| Title: |
Predicting prolonged dalbavancin exposure using machine learning: a validated strategy for individualized redosing |
| Authors: |
Sayadi, Hamza; Gregoire, Matthieu; Fromage, Yeleen; Ksentini, Mohamed; Labriffe, Marc; Monchaud, Caroline; Codde, Cyrielle; Faucher, Jean-François; Boutoille, David; Marquet, Pierre; Woillard, Jean-Baptiste |
| Contributors: |
Service de Pharmacologie, toxicologie et pharmacovigilance CHU Limoges; CHU Limoges; Cibles et Médicaments des Infections et de l'Immunité - UR 1155 (IICiMed); Nantes Université - UFR des Sciences Pharmaceutiques et Biologiques (Nantes Univ - UFR Pharmacie); Nantes Université - pôle Santé; Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ)-Nantes Université - pôle Santé; Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ); The University of Queensland (UQ All campuses : Brisbane, Dutton Park Gatton, Herston, St Lucia and other locations ); Centre Hospitalier Universitaire de Nîmes (CHU Nîmes); Pharmacologie et Transplantation (P&T); CHU Limoges-Institut National de la Santé et de la Recherche Médicale (INSERM)-OmégaHealth (ΩHealth); Université de Limoges (UNILIM)-Université de Limoges (UNILIM); Fédération Hospitalo-Universitaire « SUrvival oPtimization in ORgan Transplantation » (FHU SUPORT); Centre d'Investigation Clinique Rennes (CIC); Université de Rennes (UR)-Centre Hospitalier Universitaire de Rennes CHU Rennes = Rennes University Hospital Pontchaillou -Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Rennes (UR)-Centre Hospitalier Universitaire de Rennes CHU Rennes = Rennes University Hospital Pontchaillou -Institut National de la Santé et de la Recherche Médicale (INSERM)-Institut de recherche en santé, environnement et travail (Irset); Université d'Angers (UA)-Université de Rennes (UR)-École des Hautes Études en Santé Publique (EHESP)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Structure Fédérative de Recherche en Biologie et Santé de Rennes (Biosit : Biologie - Santé - Innovation Technologique)-Université d'Angers (UA)-École des Hautes Études en Santé Publique (EHESP)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Structure Fédérative de Recherche en Biologie et Santé de Rennes (Biosit : Biologie - Santé - Innovation Technologique)-Centre Hospitalier Regional d'Orléans (CHRO)-Centre Hospitalier Universitaire de Nantes = Nantes University Hospital (CHU Nantes)-Lymphocytes B, Autoimmunité et Immunothérapies (LBAI); Université de Brest (UBO EPE)-Institut National de la Santé et de la Recherche Médicale (INSERM)-LabEX IGO Immunothérapie Grand Ouest; Nantes Université (Nantes Univ)-Nantes Université (Nantes Univ)-Institut Brestois Santé Agro Matière (IBSAM); Université de Brest (UBO EPE)-Université de Brest (UBO EPE)-Institut National de la Santé et de la Recherche Médicale (INSERM)-LabEX IGO Immunothérapie Grand Ouest; Université de Brest (UBO EPE)-Centre Hospitalier Le Mans (CH Le Mans)-Service de néphrologie et immunologie clinique CHRU Tours; Centre Hospitalier Régional Universitaire de Tours (CHRU Tours)-Centre Hospitalier Régional Universitaire de Tours (CHRU Tours)-Pharmacologie et Transplantation (P&T); Université de Limoges (UNILIM)-Université de Limoges (UNILIM)-CHU Limoges-Institut National de la Santé et de la Recherche Médicale (INSERM)-OmégaHealth (ΩHealth); Université de Limoges (UNILIM)-Université de Limoges (UNILIM)-Anti-infectieux : supports moléculaires des résistances et innovations thérapeutiques (RESINFIT); Université de Limoges (UNILIM)-Université de Limoges (UNILIM)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Ischémie reperfusion, métabolisme et inflammation stérile en transplantation U 1313 (IRMETIST Poitiers ); Université de Poitiers = University of Poitiers (UP)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Université de Poitiers = University of Poitiers (UP)-Institut National de la Santé et de la Recherche Médicale (INSERM); Ciblage individuel et prévention des risques de traitements immunosupresseurs et de la transplantation (IPPRITT); CHU Limoges-Institut National de la Santé et de la Recherche Médicale (INSERM)-Institut Génomique, Environnement, Immunité, Santé, Thérapeutique (GEIST); Service des Maladies infectieuses et tropicales CHU Limoges; Epidémiologie des Maladies Chroniques en zone tropicale (EpiMaCT); Institut de Recherche pour le Développement (IRD)-CHU Limoges-Institut d'Epidémiologie Neurologique et de Neurologie Tropicale-Institut National de la Santé et de la Recherche Médicale (INSERM)-OmégaHealth (ΩHealth); Service des maladies infectieuses et tropicales CHU Nantes; Centre Hospitalier Universitaire de Nantes = Nantes University Hospital (CHU Nantes); ANR-22-PESN-0017, Agence Nationale de la Recherche; ANR-22-PESN-0017,DIGPHAT,Multi-scale and longitudinal data modeling in pharmacology: toward digital pharmacological twins(2022) |
| Source: |
ISSN: 0066-4804. |
| Publisher Information: |
CCSD; American Society for Microbiology |
| Publication Year: |
2026 |
| Collection: |
Université de Poitiers: Publications de nos chercheurs.ses (HAL) |
| Subject Terms: |
therapeutic drug monitoring; population pharmacokinetics; model-informed precision dosing; machine learning; dalbavancine; Monte Carlo simulations; [SDV.SP.PHARMA]Life Sciences [q-bio]/Pharmaceutical sciences/Pharmacology |
| Description: |
International audience ; Dalbavancin is a long-acting lipoglycopeptide increasingly used off-label for complex Gram-positive infections requiring prolonged therapy. Its extended half-life enables simplified regimens, but interindividual pharmacokinetic variability and pathogen MIC heterogeneity complicate dosing. We developed and externally validated machine learning (ML) models to predict whether dalbavancin plasma concentrations remain above predefined pharmacokinetic/pharmacodynamic targets after two standard 1,500 mg doses (day 1/day 8 or day 1/day 15). Predictions were binary (adequate vs subtherapeutic concentration), directly reflecting the clinical decision to readminister a 1,500 mg dose. Models were trained on simulated PK profiles from a published population PK (popPK) model and evaluated in three independent settings: (i) simulated validation data sets from two alternative published popPK models, (ii) a real-world cohort from Limoges University Hospital ( = 31), and (iii) a secondary cohort from Nantes University Hospital ( = 7). Input features included age, body weight, creatinine clearance, MIC, and a single plasma concentration obtained before the second dose. Support vector machine models achieved high accuracy (>88%) and sensitivity (>90%) across testing sets and clinical validation cohorts. In clinical data sets, no false negatives were observed (limited by sample size), with overall accuracy approaching 95%. Compared with maximum a posteriori Bayesian estimation, ML achieved higher accuracy and sensitivity across validation cohorts, particularly by reducing false negatives. Predictions remained reliable through week 8, the clinically relevant exposure window. This ML-based approach enables early individualized redosing decisions using minimal clinical inputs. By complementing Bayesian forecasting and reducing reliance on serial sampling, it represents a pragmatic strategy to support model-informed precision dosing of dalbavancin. |
| Document Type: |
article in journal/newspaper |
| Language: |
English |
| Relation: |
info:eu-repo/semantics/altIdentifier/pmid/41369581; PUBMED: 41369581 |
| DOI: |
10.1128/aac.01363-25 |
| Availability: |
https://unilim.hal.science/hal-05414763; https://unilim.hal.science/hal-05414763v1/document; https://unilim.hal.science/hal-05414763v1/file/Clean_manuscript.pdf; https://doi.org/10.1128/aac.01363-25 |
| Rights: |
https://creativecommons.org/licenses/by/4.0/ ; info:eu-repo/semantics/OpenAccess |
| Accession Number: |
edsbas.291BBD2E |
| Database: |
BASE |