CODING: Computational models to Optimize DosING

Vårt mål er å utvikle doseresponsmodeller for antibakteriell og kreftbehandling. Mer spesifikt utvikler vi en translasjonell matematisk modell som kan forutsi behandlingssuksess med svært høy nøyaktighet utelukkende fra in vitro-data. Typen matematisk modellering vi fokuserer på, farmakodynamisk modellering, har stort sett holdt seg uendret siden de første modellene ble utviklet på 1910-tallet. Selv om kvalitativ forståelse av medikamenteffekter har forbedret seg det siste tiåret, er det ennå ikke oppnådd en kvantitativ modell for klinisk behandlingssuksess fra in vitro-data. Vi har utviklet en translasjonsmatematisk modell som kan forutsi behandlingssuksess hos tuberkulosepasienter med svært høy nøyaktighet utelukkende fra in vitro-data. Dette representerer et viktig gjennombrudd: det var tidligere ikke mulig å forutsi behandlingsrespons basert på in vitro-data på kvantitativt nivå. Vårt langsiktige mål er å anvende modellen vår på ulike indikasjoner som en plattformteknologi for pasientdosehåndtering i form av et datastyrt beslutningsstøttesystem (CDSS).

Our model uses in vitro data to predict patient responses to drugs, which can help to identify and test therapeutic strategies. Quantitative models are an emerging and highly valuable tool that can reduce the need for animal work during drug development, optimise dosing regimes, predict drug effects, and provide support for preclinical and clinical decision making. Quantitative models can be continually improved and refined with new data as more information becomes available, and can be adapted to new therapeutic areas. Our model has been established for tuberculosis treatment, the bacterial infection with the highest disease burden worldwide. The spread of drug resistant forms of tuberculosis has complicated control efforts based on standardized regimens. When TB acquires resistance to first-line (MDR) or even second-line drugs (XDR), treatment success rates fall from 75% to 40% and 34%, respectively. With our model, we can significantly improve patient outcomes by optimising therapeutic strategies. With further development, we envision our model to be a platform technology encompassing drug development and clinical treatments for a broad range of bacterial infections and blood cancers.