Sviluppo e valutazione di un framework basato su LLM per la generazione automatica di modelli farmacocinetici

Population pharmacokinetic (PK) modeling is a fundamental approach for understanding the kinetic properties of a drug and how these properties are influenced by individual patient characteristics. In clinical settings, PK models are widely used to individualize therapies based on patients’ physiology, and they also allow the simulation of different dosing strategies in silico, without the need for complex and expensive clinical experiments. The building phase of these models is a challenging and time-consuming task, requiring specialized expertise and many cycles of model generation, evaluation, and refinement. Large Language Models (LLMs) may represent a useful tool for supporting this activity, as they can combine general pharmacometric knowledge with the ability to generate programming code. The objective of this thesis is to develop a framework for automatic model building, inspired by a work presented by Holt in 2023, that integrates LLMs into the building process of population PK models. A key goal of the framework is to emulate the decision-making process of a pharmacometrician, allowing the system to act in a way similar to human experts. The presented framework, written in Python and integrated with GPT-5.1, iteratively generates, evaluates, and improves PK models in order to obtain the best-fitting model according to the Akaike Information Criterion (AIC). The solution can serve as a starting point for further refinement by a pharmacometrics expert.

I modelli farmacocinetici di popolazione (PK) rappresentano uno strumento fondamentale per comprendere le proprietà cinetiche di un farmaco e come queste siano influenzate dalle caratteristiche individuali dei pazienti. In ambito clinico, i modelli PK sono utilizzati per personalizzare le terapie sulla base della fisiologia del paziente e consentono inoltre di simulare diverse strategie di dosaggio, senza la necessità di esperimenti clinici complessi e costosi. La fase di costruzione di questi modelli è un processo impegnativo e dispendioso in termini di tempo, che richiede competenze specialistiche e numerosi cicli di generazione, valutazione e raffinamento del modello. I Large Language Models (LLM) possono rappresentare uno strumento utile per supportare questa attività, poiché combinano conoscenze farmacometriche generali con la capacità di generare codice. L’obiettivo di questa tesi è lo sviluppo di un framework per la costruzione automatica di modelli, ispirato a un lavoro presentato da Holt nel 2023, che integri gli LLM nel processo di costruzione di modelli PK di popolazione. Un obiettivo chiave del framework è quello di emulare il processo decisionale di un farmacometrista, consentendo al sistema di operare in modo simile a un esperto umano. Il framework presentato, sviluppato in Python e integrato con GPT-5.1, genera, valuta e migliora iterativamente modelli PK al fine di ottenere il miglior modello sulla base dell'AIC. Tale soluzione può fungere da punto di partenza per ulteriori miglioramenti da parte di un esperto in farmacometria.