DN-ODE:数据驱动的神经ODE建模用于乳腺癌瘤动态和无进展生存率

科学领域:

• 在瘤学瘤学.
• 制药指标 (Pharmacometrics) 是一个指标.
• 计算生物学 计算生物学

背景情况:

• 传统的基于人群的药理动力学/药理动力学 (PK/PD) 模型在药物开发中与个体患者的变异性作斗争.
• 临床试验中现有的神经常规微分方程 (ODE) 应用往往是理论性的,或专注于独立的PK/PD建模.
• 模拟复杂的,不规则的临床试验数据,用于个体药理动力学,特别是关于PK相互作用,仍然是一个挑战.

研究的目的:

• 开发和验证一个新的数据驱动的神经普通微分方程 (DN-ODE) 模型,用于个性化乳腺癌药理动力学.
• 为了利用有限的早期临床试验数据来进行强大的个人患者建模.
• 预测乳腺癌患者的瘤动态和无进展生存率.

主要方法:

• 引入数据驱动的神经普通微分方程 (DN-ODE) 模型,以适应乳腺癌瘤动态和无进展生存率.
• 将DN-ODE模型应用于早期临床试验数据 (Amcenestrant数据集:AMEERA 1-2),以预测后期期的结果 (AMEERA 3).
• 利用主要组件分析 (PCA) 可视化来解释模型编码器结果并评估个体患者数据分布.

主要成果:

• DN-ODE模型实现了高准确性,瘤大小的根平均平方误差 (RMSE) 评分为8.78,无进展生存率为0.21.
• 通过超过0.9的R平方得分证实了优秀的模型性能,无论是瘤大小还是无进展生存预测.
• 与传统的PK/PD方法相比,DN-ODE模型在预测强大的个体瘤动态方面表现出卓越的能力,即使数据有限.

结论:

• DN-ODE模型为乳腺癌药物开发中的个性化药学动力学建模提供了一种强大的方法.
• 这种方法可以使用稀疏的临床数据准确预测个体患者的反应和瘤进展.
• DN-ODE有助于加强药物疗效评估,识别潜在的响应者,并优化临床试验设计.