非线性混合效应 NLME模型对抗哮喘药物茶碱动力学研究

相关视频

拓端

，赞14

拓端

，赞21

拓端

，赞7

拓端

，赞17

数据的个体差异

我们还可以在 12 个单独的图上绘制 12 个单独的浓度分布图，

pl + geom_line() + facet_wrap(~id)

这12个人的模式是相似的：浓度首先在吸收阶段增加，然后在消除阶段减少。然而，我们清楚地看到这些曲线之间的一些差异，这不仅仅是由于残差造成的。我们看到病人吸收和消除药物的速度或多或少。

一方面，每个单独的特征将通过_非线性_ 药代动力学 (PK) 模型正确描述 。

另一方面，人口方法和混合效应模型的使用将使我们能够考虑这种 个体间的变异性。

将非线性模型拟合到单个患者

让我们考虑本研究的第一个主题（id=1）

the.dat.dta$id==1 ,c("tme)]

plot(data=teo1

我们可能想为这个数据拟合一个 PK 模型

其中 (yj,1≤j≤n) 是该受试者的 nn PK 测量值，f 是 PK 模型，ψ是该受试者的 PK 参数向量， (ej,1≤ j≤n)是残差。

对该数据写入具有一阶吸收和线性消除的单室模型

其中 ψ=(ka,V,ke) 是模型的 PK 参数，D 是给予患者的药物量（此处，D=320mg）。

让我们计算定义为 ψ 的最小二乘估计

我们首先需要实现PK模型：

pk.od