Πληθυσμιακή ΦΚ Nonlinear mixed effects models

Transcript

1 Πληθυσμιακή ΦΚ Nonlinear mixed effects models 1

2 Πληθυσμιακή ΦΚ Nonlinear mixed effects models Φαρμακοκινητικό προφίλ ενός ασθενούς Concentration Time

3 Εναλλακτικά χρησιμοποιούνται παραμετρικά μαθηματικά μοντέλα Concentration μοντέλο Time παράμετροι CL, V, k a C = k a D ka V CL ( e CL t V + e k a t )

4 Εκτίμηση παραμέτρων για έναν ασθενή με μη γραμμική παλινδρόμηση C = f ( ξ, t ) + ε C: μετρήσεις f: μοντέλο ξ: παράμετροι (CL, V, k a ) ε: σφάλματα Concentration ε Εκτίμηση παραμέτρων Time Στόχος : να εκτιμηθούν οι παράμετροι ξ έτσι ώστε να ελαχιστοποιούνται Οι αποστάσεις (σφάλματα) ε του μοντέλου f από τις μετρήσεις C. Τα σφάλματα ε οφείλονται σε: σφάλματα στις μετρήσεις σφάλματα στους χρόνους δειγματοληψίας ατελή συμφωνία του μοντέλου (misspecification) 4

5 Μέθοδος ελαχίστων τετραγώνων Θέλουμε να ελαχιστοποιήσουμε τα σφάλματα ε ε = C f ( ξ, t ) Μπορούμε να ελαχιστοποιήσουμε την συνάρτηση n ( C f (, t )) F( ξ ) = ξ = 1 Υπολογίζουμε τις τιμές των ξ για τις οποίες η F(ξ) παίρνει ελάχιστη τιμή Επίσης υπολογίζουμε το τυπικό σφάλμα των ξ, δηλαδή την αβεβαιότητα με την οποία εκτιμήθηκαν τα ξ 5

6 Επιλογή ΦΚ μοντέλου Εκτίμηση παραμέτρων Το γραμμικό μοντέλο είναι ένα: y = a x + b Υπάρχουν άπειρα μη γραμμικά μοντέλα: y = f(ξ, x) Ποια είναι η συνάρτηση f; 6

7 συγκέντρωση Μέγιστη πιθανοφάνεια ε ε ~ N(0, σ ) ή Yˆ ε = f ( ξ, t = Y Yˆ ) Y ~ N( ˆ, σ ) Y χρόνος Υπόθεση: Η πιθανότητα το ε (ή το Υ ) να παίρνει μια συγκεκριμένη τιμή ακολουθεί κανονική κατανομή με μέση τιμή 0 (ή ) και τυπική απόκλιση σ Yˆ Συνάρτηση πυκνότητας πιθανότητας κανονικής κατανομής f ( x µ ) 1 σ ( x) = e πσ f(x) είναι η πιθανότητα να παίρνει το X τιμή από x έως x+dx

8 = = n Y Y e Y L 1 ) ˆ ( 1 ), ( σ πσ σ ξ Η πιθανότητα για ένα σημείο να έχει τιμή Υ ονομάζεται πιθανοφάνεια (likelihood ) Για πολλά σημεία: Αν οι πιθανοφάνειες των σημείων είναι ανεξάρτητες μεταξύ τους η πιθανοφάνεια για όλα τα σημεία είναι το γινόμενο τους = = = n n n Y L Y L Y L Y L Y L ), ( ), ( ), ( ), ( ), ( σ ξ σ ξ σ ξ σ ξ σ ξ K LL YY ξξ, σσ = 1 ππσσ ee YY YY ξξ σσ Η συνάρτηση L μεγιστοποιείται όταν το μοντέλο είναι πράγματι η μέση τιμή της κατανομής δηλαδή τα YY YY ξξ είναι ελάχιστα Θέλουμε να βρούμε τις τιμές των ξ και σ για τις οποίες η L είναι μέγιστη.

9 Μπορούμε να υλοποιήσουμε μια αντικειμενική συνάρτηση που πρέπει να ελαχιστοποιείται = = n Y Y e Y L 1 ) ˆ ( 1 ), ( σ πσ σ ξ = + + = n Ln Y Y nln Y LL 1 ) ( ) ˆ ( ) ( ), ( σ σ π σ ξ = + = n Ln Y Y F 1 ) ( ) ˆ ( ), ( σ σ σ ξ Αυτή η μέθοδος ονομάζεται Extended Least Squares (ELS) Τα ξ και σ εκτιμώνται ταυτόχρονα Στην ειδική περίπτωση του ομοσκεδαστικού σφάλματος όπου σ = σ Η αντικειμενική συνάρτηση είναι OLS = = n Y Y F 1 ) ˆ ( (ξ ) n Y Y n = = 1 ) ˆ ( σ και

10 Μοντέλο σφάλματος C = f ( ξ, t ) + ε σ residual variability Concentration ε 1 C 1 C ε ε 1 0 ε C 3 Time Απλό προσθετικό (ομοσκεδαστικό) σφάλμα ε N(0, σ) 10

11 Όταν δεν είναι ομοσκεδαστικό είναι ετεροσκεδαστικο σφάλμα προσθετικό αναλογικό συνδυαστικό Concentration Time Time Time C = f + ε C = f + f ε C = f + f ε 1 + ε εναλλακτικά CC = ff ee εε Επιλογή ΦΚ μοντέλου Επιλογή μοντέλου σφάλματος Εκτίμηση παραμέτρων 11

12 Πληθυσμιακή φαρμακοκινητική Δι-ατομική μεταβλητότητα ΦΚ παραμέτρων 100 συγκέντρωση χρόνος 1

13 Παραμετρική πληθυσμιακή φαρμακοκινητική δι-ατομική μεταβλητότητα 100 συγκέντρωση χρόνος C = f ( ξ, t ) + ε C i = f ( ξ, t ) + ε i i 13

14 Μέθοδος σταδίων 1 ο στάδιο: ατομικές προσαρμογές Συγκέντρωση (mg/l) Χρόνος (h) ID KA V CL ο στάδιο: περιγραφική στατιστική KA V CL Μέσος Τυπ. αποκλ (CV) 8% 14% 3% Μειονέκτημα: Πρέπει να έχουμε αρκετά δεδομένα από τον κάθε ασθενή 14

15 Μοντέλα μικτών επιδράσεων (Mixed effects models) κατανομή παραμέτρου ξ normal ξξ ii = θθ + ηη ii μέση τιμή: θ πληθυσμιακή τιμή διακύμανση : Ω δι-ατομική μεταβλητότητα log-normal ξξ ii = θθ ee ηη ii = θθ eeeeee(ηη ii ) llllll ξξ ii = llllll θθ + ηη ii η Ω 0 η 1 η ηη ii ~NN(00, ΩΩ) η Ω 0 η 1 η Ω Ω ξ θ ξ 1 ξ logξ logθ logξ 1 logξ Ω 0 ξ θ ξ 1 15 ξ

16 Ιεραρχικό μοντέλο με (ή περισσότερα) επίπεδα μεταβλητότητας φαρμακοκινητικό μοντέλο C i =f(θθee ηη ii,t i )+ε i δι-ατομική μεταβλητότητα η i ~ N(0, Ω) Ω η 0 η 1 υπόλοιπη μεταβλητότητα ε i ~ N(0,σ ) σ 0 ε 1, ε 1, Ταυτόχρονη προσαρμογή του ΦΚ στα δεδομένα όλων των ασθενών με σκοπό την εκτίμηση των fixed effects: θ, και random effects: Ω, σ καθώς και τα τυπικά σφάλματα αυτών 16

17 Ω inter-individual variability f(θee ηη 11,t) f(θ,t) η 0 η 1 σ residual variability Concentration f(θee ηη,t) ε 1,3 0 ε, ε 1, patient typical patient patient 1 Time 17

18 Συσχετίσεις μεταξύ των παραμέτρων Μπορεί να υπάρχουν συσχετίσεις μεταξύ των παραμέτρων Τότε η διατομική μεταβλητότητα είναι ένας πίνακας variance covariance Η μη διαγώνιοι όροι εκφράζουν τις συν-διακυμάνσεις μεταξύ των παραμέτρων Συχνά εκφράζονται και ως συσχετίσεις. Εν γένει αναμένεται να υπάρχουν συσχετίσεις όμως συχνά τα δεδομένα δεν έχουν αρκετή πληροφορία ώστε αυτές να εκτιμηθούν. Συνήθεις παράμετροι που συσχετίζονται στην ΦΚ είναι π.χ η κάθαρση και ο όγκος κατανομης 18

19 Στα πλαίσια της θεωρίας της μέγιστης πιθανοφάνειας Κατασκευάζουμε μια συνάρτηση πιθανοφάνειας που που δεν εκφράζεται αναλυτικά και περιγράφει με ένα ιεραρχικό μοντέλο τα παρακάτω: Τις μέσες τιμές θ Την δι-ατομική μεταβλητότητα Ω Την ενδο-ατομική μεταβλητότητα σ Οι παράμετροι αυτές εκτιμώνται όλες μαζί με το μοντέλο μικτών επιδράσεων και υπολογίζονται: οι μέσες τιμές των θ, Ω και σ και οι αβεβαιότητες (standard errors) αυτών που ακολουθούν κατανομές πυκν. πιθαν. θ uncertainty πυκν. πιθαν. Ω uncertainty πυκν. πιθαν. σ uncertainty θ mean log θ Ω mean Ω σ mean σ Log-normal Inverse gamma (univariate) Inverse Wishart (multivariate) Inverse gamma

20 Διάκριση Μεταβλητότητας και Αβεβαιότητας Εκφράζονται και οι από στατιστικές κατανομές, έχουν μέση τιμή και διακύμανση όμως είναι διαφορετικές έννοιες Δι-ατομική μεταβλητότητα, Μέση τιμή: θ, διακύμανση: Ω Υπόλοιπη μεταβλητότητα, Μέση τιμή: 0, διακύμανση: σ Αβεβαιότητα του θ και του Ω Μέση τιμή: θ ή Ω διακύμανση: τυπικό σφάλμα θ ή Ω Χαρακτηριστικό του πληθυσμού Χαρακτηριστικό του πειράματος Εξαρτάται από τον αριθμό των ατόμων (και των δειγμάτων) Πιο πολλά άτομα -> σταθερό Πιο πολλά δείγματα -> σταθερό Πιο πολλά άτομα -> μειώνεται Αβεβαιότητα του σ Μέση τιμή: 0, διακύμανση: τυπικό σφάλμα σ Εξαρτάται από τον αριθμό των δειγμάτων Πιο πολλά δείγματα -> μειώνεται

21 Περιγραφικές συμμεταβλητές (covariates) Στην πραγματικότητα ΟΛΗ η μεταβλητότητα που παρατηρείται οφείλεται σε διάφορους παράγοντες που καθιστούν το κάθε άτομο διαφορετικό Οι περισσότεροι παράγοντες είναι άγνωστοι, έτσι ποσοτικοποιούνται με στοχαστικό τρόπο (δι-ατομική μεταβλητότητα, Ω) Κάποιοι όμως παράγοντες μπορεί να είναι γνωστοί και εισάγονται στο μοντέλο, όπως βάρος, γενετική πληροφορία, ηλικία, εργαστηριακές μετρήσεις, κλπ. Η συνολική δι-ατομική μεταβλητότητα της ΦΚ παραμέτρου δεν αλλάζει, απλά αντί να περιγράφεται μόνο από μια στοχαστική μεταβλητή, μοιράζεται μεταξύ των συμμεταβλητών και της στοχαστικής μεταβλητής 1

22 Οι συμμεταβλητές που ενσωματώνονται στο μοντέλο και ερμηνεύουν τμήμα της μεταβλητότητας με αιτιοκρατικό τρόπο μπορεί να είναι διαφόρων τύπων, παραδείγματα: σωματομετρικές εθνικές γενετικές εργαστηριακές συγχορηγήσεις περιβάλλον

23 Περιγραφικές συμμεταβλητές στην πληθυσμιακή ΦΚ Στην πληθυσμιακή ΦΚ μπορούμε εύκολα να συμπεριλάβουμε συμμεταβλητές Χωρίς συμμεταβλητή η ΦΚ παράμετρος CL γράφεται: CL=θ 1 *exp(η 1 ) Παράμετροι προς εκτίμηση Fixed effect Random effect η 1 =Ν(0, Ω 1 ) 3

24 Περιγραφικές συμμεταβλητές στην πληθυσμιακή ΦΚ Στην πληθυσμιακή ΦΚ μπορούμε εύκολα να συμπεριλάβουμε συμμεταβλητές Χωρίς συμμεταβλητή η ΦΚ παράμετρος CL γραφεται: CL=θ 1 *exp(η 1 ) 4

25 Περιγραφικές συμμεταβλητές στην πληθυσμιακή ΦΚ Στην πληθυσμιακή ΦΚ μπορούμε εύκολα να συμπεριλάβουμε συμμεταβλητές Χωρίς συμμεταβλητή η ΦΚ παράμετρος CL γραφεται: CL=θ 1 *exp(η 1 ) Με συμμεταβλητή το βάρος: Παράμετροι προς εκτίμηση CL=(θ 1 + θ *WT)*exp(η 1 ) Συμμεταβλητή (βάρος) Random effect η 1 =Ν(0, Ω 1 ) Fixed effects 5

26 PPPPPP = θθ 1 θθ cccccc exp ηη 1 6 Συνήθως χρησιμοποιούμε γραμμικά μοντέλα Συνήθως γράφουμε τον covariate centred ως προς μια τυπική τιμή του, ccccvv ετσι ώστε για τον τυπικο ασθενή με ccccvv 1 = ccccvv 1, να είναι PPaaaa = θθ 1 Συνήθη μοντέλα συμμεταβλητών Γραμμικό (continuous) PPaaaa = (θθ 1 +θθ (ccccvv ccccvv)) exp ηη 1 Power (continuous) PPPPPP = θθ 1 cccccc cccccc θθ exp ηη1 log PP = log θθ 1 + θθ log cccccc log cccccc + ηη 1 Categorical covariate PPPPPP = (θθ 1 +θθ cccccc) exp ηη 1

27 Οι συμμεταβλητές πρέπει να εντοπιστούν Αρχικά μοντελοποιούμε χωρίς συμμεταβλητές CL=θ 1 *exp(η 1 ) Αναζητούμε συσχέτιση π.χ. του WT με τις ατομικές τιμές CL CL η CL Θα πούμε στη συνέχεια που βρίσκουμε τα CL WΤ WΤ CL=(θ 1 + θ *(WT-WT mean ))*exp(η 1 ) Θα πούμε στη συνέχεια για στρατηγικές εντοπισμού Επιλογή ΦΚ μοντέλου Επιλογή μοντέλου σφάλματος Επιλογή πληθυσμιακού μοντέλου Εκτίμηση παραμέτρων 7

28 Ανάπτυξη πληθυσμιακού μοντέλου Επιλογή ΦΚ μοντέλου Επιλογή μοντέλου σφάλματος Επιλογή πληθυσμιακού μοντέλου (με συμμεταβλητές) Εκτίμηση παραμέτρων Επικύρωση του μοντέλου 8

29 Αξιολόγηση μοντέλου Επιτυχής ολοκλήρωση του αλγόριθμου Λογικές τιμες των παραμέτρων (με φυσική σημασία) Λογικά (μικρα) τυπικά σφάλματα Διαγνωστικά γραφήματα (goodness of fit) Κριτήρια επιλογής μοντέλου Επικύρωση μοντέλου - Visual predictive check - Bootstrap

30 Συντελεστής προσδιορισμού, R Coefficient of determination R n = 1 = 1 n = 1 ( Y ( Y Yˆ ) Y ) Όπου Y είναι η μέση τιμή των πειραματικών δεδομένων Η σημασία του R είναι το ποσοστό της μεταβλητότητας των δεδομένων που ερμηνεύεται από το μοντέλο Ιδανικά R = 1 Στη χειρότερη R = 0

31 Διαγνωστικά γραφήματα Τα διαγνωστικά γραφικά είναι πιο πληροφοριακά από τα κριτήρια με έναν αριθμό Residuals vs Predicted καλό προβληματικό

32 Observed vs Predicted καλό προβληματικό

33 Επιλογή μοντέλου Η επιλογή του μοντέλου είναι η πιο σημαντική απόφαση Τα αλλά τα κάνει ο υπολογιστής... Ένα πιο πολύπλοκο μοντέλο θα περνάει πιο κοντά από τα δεδομένα αλλά θα έχει πιο πολλές παραμέτρους που θα εκτμηθούν χειρότερα Πολυπλοκότητα μοντέλου Ακρίβεια εκτίμησης παραμέτρων

34

35 Κριτήρια επιλογής μοντέλου Όταν υπάρχουν πολλά υποψήφια μοντέλα μπορούμε να χρησιμοποιήσουμε κριτήρια επιλογής του καλύτερου Κριτήρια πληροφορίας Κριτήρια που βασίζονται στη θεωρεία πληροφορίας Πχ Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC) Στατιστικά κριτήρια Κριτήρια που βασίζονται σε στατιστικά τεστ (hypothesis tests) Πχ Likelihood ratio test

36 Akaike Information Criterion (AIC) Βασιζόμενο στην πληροφορία Kullback Leibler διατυπώνεται το: AIC = LL + LL: Log-likelihood p: Αριθμός παραμέτρων Επιλέγουμε το μοντέλο με τη μικρότερη τιμή AIC p Το AIC αποτελεί συμβιβασμό ανάμεσα σε προσαρμογή και αριθμό παραμέτρων Bayesian Information Criterion (BIC ή Schwarz criterion) BIC = LL + pln( n) Όπως και με το AIC επιλέγουμε το μοντέλο με τη μικρότερη τιμή BIC To BIC είναι πιο συντηρητικό από το AIC και συχνά ευνοεί το απλούστερο μοντέλο

37 Χαρακτηριστικά AIC και BIC Τα AIC και BIC, για ίδιο αριθμό παραμέτρων προκρίνoυν το μοντέλο με την καλύτερη προσαρμογή Το p αναφέρεται σε όλες τις εκτιμώμενες παραμέτρους (πχ σ) όχι μόνο στις παραμέτρους του δομικού μοντέλου (ξ). Τα AIC και BIC, μπορούν να χρησιμοποιηθούν και σε μοντέλα που δεν είναι φωλιασμένα (nested, θα δούμε τι είναι αυτά) Τα AIC και BIC, πάντα χρησιμοποιούνται για τα ίδια δεδομένα

38 Φωλιασμένα μοντέλα (nested models) Δηλαδή μοντέλα που το ένα είναι ειδική περίπτωση του άλλου Π.χ. Y = b * X + a Y = b * X Επίσης τα διαμερισματικά μοντέλα στην ΦΚ συνήθως είναι nested Όμως το δομικό μοντέλο το επιλέγουμε με κριτήρια goodness of fit. Εκεί που χρησιμεύουν περισσότερο τα στατιστικά τεστ είναι στην επιλογή στατιστικά σημαντικών covariates

39 Τεστ των λόγων πιθανοφάνειας Likelihood ratio test Έστω μοντέλα φωλιασμένα, ένα με αριθμό παραμέτρων f και ένα με r, έτσι ώστε f > r. Το likelihood ratio (λ) ακολουθεί κατανομή χ : λ = L L r f Το r (reduced) είναι η μηδενική υπόθεση και το f (full) η εναλλακτική Το f (full) μοντέλο είναι καλύτερο με επίπεδο εμπιστοσύνης α (πχ α=0.05), δηλαδή απορρίπτεται η μηδενική υπόθεση, όταν Ln( λ) χ( f r), α ( LL f LL r ) χ( f r ), α

40 Το LL μας το δίνει το πρόγραμμα για τα μοντέλα Την τιμή του χ την διαβάζουμε από πίνακες Η διαφορά των τιμών πρέπει να είναι >3.85 για α=0.05 Το LRT εφαρμόζεται μόνο σε nested μοντέλα

41 Στρατηγικές εντοπισμού covariates (Stepwise covariate modeling) Forward detection Backward deletion με LRT Οι covariates προστίθενται ένας ένας έτσι ώστε: (Ob func val full model) (Ob func val reduced model) < μονάδες (0.05 επίπεδο εμπιστοσύνης). Στο τέλος οι covariates αφαιρούνται ένας-ένας και παραμένουν στο μοντέλο αν: (Ob func val full model) (Ob func val reduced model) >10.83 μονάδες (0.001 επίπεδο εμπιστοσύνης). Εκτος από το LRT κάθε covariate ελέγχεται για εξής: Έχει μία λογική φυσική σημασία; Το αντίστοιχο random effect (IIV) ελαττώνεται; δηλαδή ερμηνεύεται από τον covariate ένα τμήμα της στοχαστικής μεταβλητότητας; Έχει κλινικά σημαντική επίδραση εντός του εύρους των τιμών του covariate; π.χ. CCCC mmmmmm cccccc CCCC mmiiii cccccc CCCC mmmmmm cccccc 100 > 10% Προσέχουμε δευτερογενείς συσχετίσεις π.χ το βάρος σχετίζεται με το ύψος ή την επιφάνεια σώματος, άρα προσέχουμε πως θα μπουν και τα. 41

42 Wald test Στρατηγικές εντοπισμού covariates (full model estimation) Αποτελεί προσέγγιση του LRT και υπολογίζεται από το full model μέσω των standard errors των παραμέτρων που αφορούν τους covariates. Αναφέρει P values για το αν η παράμετρος του κάθε covariate είναι σημαντικά διαφορετική από το 0. Είναι εύχρηστο και γρήγορο (αν δουλέψει) άλλα δεν είναι πάντα ευκολο να γίνει αξιοόπιστα εκτίμηση των παραμέτρων του full model και με standard errors. Άλλες μέθοδοι Π.χ. LASSO (least absolute shrinkage and selection operator) Μια μέθοδος παλινδρόμησης που εισάγοντας κατάλληλο constrain, κάποιες από τις εκτιμώμενες παραμέτρους μηδενίζονται, οπότε ξεκινώντας από ένα full model, μπορεί να καταλήξει σε ένα reduced model κρατώντας μόνο τις παραμέτρους που δεν μηδενίζονται. 4

43 Internal Validation Η εσωτερική επικύρωση του μοντέλου είναι να διαπιστώσουμε ότι το μοντέλο περιγράφει ικανοποιητικά τα δεδομένα από τα οποία προήλθε Η εξωτερική είναι να περιγράφει ικανοποιητικά νέα δεδομένα που δεν χρησιμοποιήθηκαν για την ανάπτυξή του. Numerical Predictive Check Visual Predictive Check Bootstrapping 43

44 Numerical Predictive Check Προσομοίωση δεδομένων και υπολογισμός των prediction intervals και επιπρόσθετα confidence internals γύρω από αυτά και σύγκρισή τους με αντίστοιχα δεδομένα Prediction intervals: Προβλέψεις του μοντέλου λαμβάνοντας υπ οψιν την μεταβλητότητα (random effects) Confidence intervals: Προβλέψεις του μοντέλου λαμβάνοντας υπ οψιν την αβεβαιότητα 44

45 Visual Predictive Check (VPC) Προσομοίωση πολλαπλών (1000) σετ δεδομένων ίδιας δομής με τον αρχικό. Αριθμός ασθενών, δόσεις, Χρόνοι, covariates κλπ. Κάθε σετ προσομοιώνεται με όλα τα random effects με τυχαίες τιμές από τις πληθυσμιακές κατανομές (προστίθεται και to residual variability) Οι προσομοιώσεις συγκρίνονται με τα δεδομένα ως εξής: Υπολογίζονται για κάθε χρονική στιγμή 3 percentiles (5,50,95%) των δεδομένων αλλά και των προσομοιώσεων (PI) Υπολογίζονται για κάθε χρονική στιγμή τα 95% διαστήματα εμπιστοσύνης των percentiles των προσομοιώσεων. Ελέγχεται αν τα percentiles των δεδομένων βρίσκονται εντός των ΔΕ των αντιστοίχων percentiles των προσομοιώσεων.

46 Binning Τα VPC απεικονίζουν τα PI του μοντέλου μαζί με τα δεδομένα συναρτήσει μιας ανεξάρτητης μεταβλητής, συνήθως του χρόνου. Όμως η ανεξάρτητη μεταβλητή μπορεί να είναι άλλη (πχ δόση). Στα VPC τόσο ως προς χρόνο (ή ως προς άλλη μεταβλητή), οι τιμές του χρόνου μπορεί να είναι σκόρπιες και όχι κοινές για όλους τους ασθενείς. Για να μπορούν να υπολογιστούν τα percentiles κάνουμε ομαδοποίηση των τιμών binning 46

47 Stratification Μία δεύτερη ανεξάρτητη μεταβλητή την απεικονίζουμε με πολλαπλά VPC, που χωρίζουν στρωματοποιημένα τα δεδομένα μας Επίσης η επίδραση ενός covariate (ανεξ. μεταβλ.) αν είναι μεγάλη μπορεί να καθιστά τα δεδομένα μας μη συγκρίσιμα οπότε είναι λάθος να τα ομαδοποιήσουμε όλα μαζί και πρέπει να τα χωρίσουμε σε υποομάδες 47

48 Prediction corrected VPC Εκτός από το stratification μια άλλη μέθοδος για να λάβουμε υπ' όψιν σε ένα διάγραμμα, ένα covariate μεγάλη επίδραση (πχ δόση) ή γενικότερα όταν έχουμε πολύ ετερογενή δεδομένα είναι να κανονικοποιησουμε και τα PRED και τα OBS με το median των PRED σε κάθε bin 48

49 Bootstrap Γενικά η μέθοδος bootstrap αναφέρεται σε δημιουργία νέων dataset με τυχαία επαναδειγματοληψία από το αρχικό dataset. Δημιουργούμε μεγάλο αριθμό (1000) νέων δεδομένων ίδιας δομής με το αρχικό dataset, που το κάθε ένα περιλαμβάνει τα δεδομένα τυχαίων ασθενών, ίδιου αριθμού ασθενών με το αρχικό dataset. original bootstrap bootstrap bootstrap bootstrap bootstrap bootstrap dataset #1 # #3 #4 #5 # Εκτιμούμε τις παραμέτρους για κάθε dataset, οι οποίες είναι διαφορετικές κάθε φορά και υπολογίζουμε: Τα SD, που έχουν τη σημασία standard errors (SE), 95% CI κλπ Είναι εναλλακτικός τρόπος υπολογισμού των SE Δείχνει το robustness του μοντέλου 49

50 Empirical Bayes Estimates (EBE) posterior # prior πυκν. πιθαν. Θεώρημα του Bayes Το γινόμενο της prior κατανομής και της πιθανοφάνειας των δεδομένων κανονικοποιημένο, δίνει την posterior κατανομή prior posterior # data likelihood data likelihood # παράμετρος P(θ X)= p(θ) L(X θ) p(θ)l(x θ)dθ Διαδοχική εφαρμογή του θεωρήματος Bayes

51 Μπαεσιανή εξατομίκευση πληθυσμιακές τιμές παραμέτρων (prior) ατομικές μετρήσεις ατομικές τιμές παραμέτρων Εκτίμηση των ατομικών παραμέτρων των ασθενών Απαραίτητο σε κάποιες προσεγγίσεις του Likelihood function Χρήσιμο για covariate screening Χρήσιμο σε διαγνωστικά γραφήματα Εξατομίκευση της δόσης στην κλινική

52 = Ω Ω = p k k k k k e P 1 ) ( 1 ) ( θ ξ π ξ = = n t f C e C L 1 )), ( ( 1 ), ( σ ξ πσ σ ξ Prior: Γινόμενο κανονικών κατανομών. Ένας όρος για κάθε παράμετρο Likelihood: Γινόμενο κανονικών κατανομών. Ένας όρος για κάθε πειραματικό σημείο

53 ( ) ( ) = = + Ω = n p k k k k t f C F 1 1 / ), ( / ) ) ( σ ξ ξ θ ξ Ω = = = Ω n t f C p k k posterior k k k e e L 1 )), ( ( 1 ) ( 1 1 σ ξ θ ξ πσ π prior likelihood Παίρνουμε το -log(l posterior ) prior likelihood Θεώρημα Bayes

54 Πώς γίνεται η Μπαεσιανή εξατομίκευση Στα πλαίσια της εκτίμησης των ΦΚ παραμέτρων με την μέθοδο της μέγιστης πιθανοφάνειας, μπορούμε να δείξουμε ότι: Οι εξατομικευμένες τιμές των παραμέτρων ξ, γνωρίζοντας τις πληθυσμιακές τιμές θ, Ω και σ, εκτιμώνται ελαχιστοποιώντας την αντικειμενική συνάρτηση: p n ( θk ξk )) / Ωk + ( C f ( ξ, t )) F( ξ ) = / σ k = 1 = 1 απόσταση των παραμέτρων από τις πληθυσμιακές τιμές απόσταση του μοντέλου από τα δεδομένα Όταν η παράμετρος ξ απομακρίνεται από την πλυθ. τιμή θ το F μεγαλώνει, τιμωρείται (penalty function)

55 Population parameter estimates Individual parameter estimates id Tlag ka V Cl

56 Διαγνωστικά γραφήματα με EBE Population OBS vs PRED Individual 56

57 Population Individual RES vs time RES vs PRED 57

58 covariate screening με EBE 58

59 Shrinkage Eta-shrinkage 59

60 Επίδρασή του η-shrinkage στο covariate screening 60

61 Epsilon-shrinkage Perfect fit phenomenon 61

62 Επισκόπηση της διαδικασίας ανάπτυξης πληθυσμιακού μοντέλου o Κατασκευή σετ δεδομένων o Ανάπτυξη Base model Exploratory analysis δομικό μοντέλο μοντέλο σφάλματος Διατομική μεταβλητότητα IIV (αρχικά χωρίς συσχετίσεις) Inter-occasion variability IOV (αν χρειάζεται) Έλεγχος συσχετίσεων στην IIV Εισαγωγή συσχετίσεων στην IIV Επικύρωση Base model o Ανάπτυξη covariate model Έλεγχος συσχετίσεων ETA με covariate o Εισαγωγή covariate στο μοντέλο Αξιολόγηση covariate (στατιστική, φυσική, κλινική) o Επανάληψη για άλλον covariate Πιθανή επανεξέταση του IIV o Επικύρωση τελικού μοντέλου Έλεγχος GOF, SE, shrinkage, φυσική σημασία estimates Όλα τα παραπάνω + Επικύρωση με VPC, bootstrap 6

63 Software - αλγόριθμοι Η likelihood function στα Nonlinear Mixed effect models δεν εκφράζεται αναλυτικά Τα διάφορα λογισμικά υλοποιούν είτε αριθμητικές προσεγγίσεις, είτε γραμμικοποίηση που επιτρέπει αναλυτική έκφραση NONMEM, (Icon plc, αρχικά UCSF από το 1980) Δύσχρηστο πρόγραμμα σε FORTRAN με τη λογική του configuration file Αρχικά FO method (γραμμικοποίηση), αργότερα FOCE, τώρα πλέον σχεδόν όλες τις διαθέσιμες μεθόδους, όπως Expectation Maximization, MCMC. Monolix, (Lixoft) μοντέρνο user interface Stochastic Approximation Expectation Maximization method (SAEM) Phoenix, Certara, μοντέρνο user interface FOCE και Expectation Maximization Stan, (Stan Development Team) configuration file, αντικατέστησε το BUGS/WinBUGS Bayesian MCMC method 63