В этом примере используются данные, собранные о 59 недоношенных детях, получавших фенобарбитал в течение первых 16 дней после рождения. 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. Данные были описаны в [1], исследовании, финансируемом грантовым P41-EB01975 NIH/NIBIB.

Загрузите данные.

load pheno.mat ds

Визуализация данных.

t = sbiotrellis(ds,'ID','TIME','CONC','marker','o','markerfacecolor',[.7 .7 .7],'markeredgecolor','r','linestyle','none');
t.plottitle = 'States versus Time';

Создайте однокамерную модель ПК с болюсным дозированием и линейным зазором для моделирования таких данных.

pkmd = PKModelDesign;
pkmd.addCompartment('Central','DosingType','Bolus','EliminationType','linear-clearance',...
                    'HasResponseVariable',true,'HasLag',false);
onecomp = pkmd.construct;

Предположим, существует корреляция между объёмом центрального отсека (Central) и вес младенцев. Вы можете определить этот параметр-ковариатное отношение, используя ковариатную модель, которая может быть описана как

$\log {(}_{}Vi){}_{}{}_{\raisebox{1ex}{$$}\!\left/ \!\raisebox{-1ex}{$$}\right.}{}_{}{}_{}$=θV+θVWEIGHT∗WEIGHTi+ηV,i ,

где, для каждого i-го младенца, V - объём, starts (thetas) являются фиксированными эффектами, start( eta) представляет случайные эффекты, и WEIGHT - ковариата.

covM = CovariateModel;
covM.Expression = {'Central = exp(theta1+theta2*WEIGHT+eta1)'};

Определите фиксированные и случайные эффекты. Имена столбцов каждой таблицы должны иметь имена фиксированных эффектов и случайных эффектов соответственно.

thetas = table(1.4,0.05,'VariableNames',{'theta1','theta2'});
eta1 = table(0.2,'VariableNames',{'eta1'});

Измените идентификатор метки группы на GROUP в соответствии с требованиями sbiosampleparameters функция.

ds.Properties.VariableNames{'ID'} = 'GROUP';

Создайте значения параметров для объемов центральных отделений Central на основе ковариатной модели для всех младенцев в наборе данных.

phi = sbiosampleparameters(covM.Expression,thetas,eta1,ds);

Затем можно смоделировать модель, используя значения параметров выборки. Для удобства используйте функциональный интерфейс, предоставляемый объектом SimFunction.

Сначала создайте объект SimFunction с помощью метода createSimFunction, указав объем (Central) в качестве параметра и концентрацию лекарственного средства в отсеке (Drug_Central) в качестве выхода объекта SimFunction и дозированные виды.

f = createSimFunction(onecomp,covM.ParameterNames,'Drug_Central','Drug_Central');

Набор данных ds содержит информацию о дозировании для каждого младенца, и объект groupedData обеспечивает удобный способ извлечь такую информацию о дозировании. Преобразуйте ds в объект groupedData и извлечение, дозирующее информацию.

grpData = groupedData(ds);
doses = createDoses(grpData,'DOSE');

Смоделировать модель, используя отобранные значения параметров из phi и извлеченную информацию о дозировке каждого ребенка, и построить график результатов. i-й прогон использует значение i-го параметра в фи и дозирующей информации i-го младенца.

t = sbiotrellis(f(phi,200,doses.getTable),[],'TIME','Drug_Central');
% Resize the figure.
t.hFig.Position(:) = [100 100 1280 800];