Подгонка нелинейной модели смешанных эффектов (требует программного обеспечения Statistics and Machine Learning Toolbox)
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo)sm и возвращает NLMEResults fitResults объекта.
grpData является groupedData
object определение подходящих данных. responseMap определяет отображение между компонентами модели и данными отклика в grpData. covEstiminfo является CovariateModel object или массив estimatedInfo объекты, которые определяют параметры, которые будут оценены.
Если модель содержит активные дозы и варианты, они применяются во время симуляции.
fitResults = sbiofitmixed(sm,grpData,responseMap,covEstiminfo,dosing)dosing вместо использования активных доз модели sm если таковые имеются.
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 симуляции simDataI использование индивидуально-специфических оценок параметров и вектора результатов симуляции simDataP использование оценок 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 a SimFunction object, который автоматически ускоряет симуляции по умолчанию. Следовательно, нет необходимости бежать sbioaccelerate перед вызовом sbiofitmixed.
Этот пример использует данные, собранные для 59 недоношенных детей, получавших фенобарбитал в течение первых 16 дней после рождения [1]. Каждый ребенок получал начальную дозу с последующей одной или несколькими поддерживающими дозами при внутривенном введении болюса. В общей сложности от 1 до 6 измерений концентрации получали от каждого ребенка в разы, отличные от времени дозы, в общей сложности 155 измерений. Были также зарегистрированы веса младенцев и счетов APGAR (мера здоровья новорожденных).
Загрузите данные.
load pheno.mat ds
Преобразуйте набор данных в groupedData object, контейнер для хранения табличных данных, который разделен на группы. Он может автоматически идентифицировать обычно используемые имена переменных как сгруппированную переменную или независимую (временную) переменную. Отобразите свойства данных и подтвердите, что GroupVariableName и IndependentVariableName правильно идентифицируются 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 PK с болюсным дозированием и линейным зазором, чтобы соответствовать таким данным. Используйте PKModelDesign объект, чтобы создать модель. Каждый отсек определяется именем, типом дозирования, типом зазора, и требует ли дозирование параметра задержки. После построения модели можно также получить PKModelMap map объекта который приводит имена видов и параметров в модели, которые наиболее релевантны для подбора кривой.
pkmd = PKModelDesign; addCompartment(pkmd,'Central','DosingType','Bolus',... 'EliminationType','linear-clearance',... 'HasResponseVariable',true,'HasLag',false); [onecomp, map] = pkmd.construct;
Опишите экспериментально измеренный ответ, сопоставив соответствующий компонент модели с переменной отклика. Другими словами, укажите, какой вид в модели соответствует какой переменной отклика в данных. The PKModelMap свойства Observed указывает, что соответствующий вид в модели Drug_Central, который представляет концентрацию лекарственного средства в системе. Релевантная переменная данных CONC, который вы визуализировали ранее.
map.Observed
ans = 1x1 cell array
{'Drug_Central'}
Сопоставьте Drug_Central виды в CONC переменная.
responseMap = 'Drug_Central = CONC';Параметрами для оценки в этой модели являются объем центрального отсека Central и коэффициент очистки Cl_Central. The PKModelMap свойства Estimated перечисляет эти соответствующие параметры. Базовый алгоритм sbiofit предполагает, что параметры обычно распределены, но это предположение может не быть верным для биологических параметров, которые ограничены, чтобы быть положительными, таких как объем и клиренс. Задайте журнал преобразование для предполагаемых параметров, чтобы преобразованные параметры следовали нормальному распределению. Использование estimatedInfo объект для определения таких преобразований и начальных значений (необязательно).
map.Estimated
ans = 2x1 cell
{'Central' }
{'Cl_Central'}
Задайте такие оценочные параметры, соответствующие преобразования и начальные значения.
estimatedParams = estimatedInfo({'log(Central)','log(Cl_Central)'},'InitialValue',[1 1]);Каждый ребенок получал разный график дозирования. Количество препарата указано в переменной данных DOSE. Чтобы задать эти дозировки во время подбора кривой, создайте объекты дозы из данных. Эти объекты используют свойство TargetName чтобы определить, какие виды в модели получают дозу. В этом примере целевой вид Drug_Central, как указано в PKModelMap свойства Dosed.
map.Dosed
ans = 1x1 cell array
{'Drug_Central'}
Создайте дозу образца с этим целевым именем и используйте createDoses метод groupedData data объекта для генерации доз для каждого ребенка на основе данных о дозировке DOSE.
sampleDose = sbiodose('sample','TargetName','Drug_Central'); doses = createDoses(data,'DOSE','',sampleDose);
Подгонка модели.
[nlmeResults,simI,simP] = sbiofitmixed(onecomp,data,responseMap,estimatedParams,doses,'nlmefit');Визуализируйте подгоненные результаты с помощью индивидуальных оценок параметров.
fig1 = plot(nlmeResults,'ParameterType','individual'); % Resize the figure. fig1.hFig.Position(:) = [100 100 1200 800];
Визуализируйте подгоненные результаты с помощью оценок параметров населения.
fig2 = plot(nlmeResults,'ParameterType','population'); % Resize the figure. fig2.hFig.Position(:) = [100 100 1200 800];
[1] Грасела-младший, T.H., Donn, S.M. (1985) Фармакокинетика неонатального населения фенобарбитала, полученная из рутинных клинических данных. Dev Pharmacol Ther. 8(6), 374–83.
CovariateModel object | EstimatedInfo object | groupedData | NLMEResults object | sbiofit | sbiofitstatusplot | nlmefit (Statistics and Machine Learning Toolbox) | nlmefitsa (Statistics and Machine Learning Toolbox)