sbiofitmixed

Подбирайте нелинейную модель смешанных эффектов (требует программного обеспечения Statistics and Machine Learning Toolbox),

Описание

пример

fitResults = sbiofitmixed(sm,grpData,ResponseMap,covEstiminfo) выполняет нелинейную оценку смешанных эффектов с помощью SimBiology® модель sm и возвращает NLMEResults объект fitResults.

grpData isa groupedData object определение данных, чтобы соответствовать. ResponseMap задает отображение между компонентами модели и данными об ответе в grpData. covEstiminfo isa CovariateModel object или массив estimatedInfo объекты, который задает параметры, которые будут оценены.

Если модель содержит активные дозы и варианты, они применяются во время симуляции.

пример

fitResults = sbiofitmixed(sm,grpData,ResponseMap,covEstiminfo,dosing) использует информацию о дозах, заданную матрицей объектов дозы SimBiology dosing вместо того, чтобы использовать активные дозы модели sm если существует кто-либо.

пример

fitResults = sbiofitmixed(sm,grpData,ResponseMap,covEstiminfo,dosing,functionName) использует функцию оценки, заданную functionName это должно быть любой 'nlmefit' или 'nlmefitsa'.

пример

fitResults = sbiofitmixed(sm,grpData,ResponseMap,covEstiminfo,dosing,functionName,opt) использует дополнительные опции, заданные opt поскольку оценка функционирует functionName.

пример

fitResults = sbiofitmixed(sm,grpData,ResponseMap,covEstiminfo,dosing,functionName,opt,variants) применяет различные объекты, заданные как variants вместо того, чтобы использовать любые активные варианты модели.

fitResults = sbiofitmixed(___,Name,Value) дополнительные опции использования заданы одними или несколькими аргументами name-value.

[fitResults,simDataI,simDataP] = sbiofitmixed(_) возвращается вектор из результатов возражает fitResults, вектор из результатов симуляции simDataI использование отдельно-специфичных оценок параметра и вектора из результатов симуляции simDataP использование оценок параметра населения.

Примечание

  • sbiofitmixed объединяет sbionlmefit и sbionlmefitsa функции оценки. Использование sbiofitmixed выполнять нелинейное моделирование смешанных эффектов и оценку.

  • sbiofitmixed симулирует модель с помощью a SimFunction object, который автоматически ускоряет симуляции по умолчанию. Следовательно не необходимо запуститься sbioaccelerate прежде чем вы вызовете sbiofitmixed.

Примеры

свернуть все

Этот пример использует данные, собранные по 59 недоношенным детям, данным фенобарбитал в течение первых 16 дней после рождения [1]. Каждый младенец получил начальную дозу, сопровождаемую одной или несколькими дозами поддержки внутривенным администрированием шарика. В общей сложности между 1 и 6 концентрациями измерения получались от каждого младенца время от времени кроме времен дозы для в общей сложности 155 измерений. Младенческие веса и баллы APGAR (мера новорожденного здоровья) были также зарегистрированы.

Загрузите данные.

load pheno.mat ds

Преобразуйте набор данных в groupedData object, контейнер для содержания табличных данных, который разделен на группы. Это может автоматически идентифицировать обычно используемые имена переменных как сгруппированную переменную или независимый (время) переменная. Отобразите свойства данных и подтвердите тот 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 модель PK с одним отсеком с болюсным введением и линейным разрешением, чтобы соответствовать таким данным. Используйте PKModelDesign возразите, чтобы создать модель. Каждый отсек задан именем, дозируя тип, тип разрешения, и требует ли дозирование параметра задержки. После построения модели можно также получить PKModelMap объект map это перечисляет имена разновидностей и параметров в модели, которые являются самыми важными для подбора кривой.

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

Опишите экспериментально измеренный отклик путем отображения соответствующего компонента модели с переменной отклика. Другими словами, укажите, которому разновидность в модели соответствует который переменная отклика в данных. PKModelMap свойство Observed указывает, что соответствующей разновидностью в модели является Drug_Central, который представляет концентрацию препарата в системе. Соответствующей переменной данных является CONC, который вы визуализировали ранее.

map.Observed
ans = 1x1 cell array
    {'Drug_Central'}

Сопоставьте Drug_Central разновидности к CONC переменная.

responseMap = 'Drug_Central = CONC';

Параметры, чтобы оценить в этой модели являются объемом центрального отсека Central и уровень раскрываемости преступлений Cl_Central. PKModelMap свойство Estimated списки эти соответствующие параметры. Базовый алгоритм sbiofit принимает, что параметры нормально распределены, но это предположение не может быть верным для биологических параметров, которые ограничиваются быть положительными, такими как объем и разрешение. Укажите, что журнал преобразовывает для предполагаемых параметров так, чтобы преобразованные параметры следовали за нормальным распределением. Используйте estimatedInfo объект задать такие преобразования и (дополнительные) начальные значения.

map.Estimated
ans = 2x1 cell
    {'Central'   }
    {'Cl_Central'}

Задайте такие предполагаемые параметры, соответствующие преобразования и начальные значения.

estimatedParams = estimatedInfo({'log(Central)','log(Cl_Central)'},'InitialValue',[1 1]);

Каждый младенец получил различное расписание дозирования. Количество препарата перечислено в переменной данных DOSE. Чтобы задать их дозирующие во время подбора кривой, создайте объекты дозы из данных. Эти объекты используют свойство TargetName задавать, какая разновидность в модели получает дозу. В этом примере целевой разновидностью является Drug_Central, как перечислено PKModelMap свойство Dosed.

map.Dosed
ans = 1x1 cell array
    {'Drug_Central'}

Создайте демонстрационную дозу с этим целевым именем и затем используйте createDoses метод groupedData объект data сгенерировать дозы для каждого младенца на основе данных о дозировании DOSE.

sampleDose = sbiodose('sample','TargetName','Drug_Central');
doses = createDoses(data,'DOSE','',sampleDose);

Подбирайте модель.

[nlmeResults,simI,simP] = sbiofitmixed(onecomp,data,responseMap,estimatedParams,doses,'nlmefit');

Визуализируйте подходящие результаты с помощью отдельно-специфичных оценок параметра.

plot(nlmeResults,'ParameterType','individual');

Figure contains 64 axes objects. Axes object 1 is empty. Axes object 2 is empty. Axes object 3 is empty. Axes object 4 is empty. Axes object 5 is empty. Axes object 6 with title 59 contains 2 objects of type line. Axes object 7 with title 58 contains 2 objects of type line. Axes object 8 with title 57 contains 2 objects of type line. Axes object 9 with title 56 contains 2 objects of type line. Axes object 10 with title 55 contains 2 objects of type line. Axes object 11 with title 54 contains 2 objects of type line. Axes object 12 with title 53 contains 2 objects of type line. Axes object 13 with title 52 contains 2 objects of type line. Axes object 14 with title 51 contains 2 objects of type line. Axes object 15 with title 50 contains 2 objects of type line. Axes object 16 with title 49 contains 2 objects of type line. Axes object 17 with title 48 contains 2 objects of type line. Axes object 18 with title 47 contains 2 objects of type line. Axes object 19 with title 46 contains 2 objects of type line. Axes object 20 with title 45 contains 2 objects of type line. Axes object 21 with title 44 contains 2 objects of type line. Axes object 22 with title 43 contains 2 objects of type line. Axes object 23 with title 42 contains 2 objects of type line. Axes object 24 with title 41 contains 2 objects of type line. Axes object 25 with title 40 contains 2 objects of type line. Axes object 26 with title 39 contains 2 objects of type line. Axes object 27 with title 38 contains 2 objects of type line. Axes object 28 with title 37 contains 2 objects of type line. Axes object 29 with title 36 contains 2 objects of type line. Axes object 30 with title 35 contains 2 objects of type line. Axes object 31 with title 34 contains 2 objects of type line. Axes object 32 with title 33 contains 2 objects of type line. Axes object 33 with title 32 contains 2 objects of type line. Axes object 34 with title 31 contains 2 objects of type line. Axes object 35 with title 30 contains 2 objects of type line. Axes object 36 with title 29 contains 2 objects of type line. Axes object 37 with title 28 contains 2 objects of type line. Axes object 38 with title 27 contains 2 objects of type line. Axes object 39 with title 26 contains 2 objects of type line. Axes object 40 with title 25 contains 2 objects of type line. Axes object 41 with title 24 contains 2 objects of type line. Axes object 42 with title 23 contains 2 objects of type line. Axes object 43 with title 22 contains 2 objects of type line. Axes object 44 with title 21 contains 2 objects of type line. Axes object 45 with title 20 contains 2 objects of type line. Axes object 46 with title 19 contains 2 objects of type line. Axes object 47 with title 18 contains 2 objects of type line. Axes object 48 with title 17 contains 2 objects of type line. Axes object 49 with title 16 contains 2 objects of type line. Axes object 50 with title 15 contains 2 objects of type line. Axes object 51 with title 14 contains 2 objects of type line. Axes object 52 with title 13 contains 2 objects of type line. Axes object 53 with title 12 contains 2 objects of type line. Axes object 54 with title 11 contains 2 objects of type line. Axes object 55 with title 10 contains 2 objects of type line. Axes object 56 with title 9 contains 2 objects of type line. Axes object 57 with title 8 contains 2 objects of type line. Axes object 58 with title 7 contains 2 objects of type line. Axes object 59 with title 6 contains 2 objects of type line. Axes object 60 with title 5 contains 2 objects of type line. Axes object 61 with title 4 contains 2 objects of type line. Axes object 62 with title 3 contains 2 objects of type line. Axes object 63 with title 2 contains 2 objects of type line. Axes object 64 with title 1 contains 2 objects of type line.

Визуализируйте подходящие оценки параметра населения использования результатов.

plot(nlmeResults,'ParameterType','population');

Figure contains 64 axes objects. Axes object 1 is empty. Axes object 2 is empty. Axes object 3 is empty. Axes object 4 is empty. Axes object 5 is empty. Axes object 6 with title 59 contains 2 objects of type line. Axes object 7 with title 58 contains 2 objects of type line. Axes object 8 with title 57 contains 2 objects of type line. Axes object 9 with title 56 contains 2 objects of type line. Axes object 10 with title 55 contains 2 objects of type line. Axes object 11 with title 54 contains 2 objects of type line. Axes object 12 with title 53 contains 2 objects of type line. Axes object 13 with title 52 contains 2 objects of type line. Axes object 14 with title 51 contains 2 objects of type line. Axes object 15 with title 50 contains 2 objects of type line. Axes object 16 with title 49 contains 2 objects of type line. Axes object 17 with title 48 contains 2 objects of type line. Axes object 18 with title 47 contains 2 objects of type line. Axes object 19 with title 46 contains 2 objects of type line. Axes object 20 with title 45 contains 2 objects of type line. Axes object 21 with title 44 contains 2 objects of type line. Axes object 22 with title 43 contains 2 objects of type line. Axes object 23 with title 42 contains 2 objects of type line. Axes object 24 with title 41 contains 2 objects of type line. Axes object 25 with title 40 contains 2 objects of type line. Axes object 26 with title 39 contains 2 objects of type line. Axes object 27 with title 38 contains 2 objects of type line. Axes object 28 with title 37 contains 2 objects of type line. Axes object 29 with title 36 contains 2 objects of type line. Axes object 30 with title 35 contains 2 objects of type line. Axes object 31 with title 34 contains 2 objects of type line. Axes object 32 with title 33 contains 2 objects of type line. Axes object 33 with title 32 contains 2 objects of type line. Axes object 34 with title 31 contains 2 objects of type line. Axes object 35 with title 30 contains 2 objects of type line. Axes object 36 with title 29 contains 2 objects of type line. Axes object 37 with title 28 contains 2 objects of type line. Axes object 38 with title 27 contains 2 objects of type line. Axes object 39 with title 26 contains 2 objects of type line. Axes object 40 with title 25 contains 2 objects of type line. Axes object 41 with title 24 contains 2 objects of type line. Axes object 42 with title 23 contains 2 objects of type line. Axes object 43 with title 22 contains 2 objects of type line. Axes object 44 with title 21 contains 2 objects of type line. Axes object 45 with title 20 contains 2 objects of type line. Axes object 46 with title 19 contains 2 objects of type line. Axes object 47 with title 18 contains 2 objects of type line. Axes object 48 with title 17 contains 2 objects of type line. Axes object 49 with title 16 contains 2 objects of type line. Axes object 50 with title 15 contains 2 objects of type line. Axes object 51 with title 14 contains 2 objects of type line. Axes object 52 with title 13 contains 2 objects of type line. Axes object 53 with title 12 contains 2 objects of type line. Axes object 54 with title 11 contains 2 objects of type line. Axes object 55 with title 10 contains 2 objects of type line. Axes object 56 with title 9 contains 2 objects of type line. Axes object 57 with title 8 contains 2 objects of type line. Axes object 58 with title 7 contains 2 objects of type line. Axes object 59 with title 6 contains 2 objects of type line. Axes object 60 with title 5 contains 2 objects of type line. Axes object 61 with title 4 contains 2 objects of type line. Axes object 62 with title 3 contains 2 objects of type line. Axes object 63 with title 2 contains 2 objects of type line. Axes object 64 with title 1 contains 2 objects of type line.

Отобразите изменение предполагаемых параметров с помощью коробчатой диаграммы.

boxplot(nlmeResults)

Figure contains an axes object. The axes object contains 14 objects of type line.

Сравните предсказания модели с фактическими данными.

plotActualVersusPredicted(nlmeResults)

Figure contains an axes object. The axes object contains 3 objects of type line.

Постройте распределение остаточных значений.

plotResidualDistribution(nlmeResults)

Figure contains 4 axes objects. Axes object 1 contains 2 objects of type bar, line. Axes object 2 contains 2 objects of type bar, line. Axes object 3 with title IWRES contains 3 objects of type line. Axes object 4 with title CWRES contains 3 objects of type line.

Постройте остаточные значения для каждого ответа с помощью предсказаний модели на оси X.

plotResiduals(nlmeResults,'Predictions')

Figure contains an axes object. The axes object contains 3 objects of type line.

Входные параметры

свернуть все

Модель SimBiology в виде SimBiology model object. Активное configset object из модели содержит настройки решателя для симуляции. Любые активные дозы и варианты применяются к модели в процессе моделирования, если не задано в противном случае использование dosing и variants входные параметры, соответственно.

Данные, чтобы соответствовать в виде a groupedData object.

Имя переменной времени должно быть задано в IndependentVariableName свойство grpData. Например, если именем переменной времени является 'TIME', затем задайте его можно следующим образом.

grpData.Properties.IndependentVariableName = 'TIME';

grpData должен иметь по крайней мере две группы, и имя имени сгруппированной переменной должно быть задано в GroupVariableName свойство grpData. Например, если именем сгруппированной переменной является 'GROUP', затем задайте его можно следующим образом.

grpData.Properties.GroupVariableName = 'GROUP';
Группа обычно обращается к набору измерений, которые представляют один курс времени, часто соответствуя конкретному отдельному или экспериментальному условию.

Примечание

sbiofitmixed использует categorical функция, чтобы идентифицировать группы. Если какие-либо значения группы преобразованы в то же значение categorical, затем те наблюдения обработаны как принадлежащий той же группе. Например, если некоторые наблюдения не имеют никакой информации о группе (то есть, пустой символьный вектор), то categorical преобразует пустые символьные вектора в <undefined>, и эти наблюдения обработаны как одна группа.

Отображение информации компонентов модели к grpDataВ виде вектора символов, строки, вектора строки или массива ячеек из символьных векторов.

Каждый вектор символов или строка являются подобным уравнению выражением, похожим на правила присвоения в SimBiology. Это содержит имя (или полностью определенное имя) количества (разновидности, отсек или параметр) или observable объект в модели sm, сопровождаемый символьным '=' и имя переменной в grpData. Для ясности пробелы позволены между именами и '='.

Например, если у вас есть данные о концентрации 'CONC' в grpData для разновидности 'Drug_Central', можно задать его можно следующим образом.

ResponseMap = 'Drug_Central = CONC';

Чтобы назвать разновидность однозначно, используйте полностью определенное имя, которое включает имя отсека. Чтобы назвать ограниченный по объему реакцией параметр, используйте имя реакции, чтобы квалифицировать параметр.

Если имя компонента модели или grpData именем переменной не является допустимый MATLAB® имя переменной, окружите его квадратными скобками, такими как:

ResponseMap = '[Central 1].Drug = [Central 1 Conc]';

Если само имя переменной содержит квадратные скобки, вы не можете использовать его в выражении, чтобы задать информацию об отображении.

Ошибка выпущена, если какое-либо (квалифицированное) имя совпадает с двумя компонентами того же типа. Однако можно использовать (квалифицированное) имя, которое совпадает с двумя компонентами различных типов, и функция сначала находит разновидности с именем, сопровождаемым отсеками и затем параметрами.

Предполагаемые параметры в виде вектора из estimatedInfo объекты или a CovariateModel object это задает предполагаемые параметры в модели sm, их (дополнительные) первоначальные оценки, и их отношение к специфичным для группы ковариантам включены в grpData (дополнительный). Если это - вектор из estimatedInfo объекты, затем никакие коварианты не используются, и все параметры оцениваются со специфичными для группы случайными эффектами.

Можно также задать преобразования параметра при необходимости. Поддерживаемыми преобразованиями является log, logit, и probit. Для получения дополнительной информации смотрите EstimatedInfo object и CovariateModel object.

Если covEstiminfo вектор из estimatedInfo объекты, CategoryVariableName свойство каждого из этих объектов проигнорировано.

Информация о дозах в виде пустого массива ([] или {}), 2D матрица или вектор ячейки из объектов дозы (ScheduleDose object или RepeatDose object).

Если вы не используете dosing введите, функция применяет активные дозы модели, если существует кто-либо.

Если вы задаете вход как пустой [] или {}, никакие дозы не применяются в процессе моделирования, даже если модель имеет активные дозы.

Для матрицы объектов дозы это должно иметь одну строку или одну строку на группу во входных данных. Если это имеет одну строку, те же дозы применяются ко всем группам в процессе моделирования. Если это имеет несколько строк, каждая строка применяется к отдельной группе в том же порядке, как группы появляются во входных данных. Несколько столбцов позволены так, чтобы можно было применить несколько объектов дозы к каждой группе.

Примечание

С R2021b дозы в столбцах больше не требуются, чтобы иметь ту же настройку. Если вы ранее создали (фиктивные) дозы по умолчанию, чтобы заполнить столбцы, эти дозы по умолчанию не оказывают влияния и не указывают ни на какое дозирование.

Для вектора ячейки из доз это должно иметь один элемент или один элемент на группу во входных данных. Каждым элементом должен быть [] или вектор из доз. Каждый элемент ячейки применяется к отдельной группе в том же порядке, как группы появляются во входных данных.

В дополнение к ручному построению использования объектов дозы sbiodose, если вход groupedData объект имеет информацию о дозах, можно использовать createDoses метод, чтобы создать дозы.

Имя функции оценки в виде вектора символов или строки. Выбором является 'nlmefit' или 'nlmefitsa'. Поскольку сводные данные поддержали методы и подходящие опции, см. Поддерживаемые Методы для Оценки Параметра SimBiology.

Опции, характерные для оценки, функционируют в виде структуры.

Структура может содержать поля и значения по умолчанию, которые являются аргументами name-value, принятыми nlmefit (Statistics and Machine Learning Toolbox) и nlmefitsa (Statistics and Machine Learning Toolbox), кроме следующих, которые не поддерживаются.

  • 'FEConstDesign'

  • 'FEGroupDesign

  • 'FEObsDesign'

  • 'FEParamsSelect'

  • 'ParamTransform'

  • 'REConstDesign'

  • 'REGroupDesign'

  • 'REObsDesign'

  • 'Vectorization'

'REParamsSelect' только поддерживается, когда вы обеспечиваете вектор из estimatedInfo объекты при определении предполагаемых параметров.

Используйте statset (Statistics and Machine Learning Toolbox) функция только, чтобы установить 'Options' поле структуры (opt), можно следующим образом.

opt.Options = statset('Display','iter','TolX',1e-3,'TolFun',1e-3);

Для других поддерживаемых аргументов name-value (см. nlmefit (Statistics and Machine Learning Toolbox) и nlmefitsa (Statistics and Machine Learning Toolbox)), устанавливает их можно следующим образом.

opt.ErrorModel = 'proportional';
opt.ApproximationType = 'LME';

Варианты в виде пустого массива ([] или {}) или вектор из различных объектов.

Если вы

  • Не используйте этот входной параметр, функция применяет активные варианты модели, если существует кто-либо.

  • Задайте этот вход как пустой, никакие варианты не используются, даже если модель имеет активные варианты.

  • Задайте этот вход как вектор из вариантов, функция применяет заданные варианты ко всем симуляциям, и активные варианты модели не используются.

  • Задайте этот вход как вектор из вариантов и также задайте Variants аргумент значения имени, функция применяет варианты, заданные в этом входном параметре прежде, чем применить тех заданных в аргументе значения имени.

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'UseParallel',true,'ProgressPlot',true задает, чтобы запустить параллельные симуляции и показать прогресс оценки параметра.

Отметьте, чтобы включить распараллеливание в виде числового или логического 1 TRUE) или 0 ложь). Если true и Parallel Computing Toolbox™ доступен, функция выполняет оценку параметра параллельно.

Отметьте, чтобы показать прогресс оценки параметра в виде числового или логического 1 TRUE) или 0 ложь). Если true, новая фигура открывается содержащий графики.

Графики показывают значения фиксированных параметров эффектов (theta), оценки параметров отклонения, то есть, диагональных элементов ковариационной матрицы случайных эффектов (Ψ), и логарифмическая правдоподобность. Для получения дополнительной информации см. График Прогресса.

Специфичные для группы варианты в виде пустого массива ([] или {}), 2D матрица или вектор ячейки из различных объектов. Эти варианты позволяют вам задать значения параметров для определенных групп во время подбора кривой. Программное обеспечение применяет эти специфичные для группы варианты после активных вариантов или variants входной параметр. Если значение пусто ([] или {}), никакие специфичные для группы варианты не применяются.

Для матрицы различных объектов количество строк должно быть один или должно совпадать с количеством групп во входных данных. i th строка различных объектов применяется к симуляции i th группа. Варианты применяются в порядке от первого столбца до последнего. Если эта матрица имеет только одну строку вариантов, они применяются ко всем симуляциям.

Для вектора ячейки из различных объектов количество ячеек должно быть один или должно совпадать с количеством групп во входных данных. Каждым элементом должен быть [] или вектор из вариантов. Если этот вектор ячейки имеет отдельную ячейку, содержащую вектор из вариантов, они применяются ко всем симуляциям. Если вектор ячейки имеет несколько ячеек, варианты в i th ячейка применяются к симуляции i th группа.

В дополнение к ручному построению различных объектов с помощью sbiovariant, если вход groupedData объект имеет различную информацию, можно использовать createVariants создать варианты.

Выходные аргументы

свернуть все

Результаты оценки, возвращенные как NLMEResults object.

Результаты симуляции, возвращенные как вектор из SimData объекты, представляющие результаты симуляции для каждой группы (или индивидуум) использование фиксированного эффекта и оценок случайного эффекта (отдельно-специфичные оценки параметра).

О состояниях сообщают в simDataI состояния, которые были включены в ResponseMap входной параметр, а также любые другие состояния, перечисленные в StatesToLog свойство опций во время выполнения (RuntimeOptions) из модели SimBiology sm.

Результаты симуляции, возвращенные как вектор из SimData объекты, представляющие результаты симуляции для каждой группы (или индивидуум) использование только оценок фиксированного эффекта (оценки параметра населения).

О состояниях сообщают в simDataP состояния, которые были включены в ResponseMap входной параметр, а также любые другие состояния, перечисленные в StatesToLog свойство опций во время выполнения (RuntimeOptions) из модели SimBiology sm.

Ссылки

[1] Грэзела младший, T.H., Донн, S.M. (1985) Неонатальная фармакокинетика населения фенобарбитала выведена из стандартных клинических данных. Фармакол Dev Там. 8 (6), 374–83.

Расширенные возможности

Введенный в R2014a