Zugl.: Bayreuth, Universiẗat, Diss., 2002.

Techn. Universiẗat, Diss., 2005--Chemnitz.

Oral antineoplastic drugs are an important component in the treatment of solid tumour diseases, haematological and immunological malignancies. Oral drug administration is associated with positive features (e.g., non-invasive drug administration, outpatient care with a high level of independence for the patient and reduced costs for the health care system). The systemic exposure after oral intake however is prone to high IIV as it strongly depends on gastrointestinal absorption processes, which are per se characterized by high inter-and intraindividual variability. Disease and patient-specific characteristics (e.g., disease state, concomitant diseases, concomitant medication, patient demographics) may additionally contribute to variability in plasma concentrations between individual patients. In addition, many oral antineoplastic drugs show complex PK, which has not yet been fully investigated and elucidated for all substances. All this may increase the risk of suboptimal plasma exposure (either subtherapeutic or toxic), which may ultimately jeopardise the success of therapy, either through a loss of efficacy or through increased, intolerable adverse drug reactions. TDM can be used to detect suboptimal plasma levels and prevent permanent under- or overexposure. It is essential in the treatment of ACC with mitotane, a substance with unfavourable PK and high IIV. In the current work a HPLC-UV method for the TDM of mitotane using VAMS was developed. A low sample volume (20 µl) of capillary blood was used in the developed method, which facilitates dense sampling e.g., at treatment initiation. However, no reference ranges for measurements from capillary blood are established so far and a simple conversion from capillary concentrations to plasma concentrations was not possible. To date the therapeutic range is established only for plasma concentrations and observed capillary concentrations could not be reliable interpretated.The multi-kinase inhibitor cabozantinib is also used for the treatment of ACC. However, not all PK properties, like the characteristic second peak in the cabozantinib concentration-time profile have been fully understood so far. To gain a mechanistic understanding of the compound, a PBPK model was developed and various theories for modelling the second peak were explored, revealing that EHC of the compound is most plausible. Cabozantinib is mainly metabolized via CYP3A4 and susceptible to DDI with e.g., CYP3A4 inducers. The DDI between cabozantinib and rifampin was investigated with the developed PBPK model and revealed a reduced cabozantinib exposure (AUC) by 77%. Hence, the combination of cabozantinib with strong CYP inducers should be avoided. If this is not possible, co administration should be monitored using TDM. The model was also used to simulate cabozantinib plasma concentrations at different stages of liver injury. This showed a 64% and 50% increase in total exposure for mild and moderate liver injury, respectively.Ruxolitinib is used, among others, for patients with acute and chronic GvHD. These patients often also receive posaconazole for invasive fungal prophylaxis leading to CYP3A4 mediated DDI between both substances. Different dosing recommendations from the FDA and EMA on the use of ruxolitinib in combination with posaconazole complicate clinical use. To simulate the effect of this relevant DDI, two separate PBPK models for ruxolitinib and posaconazole were developed and combined. Predicted ruxolitinib exposure was compared to observed plasma concentrations obtained in GvHD patients. The model simulations showed that the observed ruxolitinib concentrations in these patients were generally higher than the simulated concentrations in healthy individuals, with standard dosing present in both scenarios. According to the developed model, EMA recommended RUX dose reduction seems to be plausible as due to the complexity of the disease and intake of extensive co-medication, RUX plasma concentration can be higher than expected. / Orale antineoplastische Arzneimittel (OADs) sind ein wichtiger Bestandteil der Behandlung von soliden Tumorerkrankungen, hämatologischen und immunologischen Malignomen. Die orale Verabreichung von Arzneimitteln geht mit positiven Eigenschaften einher (z. B. nicht-invasive Anwendung, ambulante Versorgung mit einem hohen Maß an Unabhängigkeit für den Patienten und geringere Kosten für das Gesundheitssystem). Die systemische Exposition nach oraler Einnahme unterliegt jedoch einer hohen interindividuellen Variabilität, da sie stark von gastrointestinalen Absorptionsprozessen abhängt, die per se durch eine hohe inter- und intraindividuelle Variabilität gekennzeichnet sind. Krankheits- und patientenspezifische Merkmale (z. B. Krankheitszustand, Begleiterkrankungen, Begleitmedikation, Demographie der Patienten) können zusätzlich zu einer Variabilität in den Plasmakonzentrationen zwischen einzelnen Patienten beitragen. Darüber hinaus weisen viele OADs eine komplexe Pharmakokinetik (PK) auf, die noch nicht für alle Substanzen hinreichend untersucht und aufgeklärt wurde. All dies kann das Risiko einer suboptimalen Plasmaexposition (entweder subtherapeutisch oder toxisch) erhöhen, was letztendlich den Therapieerfolg gefährden kann, entweder durch einen Wirkungsverlust oder durch vermehrt auftretende, nicht tolerierbare unerwünschte Arzneimittelwirkungen. Therapeutisches Drug Monitoring (TDM) kann eingesetzt werden, um suboptimale Plasmaspiegel zu erkennen und eine dauerhafte Unter- oder Überexposition zu verhindern. TDM ist in der Behandlung des Nebennierenrindenkarzinoms (ACC) mit Mitotane, einer Substanz, die sich durch ungünstige PK-Eigenschaften und einer hohen IIV auszeichnet, unerlässlich. In der vorliegenden Arbeit wurde eine HPLC-UV Methode für das TDM von Mitotane aus Trockenblut unter Verwendung volumetrisch absorptiver Mikroprobenahme (VAMS) entwickelt. Bei der entwickelten Methode wurde ein geringes Probenvolumen (20 µl) aus Kapillarblut verwendet, was eine häufigere Probenahme, z. B. zu Beginn der Behandlung, erleichtert. Allerdings gibt es bisher keine Referenzbereiche für Messungen aus Kapillarblut, und eine einfache Umrechnung von Kapillarkonzentrationen in Plasmakonzentrationen erwies sich als schwierig. Bislang ist der therapeutische Bereich nur für Plasmakonzentrationen festgelegt, und beobachtete Kapillarkonzentrationen konnten nicht zuverlässig interpretiert werden. Der Multi-Kinase-Inhibitor Cabozantinib wird ebenfalls für die Behandlung des ACC eingesetzt. Allerdings sind noch nicht alle PK-Eigenschaften, wie der charakteristische zweite Peak im Konzentrations-Zeit-Profil von Cabozantinib, vollständig untersucht. Um ein mechanistisches Verständnis des Wirkstoffs zu erlangen, wurde ein physiologie basiertes pharmakokinetisches (PBPK) Model entwickelt und verschiedene Theorien zur Modellierung des zweiten Peaks untersucht, wobei sich herausstellte, dass eine enterohepatische Rezirkulation der Substanz am plausibelsten ist. Cabozantinib wird hauptsächlich über CYP3A4 metabolisiert und ist daher anfällig für Wechselwirkungen mit z. B. CYP3A4-Induktoren. Die DDI zwischen Cabozantinib und Rifampin wurde mit dem entwickelten PBPK-Modell untersucht und ergab eine um 77 % verringerte Cabozantinib-Exposition (AUC). Daher sollte die Kombination von Cabozantinib mit starken CYP-Induktoren vermieden werden. Wenn dies nicht möglich ist, sollte die gemeinsame Verabreichung mittels TDM überwacht werden. Das Modell wurde außerdem verwendet, um die Cabozantinib Plasmakonzentrationen bei unterschiedlicher Schwere einer Leberschädigung zu simulieren. Hier zeigte sich eine um 64 % bzw. 50 % erhöhte Gesamtexposition bei leichter beziehungsweise mittlerer Leberschädigung. Ruxolitinib wird unter anderem bei Patienten mit akuter (aGvHD) und chronischer (cGvHD) Graft-versus-Host-Erkrankung eingesetzt. Diese Patienten erhalten häufig auch Posaconazol zur Prophylaxe invasiver Pilzerkrankungen, was zu einer CYP3A4-vermittelten DDI zwischen beiden Substanzen führen kann. Unterschiedliche Dosierungsempfehlungen der FDA und der EMA für die Verwendung von Ruxolitinib in Kombination mit Posaconazol erschweren die klinische Anwendung. Um die Auswirkung dieser relevanten DDI zu simulieren, wurden zunächst zwei separate PBPK-Modelle für Ruxolitinib und Posaconazol entwickelt, welche anschließend miteinander kombiniert wurden. Die vorhergesagte Ruxolitinib Exposition wurde mit beobachteten Plasmakonzentrationen von GvHD-Patienten verglichen. Die Modellsimulationen zeigten, dass die beobachteten Ruxolitinib Konzentrationen bei diesen Patienten im Allgemeinen höher waren als die simulierten Konzentrationen bei gesunden Personen, wobei in beiden Szenarien eine Standarddosierung vorlag. Dem Modell zufolge schient die von der EMA empfohlene Reduzierung der RUX-Dosis um 50 % daher plausibler bzw. ausreichend zu sein.

Nowadays, data centers are becoming increasingly dynamic due to the common adoption of virtualization technologies. Systems can scale their capacity on demand by growing and shrinking their resources dynamically based on the current load. However, the complexity and performance of modern data centers is influenced not only by the software architecture, middleware, and computing resources, but also by network virtualization, network protocols, network services, and configuration. The field of network virtualization is not as mature as server virtualization and there are multiple competing approaches and technologies. Performance modeling and prediction techniques provide a powerful tool to analyze the performance of modern data centers. However, given the wide variety of network virtualization approaches, no common approach exists for modeling and evaluating the performance of virtualized networks. The performance community has proposed multiple formalisms and models for evaluating the performance of infrastructures based on different network virtualization technologies. The existing performance models can be divided into two main categories: coarse-grained analytical models and highly-detailed simulation models. Analytical performance models are normally defined at a high level of abstraction and thus they abstract many details of the real network and therefore have limited predictive power. On the other hand, simulation models are normally focused on a selected networking technology and take into account many specific performance influencing factors, resulting in detailed models that are tightly bound to a given technology, infrastructure setup, or to a given protocol stack. Existing models are inflexible, that means, they provide a single solution method without providing means for the user to influence the solution accuracy and solution overhead. To allow for flexibility in the performance prediction, the user is required to build multiple different performance models obtaining multiple performance predictions. Each performance prediction may then have different focus, different performance metrics, prediction accuracy, and solving time. The goal of this thesis is to develop a modeling approach that does not require the user to have experience in any of the applied performance modeling formalisms. The approach offers the flexibility in the modeling and analysis by balancing between: (a) generic character and low overhead of coarse-grained analytical models, and (b) the more detailed simulation models with higher prediction accuracy. The contributions of this thesis intersect with technologies and research areas, such as: software engineering, model-driven software development, domain-specific modeling, performance modeling and prediction, networking and data center networks, network virtualization, Software-Defined Networking (SDN), Network Function Virtualization (NFV). The main contributions of this thesis compose the Descartes Network Infrastructure (DNI) approach and include: • Novel modeling abstractions for virtualized network infrastructures. This includes two meta-models that define modeling languages for modeling data center network performance. The DNI and miniDNI meta-models provide means for representing network infrastructures at two different abstraction levels. Regardless of which variant of the DNI meta-model is used, the modeling language provides generic modeling elements allowing to describe the majority of existing and future network technologies, while at the same time abstracting factors that have low influence on the overall performance. I focus on SDN and NFV as examples of modern virtualization technologies. • Network deployment meta-model—an interface between DNI and other meta- models that allows to define mapping between DNI and other descriptive models. The integration with other domain-specific models allows capturing behaviors that are not reflected in the DNI model, for example, software bottlenecks, server virtualization, and middleware overheads. • Flexible model solving with model transformations. The transformations enable solving a DNI model by transforming it into a predictive model. The model transformations vary in size and complexity depending on the amount of data abstracted in the transformation process and provided to the solver. In this thesis, I contribute six transformations that transform DNI models into various predictive models based on the following modeling formalisms: (a) OMNeT++ simulation, (b) Queueing Petri Nets (QPNs), (c) Layered Queueing Networks (LQNs). For each of these formalisms, multiple predictive models are generated (e.g., models with different level of detail): (a) two for OMNeT++, (b) two for QPNs, (c) two for LQNs. Some predictive models can be solved using multiple alternative solvers resulting in up to ten different automated solving methods for a single DNI model. • A model extraction method that supports the modeler in the modeling process by automatically prefilling the DNI model with the network traffic data. The contributed traffic profile abstraction and optimization method provides a trade-off by balancing between the size and the level of detail of the extracted profiles. • A method for selecting feasible solving methods for a DNI model. The method proposes a set of solvers based on trade-off analysis characterizing each transformation with respect to various parameters such as its specific limitations, expected prediction accuracy, expected run-time, required resources in terms of CPU and memory consumption, and scalability. • An evaluation of the approach in the context of two realistic systems. I evaluate the approach with focus on such factors like: prediction of network capacity and interface throughput, applicability, flexibility in trading-off between prediction accuracy and solving time. Despite not focusing on the maximization of the prediction accuracy, I demonstrate that in the majority of cases, the prediction error is low—up to 20% for uncalibrated models and up to 10% for calibrated models depending on the solving technique. In summary, this thesis presents the first approach to flexible run-time performance prediction in data center networks, including network based on SDN. It provides ability to flexibly balance between performance prediction accuracy and solving overhead. The approach provides the following key benefits: • It is possible to predict the impact of changes in the data center network on the performance. The changes include: changes in network topology, hardware configuration, traffic load, and applications deployment. • DNI can successfully model and predict the performance of multiple different of network infrastructures including proactive SDN scenarios. • The prediction process is flexible, that is, it provides balance between the granularity of the predictive models and the solving time. The decreased prediction accuracy is usually rewarded with savings of the solving time and consumption of resources required for solving. • The users are enabled to conduct performance analysis using multiple different prediction methods without requiring the expertise and experience in each of the modeling formalisms. The components of the DNI approach can be also applied to scenarios that are not considered in this thesis. The approach is generalizable and applicable for the following examples: (a) networks outside of data centers may be analyzed with DNI as long as the background traffic profile is known; (b) uncalibrated DNI models may serve as a basis for design-time performance analysis; (c) the method for extracting and compacting of traffic profiles may be used for other, non-network workloads as well. / Durch Virtualisierung werden moderne Rechenzentren immer dynamischer. Systeme sind in der Lage ihre Kapazität hoch und runter zu skalieren , um die ankommende Last zu bedienen. Die Komplexität der modernen Systeme in Rechenzentren wird nicht nur von der Softwarearchitektur, Middleware und Rechenressourcen sondern auch von der Netzwerkvirtualisierung beeinflusst. Netzwerkvirtualisierung ist noch nicht so ausgereift wie die Virtualisierung von Rechenressourcen und es existieren derzeit unterschiedliche Netzwerkvirtualisierungstechnologien. Man kann aber keine der Technologien als Standardvirtualisierung für Netzwerke bezeichnen. Die Auswahl von Ansätzen durch Performanzanalyse von Netzwerken stellt eine Herausforderung dar, weil existierende Ansätze sich mehrheitlich auf einzelne Virtualisierungstechniken fokussieren und es keinen universellen Ansatz für Performanzanalyse gibt, der alle Techniken in Betracht nimmt. Die Forschungsgemeinschaft bietet verschiedene Performanzmodelle und Formalismen für Evaluierung der Performanz von virtualisierten Netzwerken an. Die bekannten Ansätze können in zwei Gruppen aufgegliedert werden: Grobetaillierte analytische Modelle und feindetaillierte Simulationsmodelle. Die analytischen Performanzmodelle abstrahieren viele Details und liefern daher nur beschränkt nutzbare Performanzvorhersagen. Auf der anderen Seite fokussiert sich die Gruppe der simulationsbasierenden Modelle auf bestimmte Teile des Systems (z.B. Protokoll, Typ von Switches) und ignoriert dadurch das große Bild der Systemlandschaft. ...

Zugl.: Bern, Univ., Diss., 2007

München, University der Bundeswehr, Diss., 2006.

Ziel dieser Diplomarbeit ist die Erstellung eines Software-Tools das die Modellierung, Simualtion und Bewertung verschieenster Netzwerk-Szenarien erlaubt.

Würzburg, Universiẗat, Diss., 2007.

Zugl.: Mannheim, Univ., Diss., 2005

Zugl.: St. Gallen, Univ., Habil.-Schr., 2004