model Time-points Regression equation r2
1 C0, C1, C2, C4 AUCp = 9.15 + 3.65*C0 + 1.81*C1 + 0.51*C2 + 4.55*C4 0.99
2 C0, C0.5, C2, C4 AUCp = 9.51 + 3.52*C0 + 1.27*C0.5 + 1.52*C2 + 4.29*C4 0.99
3 C0, C1, C4 AUCp = 9.30 + 3.69*C0 + 2.19*C1 + 4.69*C4 0.99
4 C0, C1.5, C4 AUCp = 9.14 + 4.11*C0 + 1.69*C1.5 + 4.67*C4 0.98
5 C0, C4 AUCp = 17.93 + 5.79*C0 + 4.71*C4 0.94
6 C0, C2 AUCp = 18.56 + 6.97*C0 + 4.05*C2 0.71
7 C4 AUCp = 45.19 + 5.87*C4 0.84
8 C2 AUCp = 44.33 + 6.01*C2 0.58
9 C0 AUCp = 36.24 + 11.68*C0 0.53

AUCp, predicted area under the concentration-time curve; r2, coefficient of determination
 224

Table 4. Evaluation of the predictive performance of limited sampling strategies to estimate

tacrolimus AUC0-12 in paediatric liver transplant recipients, mean (95% CI)
Model Time-points RMSE (ng/mL) ME (ng/mL) RMSE (%) ME (%)
s
1 C0, C1, C2, C4 11.71 (6.97–15.02) -7.77 (-12.25– -3.28) 8.15(3.22–11.07) -5.07 (-8.34– -1.81)

2 C0, C0.5, C2, C4 12.58 (8.50–15.63) -8.74 (-13.37– -4.11) 8.48 (4.25–11.22) -6.15 (-9.14– -3.16)

3 C0, C1, C4 12.03 (6.59–15.68) -7.91 (-12.55– -3.28) 8.29 (3.29–11.28) -4.98 (-8.37– -1.59)

4 C0, C1.5, C4 15.54 (9.08–20.01) -10.68 (-16.46– -4.91)9.35 (5.60–11.98) -6.75 (-10.06– -3.44)
5 C0, C4 23.89 (14.25–30.65) -18.06 (-26.06– -10.05)11.77 (8.65–14.22) -9.80 (-13.14– -6.46)

CI: confidence interval; ME, mean prediction error; RMSE, root mean squared prediction
error
 225

Table 5. Relative performance of the 5 different models, mean (95% CI)

Models1 Δ MSE (ng2/mL2)2 Δ ME (ng/mL)3

1 vs 2 -21.17 (-70.02–27.69) 0.97 (-1.90–3.85)
1 vs 3 -7.54 (-27.82–12.74) 0.14 (-1.21–1.49)
1 vs 4 -104.25 (-236.95–28.44) 2.91 (-1.84–7.67)
1 vs 5 -433.76 (-785.75– -81.77) 10.29 (2.54–18.03)
2 vs 3 13.63 (-48.76–76.02) -0.83 (-4.80–3.14)
2 vs 4 -83.09 (-237.42–71.24) 1.94 (-3.87–7.75)
2 vs 5 -412.60 (-751.08– -74.11) 9.31 (0.82–17.81)
3 vs 4 -96.71 (-233.49–40.07) 2.77 (-2.38–7.92)
3 vs 5 -426.22 (-776.36– -76.09) 10.15 (2.87–17.43)
4 vs 5 -329.51 (-645.32– -13.70) 7.37 (-0.63–15.38)
1
Model 1: C0, C1, C2, C4; model 2: C0, C0.5, C2, C4; model 3: C0, C1, C4; model 4: C0, C1.5,
C4; model 5: C0, C4.
2
MSE for each model was as follows: model 1, 137.13; model 2, 158.29; model 3, 144.66;
model 4, 241.38; model 5, 570.89
3
ME for each model is reported in Table 3
CI: confidence interval; ME, mean prediction error, MSE, mean squared prediction error
 226

11 Figures
Figure 1
 227

Figure 2A
 228

Figure 2B
 229

Figure 2C
 230

Figure 2D
 231

Annexe III

Permission du journal NEJM

Permission to Use NEJM Material in a Thesis or Dissertation

This permission applies only to copyrighted material that the Massachusetts Medical Society owns, and not to copyrighted
text or illustrations from other sources.

All content reproduced from copyrighted material owned by the Massachusetts Medical Society (MMS) remains the full and
exclusive copyrighted property of the MMS. The right to grant to a third party is reserved solely by the MMS.

Copyrighted MMS content may not be used in any manner that implies endorsement, sponsorship, or promotion of any
entity, product or service by the MMS or its publications. The MMS cannot authorize use of authors’ names on promotional
materials; such approval must be obtained directly from authors.

The New England Journal of Medicine (and its logo design) are registered trademarks of the Massachusetts Medical
Society. We do not grant permission for our logo, cover, or brand identity to be used in materials produced by other
organizations. NEJM does not issue grants of permission for blanket use of its material. Non-exclusive grants are issued for
identified content to be used in a specific manner. We do provide worldwide rights.

MODIFICATIONS/ADAPTATIONS

Grants of permission are issued for the material to be used as originally published by MMS. MMS does not approve
adaptations or modifications.

Formatting and stylistic changes and any explanatory material or figure legends used by the requestor must accurately
reflect the material as originally published in the New England Journal of Medicine.

*This grant covers the right to use the material in print and electronic formats. Figures/Tables that contain text, may be
translated.
 233

Annexe IV

Accord des coauteurs

i