Thérapeutique T hérapeutique Suivi thérapeutique de l’acide mycophénolique chez le patient lupique Therapeutic drug monitoring of the mycophenolic acid in the lupic disease ● ● Dominique Breilh, Sarah Djabarouti* Résumé La prise en charge de la maladie lupique est difficile, notamment en raison d’une méconnaissance de la physiopathologie, qui s’améliore néanmoins et permet l’identification de nouvelles cibles thérapeutiques et de thérapies prometteuses. Compte tenu de son mécanisme d’action sélectif, de nombreuses études cliniques ont récemment évalué l’efficacité de l’acide mycophénolique (MPA) afin de préciser sa place dans l’arsenal thérapeutique de la maladie lupique. Une étude récente a démontré qu’il existe une corrélation entre l’ASC0-12 h du MPA et l’activité du LED. Une ASC0-12 h cible associée à un risque diminué de poussée clinique peut ainsi être proposée. Cependant, la détermination de l’ASC individuelle est difficile en pratique car elle nécessite un nombre suffisant de prélèvements sur 12 heures. C’est pourquoi la plupart des études pharmacocinétiques se fondent sur la définition d’estimateurs bayésiens afin d’estimer une ASC individuelle à partir d’un nombre réduit de prélèvements (généralement trois maximum). En outre, les propriétés pharmacociné­tiques entre les deux prodrogues de MPA étant différentes, notamment au niveau de la résorption, les outils d’optimisation et d’individualisation devront utiliser des estimateurs bayésiens spécifiques du MMF et de l’EC-MPS. À ce stade, le choix du type d’analyse pharmacocinétique de population est primordial car en fonction des objectifs fixés, il se dirigera vers l’une ou l’autre des deux grandes méthodes utilisables (NONMEM ou NPEM/NPAG). Mots-clés : Suivi thérapeutique – Acide mycophénolique (MPA) – Mycophénolate mofétyl (MMF) – Mycophénolate sodique (comprimés gastro-résistant EC-MPS) – Variabilité en pharmacocinétique – Estimateurs bayésiens – Pharmacocinétique de population – Maladie lupique. L a prise en charge de la maladie lupique est difficile, notamment en raison d’une méconnaissance de la physiopathologie et ce malgré l’identification de nouvelles cibles thérapeutiques et de thérapies prometteuses. La diversité des formes cliniques oblige * Laboratoire de pharmacocinétique et de pharmacie clinique, EA 2968, groupe PK/PD, université Victor-Segalen-Bordeaux 2 et pharmacie centrale hôpital Haut-Lévêque, CHU de Bordeaux. Summary The strategy of treatment of the lupic disease is difficult in particular because of an ignorance of the physiopathology, which improves however and allows the identification of new therapeutic targets and promising therapies. Taking into account its selective mechanism of action, many clinical studies recently evaluated the effectiveness of the mycophenolic acid (MPA) in order to specify its place in the treatment of the lupic disease. A recent study showed that there exists a correlation between AUC0-12h of the MPA and the activity of the LED. AUC0-12h targets associated at the risk decreased with clinical push can thus be proposed. However, the determination of the individual AUC is difficult in clinical practice because it requires a sufficient number of blood samples over 12 hours. This is why the majority of the pharmacokinetic studies are based on the definition of bayesian estimators in order to consider an individual AUC starting from a reduced number of blood samples (generally three maximum). Moreover, the pharmacokinetic properties between the two pro drugs of MPA being different in particular on the level from the absorption, the tools of optimization and individualization will owe used specific bayesian estimators of MMF and EC-MPS. This stage, the choice of the pharmacokinetic type of analysis of population is important because according to the laid down objectives, it will move towards one or the other of the two great methods usable (NONMEM or NPEM/NPAG). Keywords: Therapeutic drug monitoring – Mycophenolic acid (MPA) – Mycophenolate mofetyl (MMF) – Mycophenolate sodic (entero-coated tablets EC-MPS) – Pharmacokinetic variability – Bayesian estimators – Population pharmacokinetics – Lupic disease. à une prise en charge adaptée et différente selon leur bénignité ou leur gravité. L’objectif du traitement est double : à court terme, il s’agit d’assurer un contrôle rapide de la maladie afin d’empêcher l’atteinte viscérale et de préserver les fonctions organiques au cours d’une poussée lupique, à long terme, le traitement doit maintenir le malade en rémission, prévenir les poussées et améliorer sa qualité de vie. Ces objectifs doivent être poursuivis en recherchant le meilleur rapport bénéfice/risque. Les immunosuppresseurs permettent d’obtenir une rémission rapide au cours des poussées lupiques insuffisamment contrôlées par les glucocorticoïdes seuls ou réfractaires à la corticoLa Lettre du Pharmacologue - Vol. 22 - n° 1 - janvier-février-mars 2008 thérapie seule et une épargne cortisonique chez les patients atteints de maladie lupique corticodépendante ainsi que chez les patients lupiques cortico-intolérants. Compte tenu de son mécanisme d’action sélectif, de nombreuses études cliniques ont récemment évalué l’efficacité de l’acide mycophénolique (MPA). Le MPA est le principe actif de deux prodrogues, le mycophénolate mofétil (MMF) [Cellcept®] et le mycophénolate sodique (EC-MPS) [Myfortic®]. Les places du MMF et de l’EC-MPS méritent d’être évaluées dans le traitement des manifestations cliniques et des atteintes viscérales sévères du LED. Les études cliniques d’efficacité et de tolérance chez les patients lupiques sont cependant peu nombreuses et le suivi pharmacocinétique individualisé semble être un outil nécessaire pour essayer de répondre aux objectifs thérapeutiques fixés. Propriétés pharmacocinétiques de l’acide mycophénolique Le MMF administré sous forme orale est rapidement résorbé et subit une métabolisation présystémique par désestérification au niveau du tube digestif pour libérer son métabolite actif, le MPA. Chez les volontaires sains, la biodisponibilité absolue moyenne du MPA est supérieure à 90 % et son volume apparent de distribution moyen est estimé à 3,6 l/kg. L’EC-MPS se caractérise par des différences pharmacocinétiques liées à la formulation gastrorésistante, notamment une résorption différée définissant un Tlag. Le MPA est très fortement fixé aux protéines plasmatiques, principalement l’albumine (97 à 99 %). Il subit une métabolisation postsystémique hépatique et rénale impliquant des réactions enzymatiques de phase I et de phase II. Les réactions de phase I, minoritaires, font intervenir les isoformes CYP3A et CYP2C du cytochrome P450 qui produisent un métabolite secondairement glucuronoconjugué. Les réactions de phase II impliquent essentiellement les enzymes de glucuronoconjugaison, notamment les UGT (uridine-diphosphate glucuronyltransférase) qui catalysent la formation de deux métabolites du MPA. Le premier est le métabolite 7-O-glucuronide, MPA-βphénylglucuronide (MPAG). Il s’agit du métabolite majeur du MPA, inactif et fortement fixé à l’albumine (82 %). Après élimination, ce métabolite peut être à nouveau résorbé dans l’intestin via un cycle entéro-hépatique. Une fois dans l’intestin, les glucuronidases de la flore bactérienne dégradent le MPAG et libèrent partiellement du MPA au niveau intestinal, qui est à nouveau résorbé dans la circulation générale. Le second métabolite, l’acyl-glucuronide (acylMPAG), bien que mineur, serait toutefois actif, puisque in vitro, il inhibe la prolifération lymphocytaire et se fixe de façon irréversible à l’albumine. De plus, la formation d’adduits entre l’acyl-MPAG et les protéines entraîne des dommages tissulaires associés à la toxicité du médicament. Le MPA est éliminé majoritairement sous forme de MPAG par un mécanisme de sécrétion tubulaire rénale et biliaire. La forte affinité du MPA et du MPAG pour l’albumine explique le phénomène de compétition entre les deux composés sur la fixation à l’albumine, le MPAG pouvant déplacer le MPA de ses sites de fixation et augmenter ainsi la concentration plasmatique de la fraction du MPA non liée à l’albumine (fraction libre). La pharmacocinétique du MPA (formes totale et libre) est donc La Lettre du Pharmacologue - Vol. 22 - n° 1 - janvier-février-mars 2008 Thérapeutique T hérapeutique fortement influencée par les concentrations plasmatiques de son glucuronide. Toutes les modifications physiopathologiques (insuffisance rénale, insuffisance hépatique, hypoalbuminémie) influencent la pharmacocinétique de la forme libre du MPA. De même, des facteurs génétiques contrôlant les niveaux d’expression des UGT, et particulièrement les polymorphismes génétiques de l’isoforme UGT1A9 impliquée dans la biotransformation du MPA en MPAG, influencent les taux plasmatiques de la forme libre du MPA. Corrélations Pharmacocinétiques/pharmaco­ dynamiques du MPA chez le patient lupique De nombreuses études ont montré qu’il existe une corrélation entre les concentrations plasmatiques du MPA total et l’efficacité du MMF en transplantation rénale. Une aire sous la courbe des concentrations plasmatiques en fonction du temps (ASC0-12 h) comprises entre 30 et 60 µg.h/ml est associée à une incidence diminuée de rejet (1-3). De même, une étude récente a montré qu’il existe une corrélation entre l’ASC0-12 h du MPA après administration de MMF et l’activité du LED chez le patient lupique atteint de complication rénale (4). Une ASC0-12 h cible comprise entre 30 et 45 µg.h/ml est associée à un risque diminué de poussée clinique. Cependant, nombre de questions restent en suspens. La définition, physiopathologique de la maladie lupique de la population à étudier revêt un caractère essentiel. Les patients atteints de néphropathies lupiques sont-ils, en effet, comparables aux autres patients lupiques d’un point de vue pharmacocinétique ? Dans ce cas, quelle sera l’adaptation posologique à proposer aux patients lupiques sans complications rénales, aux patients présentant d’autres manifestations cliniques et aux patients atteints d’autres connectivites ou vascularites ? Enfin, compte tenu des différences pharmacocinétiques observées entre le MMF et l’EC-MPS, quelles méthodes devront être appliquées pour réaliser le suivi et l’individualisation des traitements à base d’EC-MPS ? Afin de pouvoir répondre à l’ensemble de ces questions, des études corrélant la pharmacocinétique à l’efficacité et visant à optimiser les traitements spécifiques et adaptés à la population considérée doivent être mises en place. Toutes les études pharmacocinétiques actuellement disponibles dans la littérature montrent que les concentrations plasmatiques en MPA sont caractérisées par des variabilités intra- et interindividuelle importantes rendant la détermination des paramètres pharmacocinétiques individuels du MPA délicate (5-7). Pour cela, l’utilisation de modèles pharmacocinétiques de population, qui prennent en compte ces variabilités et qui intègrent des covariables démographiques et physiopathologiques pouvant l’expliquer est nécessaire (5, 8). Ainsi, au même titre que le suivi plasmatique, l’identification des facteurs impliqués dans la variabilité pharmacocinétique du MPA fait partie de l’individualisation et de l’optimisation thérapeutique. Méthodes d’estimation de la variabilité en pharmacocinétique La variabilité d’un paramètre pharmacocinétique dans un groupe de sujets peut être décrite à partir de paramètres statistiques Thérapeutique T hérapeutique tels que la moyenne, la variance et l’écart type, la médiane, les percentiles. En outre, l’identification des sources de variabilité est possible au travers des corrélations qui existent entre les paramètres pharmacocinétiques et des covariables telles que l’âge, le sexe, la taille, le poids et la clairance à la créatinine. Les prérequis à l’estimation de la variabilité interindividuelle sont les marqueurs et les paramètres pharmacocinétiques (analyse en données riches ou pauvres), les paramètres statistiques : moyenne, écart type, variance, covariance, matrices de variance/covariance et de corrélation, les covariables, les modèles des pharmacostatistiques et des probabilités multidimensionnelles. Données pharmacocinétiques S.L. Beal et L.B. Sheiner ont proposé et détaillé les caractéristiques des deux principaux types de données pharmacocinétiques (9). Il est important de différencier les données pharmacocinétiques “expérimentales” , dites données “riches” , pour lesquelles la pharmacocinétique individuelle est correctement documentée, des données “cliniques” , dites données “pauvres” , qui sont caractérisées par un faible nombre d’échantillons et par une pharmacocinétique individuelle peu documentée. Paramètres statistiques Ils sont représentés par la moyenne, l’écart type, la variance et la covariance des différents paramètres pharmacocinétiques. Les paramètres pharmacocinétiques sont considérés comme des variables aléatoires qui possèdent une fonction de distribution (appelée “fonction de densité de probabilité”), dont il faut étudier les paramètres statistiques. Les différences significatives qui existent entre les valeurs expérimentales et les valeurs “vraies” théoriques perturbent en général la distribution statistique, ce qui explique en partie la variabilité pharmacocinétique. Modèles pharmacostatistiques En pratique, les paramètres pharmacocinétiques peuvent être calculés à partir de concentrations plasmatiques et/ou urinaires de la substance mère et/ou de son(ses) métabolite(s). La relation entre les concentrations observées à différents temps et les paramètres pharmacocinétiques est réalisée par utilisation de modèles pharmacocinétiques. Un des grands paradoxes de la pharmacocinétique réside dans le fait que la connaissance des paramètres est un prérequis obligatoire au calcul plus précis et optimisé de ces mêmes paramètres (théorie de l’initialisation). Il existe un modèle mathématique de la forme : yj = fj(φj) + εj où “fj” représente le modèle structural permettant de calculer de manière prédictive les observations (concentrations) pour tout vecteur de paramètres “φj” ; “fj” est généralement une fonction non linéaire des paramètres ; “εj” est l’erreur résiduelle supposée additive qui permet de gérer les différences entre les prédictions du modèle et les observations. Du point de vue statistique, l’erreur résiduelle “εj” peut être également considérée comme une variable aléatoire et possède une moyenne. Sa variance peut aussi se calculer et s’incorporer dans le modèle global par l’intermédiaire du modèle de variance en général additif ou multiplicatif. Analyse pharmacocinétique de population Dans l’analyse “populationnelle”, le nombre de paramètres à calculer est plus important que le nombre de données individuelles et les estimations moyennes des paramètres ne peuvent pas être calculées en utilisant les procédés classiques de modélisation. Des estimations des caractéristiques de population sont utilisées en tant qu’amorce des paramètres pharmacocinétiques individuels dans le calcul bayésien et les caractéristiques de population sont recalculées à partir de toutes les observations fournies par l’ensemble des sujets. Méthodes en une étape (single stage methods) Les méthodes en une étape ont été développées pour des modèles non linéaires et constituent un outil mathématique très sophistiqué. Ces méthodes peuvent être classées en deux groupes : les méthodes paramétriques (type NON linear Misced Effect Model [NONMEM]) et les méthodes non paramétriques (type Non Parametric Expected Maximisation [NPEM] et Non Parametric Adaptive Grid [NPAG]). La méthodologie statistique développée pour estimer des caractéristiques de population à partir d’informations indirectes et bruitées est complexe et concerne les modèles de régression à effets mixtes. Ces derniers permettent de travailler dans deux espaces en même temps : celui des observations et celui des paramètres pharmacocinétiques. Mais ils imposent des hypothèses de travail sur les distributions statistiques de plusieurs facteurs, à savoir : l’erreur de mesure “εj” à inclure dans l’espace des paramètres, la valeur théorique vraie inconnue à traduire dans l’espace des observations, le vecteur variabilité interindividuelle à traduire dans l’espace des paramètres. ✓ Méthode en une étape paramétrique : NONMEM Cette méthode fut proposée par S.L. Beal, L.B. Sheiner et al. dès 1972, pour estimer la moyenne et la variance des paramètres (9-12). Elle consiste à estimer les caractéristiques de population en minimisant le critère des moindres carrés étendus construit à partir des données de l’ensemble des individus. Cette approche utilise une linéarisation du modèle autour de la moyenne estimée des paramètres. Cependant, l’algorithme itératif des moindres carrés étendus nécessite de connaître les deux moments statistiques initiaux de la distribution de chacune des observations, et cette condition n’est pas facile à remplir. Les calculs n’impliquent pas seulement une procédure de linéarisation mais requièrent aussi d’évaluer les distributions des paramètres de population ou la distribution de la fluctuation d’échantillonnage “ηj” , ainsi que celle des erreurs résiduelles “εj”. Les analyses NONMEM sur des données simulées ou sur des données réelles sont associées à des hypothèses de normalité ou de log-normalité des distributions des paramètres pharmacocinétiques de population. L’analyse porte sur différents modèles pharmacocinétiques : le modèle monocompartimental, le modèle bicompartimental et le modèle non linéaire de type Michaelis-Menten (13-15). ✓ Méthodes en une étape et non paramétriques utilisant l’algorithme EM : NPEM et NPAG Développée par A. Schumitzsky, la méthode dite “NPEM” a introduit le non-paramétrique en pharmacocinétique de population (16, 17). Les relations doses-concentrations sont définies par un modèle dépendant de plusieurs éléments : La Lettre du Pharmacologue - Vol. 22 - n° 1 - janvier-février-mars 2008 – connus, tels que l’historique du traitement, les prélèvements, la méthodologie de dosage et l’erreur associée, la mesure des covariables anthropométriques et biologiques ; – inconnus, tels que les paramètres pharmacocinétiques et les différents bruits (erreur de modélisation, erreur de dosage, erreur dans la méthodologie, erreur dans les temps d’administration et dans les temps de prélèvements). Cette méthode permet de pondérer l’information obtenue à partir de concentrations différentes chez des sujets différents. NPEM n’utilise que des relations linéaires entre paramètres pharmacocinétiques et covariables. Utilisant une approche non paramétrique, aucune hypothèse n’a été formulée sur la forme de la distribution issue de la totalité des données de population. La version NPEM2 utilise le même algorithme de calcul que NPEM et permet de calculer la fonction densité de probabilité de plus de sept paramètres en utilisant un modèle pharmacocinétique monocompartimental ou bicompartimental avec phase d’absorption. Moyennes, écarts types, médianes, coefficients d’aplatissement et d’asymétrie et vingt-cinquième et soixante-quinzième percentiles des paramètres pharmacocinétiques sont calculés. Avant d’utiliser le programme NPEM2, une sous-routine bayésienne calcule, pour chacun des sujets de la population, la probabilité a posteriori afin de déterminer les limites inférieure et supérieure de chaque paramètre dans l’espace de travail. L’utilisation de l’algorithme de population EM est très performante dans l’extraction de l’information pharmacocinétique à partir des observations ; le problème de sélection des conditions initiales ne se pose plus dans les procédures d’amorce de modélisation non linéaire par la méthode des moindres carrés. De plus, la gestion des fichiers de données individuelles à partir du programme PASTRX permet une amorce facile des études de population. Enfin, les résultats d’une étude de population peuvent être inclus dans le programme de USC-PACK en tant qu’amorce du contrôle adaptatif de type bayésien des sujets de la population précisément définie. L’avantage essentiel de NPEM (NPAG) comparé à NONMEM vient du fait que l’algorithme EM ne nécessite aucune linéarisation ou optimisation dans la procédure de calcul. Les résultats issus des analyses NPEM telles que moyenne et variance des paramètres pharmacocinétiques peuvent être utilisés comme contrôleurs de type MAP (Maximum A Posteriori Probability) dans le cadre du contrôle adaptatif bayésien en situation clinique. Conclusion La corrélation pharmacocinétique-efficacité du MMF établie en transplantation encourage l’adaptation posologique du MPA. Cependant, la détermination de l’ASC individuelle est difficile en pratique, car elle nécessite un nombre suffisant de prélèvements sur 12 heures. C’est pourquoi la plupart des études pharmacocinétiques reposent sur la définition d’estimateurs bayésiens afin d’estimer une ASC individuelle à partir d’un nombre réduit de prélèvements (généralement 3 au maximum). À ce stade, le choix du type d’analyse pharmacocinétique de population est primordial, car en fonction des objectifs fixés, l’on se dirigera vers l’une ou La Lettre du Pharmacologue - Vol. 22 - n° 1 - janvier-février-mars 2008 Thérapeutique T hérapeutique l’autre des deux grandes méthodes utilisables (NONMEM ou NPEM/NPAG). En outre, compte tenu de la diversité des formes de lupus, des complications potentiellement rencontrées et de leur influence au niveau de la pharmacocinétique du MPA total et libre, il semble raisonnable d’envisager que les estimateurs bayésiens déterminés pour les patients lupiques atteints de néphropathie lupique ne soient pas applicables à des populations de patients lupiques ayant une fonction rénale normale. De même, il est important d’envisager pour le patient en poussée une prise en charge différente de celle destinée à un patient dont la maladie lupique est stabilisée. Enfin, les propriétés pharmacocinétiques des deux prodrogues de MPA étant différentes, notamment au niveau de la résorption, les outils d’optimisation et d’individualisation devront utiliser des estimateurs bayésiens spécifiques du MMF et de l’EC-MPS. L’individualisation et le suivi du MPA chez le patient lupique sont donc nécessaires mais doivent s’entourer de précautions quant à la définition de la population exacte de patients lupiques bénéficiant de ce suivi et quant au choix du modèle pharmacostatistique utilisé. ■ Références bibliographiques 1. Staatz CE, Tett SE. Clinical pharmacokinetics and pharmacodynamics of mycophenolate in solid organ transplant recipients. Clin Pharmacokinet 2007;46(1):13-58. 2. Pelletier RP, Akin B, Henry ML et al. The impact of mycophenolate mofetil dosing patterns on clinical outcome after renal transplantation. Clin Transplant 2003:17:200-5. 3. Prémaud A, Debord J, Rousseau A et al. A double absorption-phase model adequately describes mycophenolic acid plasma profiles in de novo renal transplant recipients given oral mycophenolate mofetil. Clin Pharmacokinet 2005;44(8):837-47. 4. Amoura Z, Zahr N et al. L’aire sous la courbe de l’acide mycophénolique est fortement corrélée à l’activité du lupus systémique. Revue de médecine interne 2007;28S. 5. Baraldo M, Isola M, Feruglio MT et al. Therapeutic mycophenolic acid monitoring by means of limited sampling strategy in orthotopic heart transplant patients. Transplantation Proc 2005;37:2240-3. 6. Payen S, Zhang D, Maisin A et al. Population pharmacokinetics of mycophenolic acid in kidney transplant pediatric and adolescent patients. Ther Drug Monit 2005;27(3):378-88. 7. Van Hest RM, Van Gelder T, Vulto AG et al. Population pharmacockinetics of mycophenolic acid in renal transplant recipients. Clin Pharmacokinet 2005;44(10):1083-96. 8. Liang MZ, Lu YP, Nan F et al. Pharmacokinetics of mycophenolic acid after a single and multiple oral doses of mycophenolate mofetil in Chinese renal transplant recipients. Transplantation Proc 2004;36:2065-7. 9. Beal SL. Population pharmacokinetic data and parameter estimation based on their first two statistical moments. Drug Metabolism Rev 1984;15:173-93. 10. Beal SL, Sheiner LB. Estimating population kinetics. CRC Crit Rev Biomedical Engineering 1982;8:195-222. 11. Boeckman AJ, Sheiner LB, Beal SL. NONMEM users guide. Part V: Introductory guide. 1991; NONMEM project group, University of California, San Francisco. 12. Sheiner LB, Beal SL. Forecastin individual pharmacokinetics. Clin Pharmacol Ther 1979;26:294-305. 13. Sheiner LB, Beal SL. Evaluation of methods for estimating population pharmacokinetic parameters II. Biexponential model and experimental pharmacokinetic data. Journal of Pharmacokinetic and Biopharmacy 1981;9:635-51. 14. Sheiner LB, Beal SL. Evaluation of methods for estimating population pharmacokinetic parameters III. Monoexponential model: routine pharmacokinetic data. Journal of Pharmacokinetic and Biopharmacy 1983;11:303-19. 15. Sheiner LB, Beal SL. Evaluation of methods for estimating population pharmacokinetic parameters I. Michaelis-Menten model: routine clinical data. Journal of Pharmacokinetic and Biopharmacy 1980;8:553-71. 16. Dempster AM, Laird NM, Rubin DB. Maximum likelihood from incomplete data via the EM algorithm. Journal of Royal Statisticians Society B 1977;39:1-38. 17. Jelliffe RW. The USC*PACK PC programs from the laboratory of applied pharmacokinetics. 1990; University of Southern California, School of Medecine, Los Angeles (CA).