Вычислять доверительные интервалы для прогнозов модели (требуется набор инструментов для статистики и машинного обучения)
ci = sbiopredictionci(fitResults)fitResultsодин NLINResults object или OptimResults object возвращено sbiofit. ci является PredictionConfidenceInterval объект, содержащий вычисленные данные доверительного интервала.
ci = sbiopredictionci(fitResults,Name,Value)Name,Value аргументы пары.
Загрузить данные
Загрузите образцы данных для подгонки. Данные хранятся в виде таблицы с переменными ID, Time, CentralConc и DepartingConc. Эти синтетические данные представляют временной ход концентраций в плазме, измеренных в восемь различных моментов времени как для центрального, так и для периферического отделения после инфузионной дозы для трех индивидуумов.
load data10_32R.mat gData = groupedData(data); gData.Properties.VariableUnits = {'','hour','milligram/liter','milligram/liter'}; sbiotrellis(gData,'ID','Time',{'CentralConc','PeripheralConc'},'Marker','+',... 'LineStyle','none');
Создать модель
Создайте двухкамерную модель.
pkmd = PKModelDesign; pkc1 = addCompartment(pkmd,'Central'); pkc1.DosingType = 'Infusion'; pkc1.EliminationType = 'linear-clearance'; pkc1.HasResponseVariable = true; pkc2 = addCompartment(pkmd,'Peripheral'); model = construct(pkmd); configset = getconfigset(model); configset.CompileOptions.UnitConversion = true;
Определение дозирования
Определите дозу инфузии.
dose = sbiodose('dose','TargetName','Drug_Central'); dose.StartTime = 0; dose.Amount = 100; dose.Rate = 50; dose.AmountUnits = 'milligram'; dose.TimeUnits = 'hour'; dose.RateUnits = 'milligram/hour';
Определение параметров
Определите параметры для оценки. Задайте границы параметров для каждого параметра. В дополнение к этим явным границам преобразования параметров (например, log, logit или probit) накладывают неявные границы.
responseMap = {'Drug_Central = CentralConc','Drug_Peripheral = PeripheralConc'};
paramsToEstimate = {'log(Central)','log(Peripheral)','Q12','Cl_Central'};
estimatedParam = estimatedInfo(paramsToEstimate,...
'InitialValue',[1 1 1 1],...
'Bounds',[0.1 3;0.1 10;0 10;0.1 2]);
Подгонка модели
Выполнить незаполненную подгонку, то есть один набор оценочных параметров для каждого пациента.
unpooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',false);
Выполните объединенную подгонку, то есть один набор оценочных параметров для всех пациентов.
pooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',true);
Вычислить доверительные интервалы для расчетных параметров
Вычислите 95% доверительные интервалы для каждого расчетного параметра в незаполненной посадке.
ciParamUnpooled = sbioparameterci(unpooledFit);
Показать результаты
Отображение доверительных интервалов в формате таблицы. Дополнительные сведения о значении каждого состояния оценки см. в разделе Состояние оценки доверительного интервала параметров.
ci2table(ciParamUnpooled)
ans =
12x7 table
Group Name Estimate ConfidenceInterval Type Alpha Status
_____ ______________ ________ __________________ ________ _____ ___________
1 {'Central' } 1.422 1.1533 1.6906 Gaussian 0.05 estimable
1 {'Peripheral'} 1.5629 0.83143 2.3551 Gaussian 0.05 constrained
1 {'Q12' } 0.47159 0.20093 0.80247 Gaussian 0.05 constrained
1 {'Cl_Central'} 0.52898 0.44842 0.60955 Gaussian 0.05 estimable
2 {'Central' } 1.8322 1.7893 1.8751 Gaussian 0.05 success
2 {'Peripheral'} 5.3368 3.9133 6.7602 Gaussian 0.05 success
2 {'Q12' } 0.27641 0.2093 0.34351 Gaussian 0.05 success
2 {'Cl_Central'} 0.86034 0.80313 0.91755 Gaussian 0.05 success
3 {'Central' } 1.6657 1.5818 1.7497 Gaussian 0.05 success
3 {'Peripheral'} 5.5632 4.7557 6.3708 Gaussian 0.05 success
3 {'Q12' } 0.78361 0.65581 0.91142 Gaussian 0.05 success
3 {'Cl_Central'} 1.0233 0.96375 1.0828 Gaussian 0.05 success
Постройте график доверительных интервалов. Если состояние оценки доверительного интервала равно success, он отображается синим цветом (первый цвет по умолчанию). В противном случае он отображается красным цветом (вторым цветом по умолчанию), что указывает на необходимость дальнейшего изучения соответствующих параметров. Если доверительный интервал равен not estimableзатем функция отображает красную линию с центрированным крестом. Если есть какие-либо преобразованные параметры с оценочными значениями 0 (для логарифмического преобразования) и 1 или 0 (для пробита или логитового преобразования), то для этих оценок параметров не строятся доверительные интервалы. Для просмотра порядка цветов введите get(groot,'defaultAxesColorOrder').
Группы отображаются слева направо в том же порядке, в котором они отображаются в GroupNames свойство объекта, которое используется для маркировки оси X. Y-метки являются преобразованными именами параметров.
plot(ciParamUnpooled)
Вычислите доверительные интервалы для объединенной посадки.
ciParamPooled = sbioparameterci(pooledFit);
Просмотрите доверительные интервалы.
ci2table(ciParamPooled)
ans =
4x7 table
Group Name Estimate ConfidenceInterval Type Alpha Status
______ ______________ ________ __________________ ________ _____ ___________
pooled {'Central' } 1.6626 1.3287 1.9965 Gaussian 0.05 estimable
pooled {'Peripheral'} 2.687 0.89848 4.8323 Gaussian 0.05 constrained
pooled {'Q12' } 0.44956 0.11445 0.85152 Gaussian 0.05 constrained
pooled {'Cl_Central'} 0.78493 0.59222 0.97764 Gaussian 0.05 estimable
Постройте график доверительных интервалов. Имя группы помечено как «объединенное» для указания такой посадки.
plot(ciParamPooled)
Постройте график всех результатов доверительного интервала вместе. По умолчанию доверительный интервал для каждой оценки параметров отображается на отдельных осях. Вертикальные линии группируют доверительные интервалы оценок параметров, которые были вычислены в общей посадке.
ciAll = [ciParamUnpooled;ciParamPooled]; plot(ciAll)
Можно также построить график всех доверительных интервалов в одной оси, сгруппированной по оценкам параметров, используя компоновку «Сгруппировано».
plot(ciAll,'Layout','Grouped')
В этом формате можно указать на маркер центра каждого доверительного интервала, чтобы увидеть имя группы. Каждый расчетный параметр разделен вертикальной черной линией. Вертикальные пунктирные линии группируют доверительные интервалы оценок параметров, которые были вычислены в общей посадке. Границы параметров, определенные в исходной посадке, отмечены квадратными скобками. Обратите внимание на различные масштабы на оси Y из-за преобразований параметров. Например, ось y Q12 в линейном масштабе, но Central находится в масштабе журнала из-за его преобразования.
Вычислить доверительные интервалы для предсказаний модели
Рассчитайте 95% доверительные интервалы для прогнозов модели, то есть результаты моделирования с использованием оцененных параметров.
% For the pooled fit ciPredPooled = sbiopredictionci(pooledFit); % For the unpooled fit ciPredUnpooled = sbiopredictionci(unpooledFit);
График доверительных интервалов для модельных прогнозов
Доверительный интервал для каждой группы отображается в отдельном столбце, а каждый ответ - в отдельной строке. Доверительные интервалы, ограниченные границами, нанесены красным цветом. Доверительные интервалы, не ограниченные границами, нанесены синим цветом.
plot(ciPredPooled)
plot(ciPredUnpooled)
[1] Ву, H. и член конгресса Нил. «Скорректированные доверительные интервалы для ограниченного параметра». Генетика поведения. 42 (6), 2012, стр. 886-898.