应用神经ODEs来推导一种基于机制的模型,用于表征早产新生儿与成熟相关的血清肌激素动态
Dominic Stefan Bräm1, Gilbert Koch1, Karel Allegaert2,3,4
1Pediatric Pharmacology and Pharmacometrics, University Children's Hospital Basel (UKBB), University of Basel, Basel, Switzerland.
Journal of clinical pharmacology
|May 16, 2024
概括
使用神经普通微分方程 (NODEs) 的机器学习模型现在可以自动模拟新生儿的复杂血清肌氨酸动态. 这种方法将数据驱动的发现转化为可解释的药量测量 (PMX) 模型,用于临床使用.
科学领域:
- 新生儿生理学 新生儿生理学
- 药学指标 (Pharmacometrics) 是一个指标.
- 机器学习 机器学习
背景情况:
- 新生儿的血清肌素水平表现出复杂的成熟动态,挑战了传统的建模方法.
- 开发基于机制的药量计 (PMX) 模型需要专门的专业知识和大量的时间投资.
- 现有的机器学习 (ML) 方法,如神经普通微分方程 (NODE),可以有效地建模新生儿数据,但缺乏临床解释性.
研究的目的:
- 开发一种方法,将高效的数据驱动的ML模型转化为可解释的PMX型模型,用于新生儿血清肌.
- 创建一个临床相关的PMX模型用于新生儿血清肌激素动态,包括成熟和共变量.
- 将NODE衍生PMX模型与现有的基于机制的模型和观察到的数据进行验证.
主要方法:
- 应用了一种新的方法,将一个低维的NODE ML模型转换为可解释的PMX模型.
- 开发了新生儿血清肌素的PMX模型,考虑到成熟和妊娠年龄和出生体重等共变量.
- 将NODE衍生PMX模型与之前建立的基于机制的PMX模型进行比较.
主要成果:
- 基于NODE的ML方法成功生成了新生儿血清肌氨酸的可解释的PMX模型.
- 使用开发的模型进行的模拟产生了与观察数据和先前文献相一致的参考血清肌氨酸值.
- 该NODE衍生模型显示了与传统PMX模型相似的机械结构.
结论:
- 基于NODE的ML方法提供了一个可行的方法来建模复杂的新生儿药理动力学,特别是血清肌素动力学.
- 这种方法有助于从高效的数据驱动的ML技术中导出可解释的,临床相关的模型.
- 该方法对推进儿科药物开发和临床建模实践充满希望.
