Le cancer est l'une des principales causes de mortalité dans le monde, nécessitant des innovations thérapeutiques constantes comme les conjugués anticorps-médicaments (ADC). Ces molécules utilisent un anticorps monoclonal pour cibler les cellules cancéreuses et y libérer un agent cytotoxique. La pharmacocinétique de population, à l’aide de modèles mathématiques, étudie leur absorption, distribution et élimination, dans le but d’optimiser l’efficacité et la tolérance. Une étape clé dans cette démarche est la sélection des covariables qui permettent d’expliquer la variabilité inter-individuelle observée. La recherche de covariables peut devenir un processus complexe et chronophage, dans le cas de modèle pharmacocinétiques complexes. Cette thèse s’intéresse à l’intégration de méthodes automatiques, telles que COSSAC et SAMBA, ainsi que certains algorithmes issus du Machine Learning, afin de comparer leur performance aux méthodes traditionnelles pour la sélection des covariables en pharmacocinétique de population. En s’appuyant sur des données cliniques d’ADC, cette étude analyse l’efficacité, la rapidité et les défis de ces approches, mettant en lumière leur rôle potentiel dans l’évolution de la modélisation pharmacocinétique et la personnalisation des traitements.