Загрузка данных

Загрузите выборочные данные, чтобы соответствовать.

load data10_32R.mat
gData = groupedData(data);
gData.Properties.VariableUnits = {'','hour','milligram/liter','milligram/liter'};
sbiotrellis(gData,'ID','Time',{'CentralConc','PeripheralConc'},'Marker','+',...
            'LineStyle','none');

Создайте модель

Создайте модель 2D отсека.

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;

Задайте дозирование

Задайте капельное внутривенное введение.

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';

Задайте параметры

Задайте параметры, чтобы оценить.

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]);

Подбирайте модель

Выполните необъединенную подгонку, то есть, один набор предполагаемых параметров для каждого пациента.

unpooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',false);

Выполните объединенную подгонку, то есть, один набор предполагаемых параметров для всех пациентов.

pooledFit = sbiofit(model,gData,responseMap,estimatedParam,dose,'Pooled',true);

Вычислите доверительные интервалы для предполагаемых параметров

Вычислите 95% доверительных интервалов для каждого предполагаемого параметра в необъединенной подгонке с помощью Гауссова приближения.

ciParamUnpooled = sbioparameterci(unpooledFit);

Постройте доверительные интервалы. Если состоянием оценки доверительного интервала является success, это построено в синем (первый цвет по умолчанию). В противном случае это построено в красном (второй цвет по умолчанию), который указывает, что дальнейшее расследование подходящих параметров может требоваться. Если доверительным интервалом является not estimable, затем графики функций красная линия и сосредоточенный крест. Если существуют какие-либо преобразованные параметры с ориентировочными стоимостями, которые являются 0 (для журнала, преобразовывают) и 1 или 0 (для пробита, или логит преобразовывают), то никакие доверительные интервалы не построены для тех оценок параметра. Чтобы видеть последовательность цветов, введите get(groot,'defaultAxesColorOrder').

Группы отображены слева направо в том же порядке, что они появляются в GroupNames свойство объекта, который используется, чтобы пометить ось X. Y-метки являются преобразованными названиями параметра.

plot(ciParamUnpooled)

График с помощью одного цвета.

plot(ciParamUnpooled,'Color',[0 0 0])

Вычислите доверительные интервалы для объединенной подгонки.

ciParamPooled = sbioparameterci(pooledFit);

Постройте доверительные интервалы. Название группы помечено, как "объединено", чтобы указать на такую подгонку.

plot(ciParamPooled)

Постройте все результаты доверительного интервала вместе. По умолчанию доверительный интервал для каждой оценки параметра построен в отдельные оси. Вертикальные доверительные интервалы группы пунктирных линий оценок параметра, которые были вычислены в общей подгонке. Границы параметра, заданные в исходной подгонке, отмечены квадратными скобками (если видимый в построенной области значений параметра).

ciAll = [ciParamUnpooled;ciParamPooled];
plot(ciAll)

Можно также построить все доверительные интервалы на осях, сгруппированных оценками параметра с помощью 'Сгруппированного' размещения.

plot(ciAll,'Layout','Grouped')

В этом размещении можно указать на центральный маркер каждого доверительного интервала, чтобы видеть название группы. Каждый предполагаемый параметр разделяется вертикальной черной линией. Вертикальные доверительные интервалы группы пунктирных линий оценок параметра, которые были вычислены в общей подгонке. Границы параметра, заданные в исходной подгонке, отмечены квадратными скобками (если видимый в построенной области значений параметра). Отметьте различные шкалы на оси Y из-за преобразований параметра. Например, ось Y Q12 находится в линейной шкале, но том из Central находится в логарифмической шкале из-за ее журнала, преобразовывают.

Вычислите доверительные интервалы Используя вероятность профиля

Вычислите 95% доверительных интервалов для каждого предполагаемого параметра в необъединенной подгонке с помощью подхода вероятности профиля.

ciParamUnpooledProf = sbioparameterci(unpooledFit,'Type','profilelikelihood');

Вычислите доверительные интервалы для объединенной подгонки.

ciParamPooledProf = sbioparameterci(pooledFit,'Type','profilelikelihood');

Постройте кривые вероятности профиля для необъединенной подгонки. Границы параметра, заданные в исходной подгонке, отображены вертикальными пунктирными линиями (если видимый в построенной области значений параметра). Доверительный интервал обозначается двумя крестами и линией, промежуточной их. Центральная точка обозначает оценку параметра. Вероятность профиля всегда строится в логарифмической шкале. Шкала оси X зависит от того, преобразовывается ли параметр (журнал, пробит или шкала логита) или не (линейная шкала).

plot(ciParamUnpooledProf,'ProfileLikelihood',true);

Каждая группа построена в отдельной строке, и каждый параметр построен в отдельном столбце.

Постройте кривые для объединенной подгонки.

plot(ciParamPooledProf,'ProfileLikelihood',true);

Постройте все результаты доверительного интервала вместе на том же рисунке.

plot([ciParamUnpooledProf;ciParamPooledProf],'ProfileLikelihood',true);