EUVIMEDEUVIMED entdecken
ÜbersichtsarbeitOpen Access · CC BY 4.0

Hybrid mechanistic–machine learning PK/PD models with digital biomarkers: from cage to clinic

Hybrid mechanistisch–Machine-Learning-PK/PD-Modelle mit digitalen Biomarkern: von der Käfigstudie zur Klinik

Szczepan W Baran, Stefano Gaburro

Frontiers in Pharmacology · 06.07.2026 · 17

DOI: 10.3389/fphar.2026.1815118 ↗

Auf einen Blick

Die Übersichtsarbeit beschreibt hybride mechanistisch–ML-PK/PD-Modelle mit digitalen Biomarkern. Solche Ansätze können in definierten Settings Clearance, Kovariatensuche und artsübergreifende Skalierung verbessern.

Fragestellung

Welche Rolle spielen hybride mechanistisch–Machine-Learning-PK/PD-Modelle mit digitalen Biomarkern für präklinische und klinische Anwendungen?

Methode

Narrative Übersichtsarbeit zu hybriden mechanistisch–ML-PK/PD-Modellen; Literaturrecherche in PubMed, Scopus und Web of Science; Priorität für Arbeiten von 2015 bis 2025.

Ergebnisse

Hybride Ansätze verbesserten in definierten Settings die individuelle Clearance-Schätzung, Kovariatensuche und cross-species PK-Skalierung, besonders bei dichten Zeitreihen. Multimodale Daten bringen Probleme durch Missingness, Device-Drift und Data Leakage.

Schlussfolgerung der Autor:innen

Die Glaubwürdigkeit hybrider Modelle hängt von Validierung, Interpretierbarkeit und regulatorischer Passung ab. Bei gut passendem mechanistischem Modell und kleinen Stichproben kann eine ML-Schicht ohne messbaren Nutzen überfitten.

Kernaussagen

  • Hybride Modelle können Clearance, Kovariatensuche und Skalierung verbessern.
  • Digitale Biomarker stärken die Exposition-Wirkungs-Inferenz bei dichten Zeitreihen.
  • Validierung, Transparenz und Kontext der Anwendung sind entscheidend.

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Frontiers in Pharmacology, online erschienen am 06.07.2026. Verfasst von Szczepan W Baran und 1 weiteren Autor:innen. Beteiligte Einrichtung: Baran Cafe, Cambridge, MA, United States. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 44 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Background

Pharmacometric PK/PD models remain central to dose selection for first-in-human studies, therapeutic drug monitoring, and animal-to-human extrapolation of exposure–response relationships, but modern datasets, including digital biomarkers from continuous monitoring, omics, and imaging, challenge traditional modeling assumptions. Hybrid mechanistic–machine learning (ML) approaches offer a structured way to combine causal pharmacological frameworks with data-driven flexibility.

Methods

This review surveys the emerging landscape of hybrid mechanistic–ML PK/PD modeling with a focus on digital biomarker integration. We examine model architectures, covariate discovery methods, cross-species scaling strategies, and validation practices relevant to preclinical-to-clinical extrapolation. Literature was identified through PubMed, Scopus, and Web of Science using search terms combining pharmacokinetics, pharmacodynamics, machine learning, hybrid modeling, digital biomarkers, and cross-species pharmacology. Studies published between 2015 and 2025 were prioritized, with inclusion of foundational earlier work where necessary.

Results

Hybrid approaches improve individual clearance estimation, covariate discovery, and cross-species PK scaling in defined settings, particularly when dense time-series data are available and the mechanistic model is structurally sound but parametrically under-identified. Integration of multimodal datasets introduces practical challenges around missingness, device drift, and data leakage that require explicit mitigation. Application examples span rodents, dogs, non-human primates, and minipigs, where continuous digital measures strengthen exposure–response inference.

Discussion

The credibility of hybrid models depends on validation rigor, interpretability, and regulatory alignment rather than on algorithmic novelty. When mechanistic models fit well and sample sizes are small, adding an ML layer risks overfitting without measurable gain. Models that are prospectively tested, transparently documented, and fitted to a defined context of use will be more influential than those that are merely complex. We outline reporting and audit practices to support robustness, reproducibility, and regulatory review.

Schlagwörter

Stichwörter der Autor:innen

digital biomarkershybrid modelingmachine learningmechanistic modelingpharmacodynamicspharmacokineticspreclinical-to-clinical extrapolationregulatory science

Autor:innen und Institutionen

  • Baran Cafe, Cambridge, MA, United States.
  • Tech4Pets.Healthcare, Cambridge, MA, United States.
  • Digital Preclinical Society (DiPS), Cambridge, MA, United States.

Zitieren

APA

Baran, S. W., & Gaburro, S. (2026). Hybrid mechanistic–machine learning PK/PD models with digital biomarkers: from cage to clinic. Frontiers in Pharmacology, 17. https://doi.org/10.3389/fphar.2026.1815118

Vancouver

Baran SW, Gaburro S. Hybrid mechanistic–machine learning PK/PD models with digital biomarkers: from cage to clinic. Frontiers in Pharmacology. 2026;17. doi:10.3389/fphar.2026.1815118

BibTeX
@article{Baran2026,
  author = {Baran, Szczepan W and Gaburro, Stefano},
  title = {Hybrid mechanistic–machine learning PK/PD models with digital biomarkers: from cage to clinic},
  journal = {Frontiers in Pharmacology},
  year = {2026},
  volume = {17},
  doi = {10.3389/fphar.2026.1815118}
}
Kostenlos starten →