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)