Trastuzumab emtansine (T-DM1) is an antibody–drug conjugate comprising trastuzumab and DM1, a microtubule polymerization inhibitor, covalently bound via a stable thioether linker. To characterize the pharmacokinetics (PK) of T-DM1 in patients with human epidermal growth factor receptor 2 (HER2)-positive metastatic breast cancer, data from four studies (TDM3569g, TDM4258g, TDM4374g, and TDM4688g) of single-agent T-DM1 administered at 3.6 mg/kg every 3 weeks (q3w) were assessed in aggregate. Multiple analytes—T-DM1, total trastuzumab (TT), DM1, and key metabolites—were quantified using enzyme-linked immunosorbent assays or liquid chromatography tandem mass spectrometry. PK parameters of T-DM1, TT, and DM1 exposure were calculated using standard noncompartmental approaches and correlated to efficacy (objective response rate) and safety (platelet counts, hepatic transaminase concentrations). Immunogenicity was evaluated by measuring anti-therapeutic antibodies (ATA) to T-DM1 after repeated dosing using validated bridging antibody electrochemiluminescence or enzyme-linked immunosorbent assays. PK parameters for T-DM1, TT, and DM1 were consistent across studies at cycle 1 and steady state. T-DM1 PK was not affected by residual trastuzumab from prior therapy or circulating extracellular domain of HER2. No significant correlations were observed between T-DM1 exposure and efficacy, thrombocytopenia, or increased concentrations of transaminases. Across the studies, ATA formation was detected in 4.5% (13/286) of evaluable patients receiving T-DM1 q3w. The PK profile of single-agent T-DM1 (3.6 mg/kg q3w) is predictable, well characterized, and unaffected by circulating levels of HER2 extracellular domain or residual trastuzumab. T-DM1 exposure does not correlate with clinical responses or key adverse events.

Nivolumab is a fully human monoclonal antibody that inhibits programmed death-1 activation. The clinical pharmacology profile of nivolumab was analyzed by a population pharmacokinetics model that assessed covariate effects on nivolumab concentrations in 1,895 patients who received 0.3–10.0 mg/kg nivolumab in 11 clinical trials. Nivolumab pharmacokinetics is linear with a time-varying clearance. A full covariate model was developed to assess covariate effects on pharmacokinetic parameters. Nivolumab clearance and volume of distribution increase with body weight. The final model included the effects of baseline performance status (PS), baseline body weight, and baseline estimated glomerular filtration rate (eGFR), sex, and race on clearance, and effects of baseline body weight and sex on volume of distribution in the central compartment. Sex, PS, baseline eGFR, age, race, baseline lactate dehydrogenase, mild hepatic impairment, tumor type, tumor burden, and programmed death ligand-1 expression had a significant but not clinically relevant (<20%) effect on nivolumab clearance.

Abstract Many circulating biomarkers are assessed at different time intervals during clinical studies. Despite of the success of standard joint models in predicting clinical outcomes using low-dimensional longitudinal data (1-2 biomarkers), significant computational challenges are encountered when applying these techniques to high-dimensional biomarker datasets. Modern machine- or deep-learning models show potential for multiple biomarker processes, but systematic evaluations and applications to high-dimensional data in the clinical settings have yet to be reported. We aimed to enhance the scalability of joint modeling and provide guidance on optimal approaches for high-dimensional biomarker data and outcomes. We evaluated multiple deep-learning and machine-learning models using 24 clinical biomarkers and survival data from the SQUIRE trial, a phase 3 randomized clinical trial investigating necitumumab and standard gemcitabine/cisplatin treatment in patients with squamous non-small-cell lung cancer (NSCLC). Overall, we confirmed that longitudinal models enabled more accurate prediction of patients’ survival compared to those solely based on baseline information. Coupling multivariate functional principal component analysis (MFPCA) with Cox regression (MFPCA-Cox) provided the highest predictive discrimination and accuracy for the NSCLC patients with AUC values of 0.7 - >0.8 at various landmark time points and prediction timeframes, outperforming recent advanced Transformer and convolutional neural network deep-learning algorithms (TransformerJM and Match-Net, respectively). In conclusion, we identified that MFPCA-Cox represents a robust and versatile joint modeling algorithm for high-dimensional biomarker longitudinal data with irregular and missing data, capturing complex relationships within the data, yielding accurate predictions for both longitudinal biomarkers and survival outcomes, and gaining insights into the underlying dynamics.

We aim to compare the prognostic value of organ-specific dynamics with the sum of the longest diameter (SLD) dynamics in patients with metastatic colorectal cancer (mCRC).