Подбор нелинейной модели смешанных эффектов (требуется программное обеспечение Statistics and Machine Learning Toolbox)
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo)sm и возвращает NLMEResults объект fitResults.
grpData является groupedData object указание данных для подгонки. responseMap определяет сопоставление между компонентами модели и данными ответа в grpData. covEstiminfo является CovariateModel object или массив estimatedInfo объекты, определяющие параметры для оценки.
Если модель содержит активные дозы и варианты, они применяются во время моделирования.
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo,dosing)dosing вместо использования активных доз модели sm при их наличии.
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo,dosing,functionName)functionName это должно быть либо 'nlmefit' или 'nlmefitsa'.
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo,dosing,functionName,opt)opt для функции оценки functionName.
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo,dosing,functionName,opt,variants)variants вместо использования любых активных вариантов модели.
fitResults = sbiofitmixed(_,'UseParallel',tf_parallel)
fitResults = sbiofitmixed(_,'ProgressPlot',tf_progress)
[ возвращает вектор объектов результатов fitResults,simDataI,simDataP] = sbiofitmixed(_)fitResults, вектор результатов моделирования simDataI использование индивидуальных оценок параметров и вектора результатов моделирования simDataP используя оценки параметров населения.
Примечание
sbiofitmixed объединяет sbionlmefit и sbionlmefitsa функции оценки. Использовать sbiofitmixed для выполнения нелинейного моделирования и оценки смешанных эффектов.
sbiofitmixed моделирует модель с помощью SimFunction object, что автоматически ускоряет моделирование по умолчанию. Следовательно, нет необходимости запускать sbioaccelerate перед звонком sbiofitmixed.
В этом примере используются данные, собранные о 59 недоношенных детях, получавших фенобарбитал в течение первых 16 дней после рождения [1]. Каждый ребенок получал начальную дозу с последующей одной или несколькими поддерживающими дозами путем внутривенного введения болюса. Всего от 1 до 6 измерений концентрации получали от каждого младенца в моменты времени, отличные от времени дозы, для общего количества 155 измерений. Вес младенцев и баллы APGAR (показатель здоровья новорожденных) также были зарегистрированы.
Загрузите данные.
load pheno.mat ds
Преобразовать набор данных в groupedData objectконтейнер для хранения табличных данных, разделенных на группы. Он может автоматически идентифицировать часто используемые имена переменных в качестве переменной группировки или независимой (временной) переменной. Просмотрите свойства данных и подтвердите, что GroupVariableName и IndependentVariableName правильно идентифицированы как 'ID' и 'TIME'соответственно.
data = groupedData(ds); data.Properties
ans = struct with fields:
Description: ''
UserData: []
DimensionNames: {'Observations' 'Variables'}
VariableNames: {'ID' 'TIME' 'DOSE' 'WEIGHT' 'APGAR' 'CONC'}
VariableDescriptions: {}
VariableUnits: {}
VariableContinuity: []
RowNames: {}
CustomProperties: [1x1 matlab.tabular.CustomProperties]
GroupVariableName: 'ID'
IndependentVariableName: 'TIME'
Создайте простую однокамерную модель ПК с болюсным дозированием и линейным зазором для соответствия таким данным. Используйте PKModelDesign объект для построения модели. Каждый отсек определяется именем, типом дозирования, типом зазора и тем, требуется ли для дозирования параметр задержки. После построения модели можно также получить PKModelMap объект map в котором перечислены имена видов и параметры в модели, наиболее релевантные для подгонки.
pkmd = PKModelDesign; addCompartment(pkmd,'Central','DosingType','Bolus',... 'EliminationType','linear-clearance',... 'HasResponseVariable',true,'HasLag',false); [onecomp, map] = pkmd.construct;
Опишите экспериментально измеренный отклик, сопоставив соответствующий компонент модели с переменной отклика. Другими словами, укажите, какие виды в модели соответствуют какой переменной ответа в данных. PKModelMap собственность Observed указывает, что соответствующий вид в модели Drug_Central, которая представляет концентрацию лекарственного средства в системе. Релевантной переменной данных является CONC, которую вы визуализировали ранее.
map.Observed
ans = 1x1 cell array
{'Drug_Central'}
Отобразить Drug_Central виды к CONC переменная.
responseMap = 'Drug_Central = CONC';Параметрами для оценки в данной модели является объем центрального отсека Central и степень очистки Cl_Central. PKModelMap собственность Estimated перечисляет эти релевантные параметры. Базовый алгоритм sbiofit предполагает, что параметры обычно распределены, но это предположение может быть неверным для биологических параметров, которые ограничены положительными, таких как объем и клиренс. Укажите преобразование журнала для расчетных параметров, чтобы преобразованные параметры следовали нормальному распределению. Использовать estimatedInfo объект для определения таких преобразований и исходных значений (необязательно).
map.Estimated
ans = 2x1 cell
{'Central' }
{'Cl_Central'}
Определите такие расчетные параметры, соответствующие преобразования и начальные значения.
estimatedParams = estimatedInfo({'log(Central)','log(Cl_Central)'},'InitialValue',[1 1]);Каждый ребенок получал различный график дозирования. Количество препарата указано в переменной данных DOSE. Чтобы задать эти дозирование во время фитинга, создайте объекты дозы на основе данных. Эти объекты используют свойство TargetName чтобы указать, какие виды в модели получают дозу. В этом примере целевой вид - Drug_Central, как указано в PKModelMap собственность Dosed.
map.Dosed
ans = 1x1 cell array
{'Drug_Central'}
Создайте дозу образца с этим целевым именем, а затем используйте createDoses способ groupedData объект data генерировать дозы для каждого ребенка на основе данных дозирования DOSE.
sampleDose = sbiodose('sample','TargetName','Drug_Central'); doses = createDoses(data,'DOSE','',sampleDose);
Подгоните модель.
[nlmeResults,simI,simP] = sbiofitmixed(onecomp,data,responseMap,estimatedParams,doses,'nlmefit');Визуализация подогнанных результатов с использованием индивидуальных оценок параметров.
fig1 = plot(nlmeResults,'ParameterType','individual'); % Resize the figure. fig1.hFig.Position(:) = [100 100 1200 800];
Визуализируйте подогнанные результаты, используя оценки параметров популяции.
fig2 = plot(nlmeResults,'ParameterType','population'); % Resize the figure. fig2.hFig.Position(:) = [100 100 1200 800];
[1] Grasela Jr, T.H., Donn, S.M. (1985) Фармакокинетика фенобарбитала неонатальной популяции, полученная из обычных клинических данных. Дев Фармакол Тер. 8(6), 374–83.
CovariateModel object | EstimatedInfo object | groupedData | NLMEResults object | sbiofit | sbiofitstatusplot | nlmefit (инструментарий статистики и машинного обучения) | nlmefitsa(Набор инструментов для статистики и машинного обучения)