Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)2
Sommario
Modelli a singolo soggetto
Modelli di popolazione
Naïve pooling
Stime basate sul singolo soggetto
Modelli a effetti misti
Linearizzazione del modello
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)3
Perché la farmacocinetica
farmaco dosaggio
Efficacia / tossicità
Concentrazione nel corpo
Simulazione
Informazioni sul dosaggio
Personalizzazione della terapia
Riduzione dei costi
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)4
Modelli compartimentali in farmacocinetica
Modello
PK
Concen-
trazione
Modello
PD
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)5
Modelli a singolo soggetto
Modello di stato( ) ( , , , )( ) ( , , , )~ ( , , )
t tt t
t
= = +
x g x a βy d x a β εε d a
&
D
Modello esplicito
( ) ( , , )~ ( , , )t t
t= +y f a β ε
ε f aD
β̂
( )k kt=y y 1, ,k N= L
Identificabilità a priori
Identificabilità a posteriori
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)6
Stima parametrica di massima verosimiglianza
ˆ( , , )var( )
k k kt= −Σ =e y f a β
e
10.5( )1(2 ) det( )
T
pe
π
−− ΣΛ =Σ
e e ˆ arg maxMV = Λβ
β
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)7
Stima parametrica ai minimi quadrati
1
2 1TW L SO −
−Σ
= = Σe e e
1 ln(det( ))TELSO −= Σ + Σe e ˆ arg minO O=
ββ
1
~ ( , )ˆ ˆ( ) ( ) ln(det( ))T
LS Bayesian LS
R
O O R R−+ = + − − +
β µ
β µ β µ
N
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)8
Esempio 1 : Studio di glucosio
Esperimento :n misure di concentrazione di glucosio plasmatico prese da m pazienti diabetici selezionaticasualmente da una popolazione di pazienti in una clinica
Obiettivo :Stimare il livello medio di glucosio per la popolazione di pazienti della clinica
Considerazioni :
Più misure di concentrazione per paziente
•Misure provenienti dallo stesso paziente sono più ‘simili’ di quelle da pazienti diversi•Misure dallo stesso paziente sono correlate•Mediare le misure può non portare alla stima migliore
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)9
Esempio 2 : Studio multicentro
Esperimento :•In 9 centri, 4 dosaggi differenti per i pazienti•All’interno di ogni centro, pazienti divisi in 3 blocchi di 4, un soggetto per tipo di dosaggio: 12 soggetti per centro•Per ogni soggetto n campioni di concentrazione plasmatica del farmaco
Obiettivo :Valutare la differenza della concentrazione plasmatica con dosaggi differenti
Considerazioni :
•Si vorrebbe che i risultati fossero rilevanti per l’intera popolazione di pazienti considerate,•indipendentemente dal blocco e dal centro•Misure dallo stesso blocco potrebbero essere correlate•Ci potrebbe essere una interazione fra centro e concentrazione
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)10
Limiti del modello a singolo individuo
Distribuzioni a priori
Variabilità intra-individuale (ritmi circadiani, fluttuazioni…)
Variabilità inter-individuale
Variabili antropometriche, demografiche, terapeutiche
Condizioni patofisiologiche
Presenza di sottopopolazioni significative
Numerosità delle misure
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)11
Dall’individuo a gruppi di individui
I meccanismi fisiologici sono uguali all’interno di una specie
Esistono gruppi che presentano delle omogeneità
Molte cause di etereogeneità sono modellabili
Italiani
Ipertesi Diabetici
Tennisti
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)12
Modelli di popolazione
I modelli di popolazione devono servire a:
Studiare le sorgenti della variabilità nella popolazione
Studiare le variabili correlate a tale variabilità
Quantificare le componenti inspiegate
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)13
Naïve Pooling (1)
Tutti i dati sono considerati come un campione di numerosità N
I dati sono trattati come un unico individuo
Dati sbilanciati possono polarizzare le stime
Non è possibile distinguere tra variabilità inter- ed intra- individuale
Non è possibile valutare (e sfruttare) informazioni soggetto-specifiche
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)15
Stima basata sul singolo soggetto
Situazioni di dati ricchi
~ (0, )i iRe N ~ ( , )i Dβ βN
?ˆ ˆ,i iRβ , Dβ
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)16
Metodo Two-Stage
Distribuzione campionaria
~ ( , )i i i
i
AD
= +β β bb 0N
ˆ | ~ ( , )i iCβ β βN 1
1
1ˆ ˆ
1 ˆ ˆ ˆ ˆˆ ( ) ( )
M
ii
MT
i i i ii
M
D A AM
=
=
=
= − −
∑
∑
β β
β β β β
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)17
Metodo Iterative Two Stage (1)
Sono stimate la media di popolazione β e la
covarianza DStima individuale
Vengono inseriti i parametri di popolazione come informazione a priori
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)18
Metodo Iterative Two Stage (2)
2
, ,
ˆ arg min
[ ]
i
ii k i j
OF
LJ E
=
∂=
∂ ∂
ββ
β β
1
1
1 1 1
1 1
1ˆ ˆ
1 1ˆ ˆ ˆ ˆˆ ( ) ( )
Mn n
ii
M Mn n n T n n n
i i i i ii i
M
D A A JM M
+
=
+ + +
= =
=
= − − +
∑
∑ ∑
β β
β β β β
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)19
Stima di popolazione ‘pura’
Situazione di dati sparsi
Tutti i soggetti ed i dati entrano nello stimatorecontemporaneamente
I dati relativi ad ogni soggetto gli sono specifici
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)20
Modelli gerarchici a effetti misti (mixed effects)
Due livelli di variabilità
f(t,β) = D e-kt/V k e V ∈ D (β, ω)
y = f(t,β,ω) + e
intra-individualee ∈ D (0, R)
inter-individuale
y = f(t,β,ω)
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)21
Livello 1 : intra-individuale
Per l’individuo i-esimo, la risposta j-esima
( , )ij ij i ijy f e= +x β
( )i i i i= +y f β e
| ~ ( , ( , ))i i i iRe β 0 β ξN
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)22
Livello 2 : inter-individuale
( , , )i i i=β d x β b ~ ( , )ib 0 DD
effetti stocastici effetti fissi
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)23
Stima parametrica
β
R
ib
Dyi = f(ti, xi, βi) + ei, ei∼N(0, Ri(xi, βi,ξ))
βi = d(β, xi, bi), bi∼N(0, D)
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)24
Verosimiglianza (1)
Dati ni campioni per l’individuo i-esimo
10.5( ( , )) ( ( , ))/ 2 1/ 21( | , , , )
(2 ) | |T
i i i
i
Ri i i i n
i
l eRπ
−− − −= y f β y f βy x β ξ b K K
10.5/ 2 1/ 21( | )
(2 ) | |Ti i
i
Di nl D e
Dπ−−= b bb
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)25
Verosimiglianza (2)
Prendiamo la verosimiglianza marginaleIntegrando rispetto agli effetti stocastici
( | , , , ) ( | )i i i i il l D d+∞
−∞Λ = ∫ y x β ξ b b b
1
M
ii
OF=
= Λ∏
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)26
Perchè non la verosimiglianza congiunta?
bi come parametri stima simultanea di β e bi
[1]
, ( , , )~ (0,1)~ (0, )
kt
i k i k i i i i
i
i
y f t b e b eeb d
β β=
= + = + +
NN
Es:Modello monocompartimentaleM individuiUn campione t=1
Se d<3 la probabiltà che esista una soluzionedecresce al crescere di M
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)27
Formula di Laplace
ˆ( ) / 2 ( )
2
2
ˆ(2 ) det( ( ))
ˆ arg min ( )
( )( )
h n hL e d H e
h
hH
π+∞
− −
−∞
=
=
∂=
∂
∫ b b
b
b b
b b
bbb
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)28
Metodo Laplaciano
2 ( ) 2 ln[ ( | , , , ) ( | )]i i i i i i i ih l l D−b y x β ξ b b
( , , , ) ( , , , )/ 2 ˆ(2 ) det( ( , , , ))i i i i i ih hn Li i i i ie d H eπ
+∞
−∞Λ = Λ∫ x β ξ b x β ξ bb x β ξ b
1
lnM
L Li
i
L=
= − Λ∑
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)29
Metodo First Order Conditional (FOCE)
( , , ) 0i iR∂=
∂x β b
bHyp 1 :
1 1[ ( , )]T
y i ii i
E H D R− −∂ ∂= +
∂ ∂F Fβ bb b
*
*
( , , )
( )( , )i i i
ii
i =
∂=
∂ β d x β b
f βF β bβ
ˆ[ ( , )] ( , , )Ei y i i iH E H H iβ b x β b
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)30
Metodo First Order (FO)
( , , )i iF k∂=
∂x β b
bHyp 2 :
[ ( , )] ( , , )Ei y i iH E H H iβ b x β 0
f deve essere lineare rispetto agli effetti stocastici in un intorno della media
Assunzione di poter confondere gli effetti stocastici con la loro media
La media marginale E[yi] non considera la variabilità inter-individuale
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)31
Linearizzazione (1)
Serie di Taylor negli effetti stocastici
Intorno ad un punto b*
Due termini per l’espansione della funzione di modelloUn termine per la varianza dell’errore intr-individuale
*( , )i iZ β b *ie
** * * * 1/ 2 *( ( , , )) ( , ) ( , )( ) ( , , )
ii i i i i i i i i iR ε≈ + − +by f d x β b F β b ∆ β b b b β ξ b
*
*
( , , )
( )( , )i i i
ii
i =
∂=
∂ β d x β b
f βF β bβ *
*
* ( , , )( , )i
i i
i ii
i =
∂=
∂bb b
d x β b∆ β bb
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)32
Linearizzazione (2)
** * * * 1/ 2 *( ( , , )) ( , ) ( , )( ) ( , , )
ii i i i i i i i i iR ε≈ + − +by f d x β b F β b ∆ β b b b β ξ b
*
*
( , , )
( )( , )i i i
ii
i =
∂=
∂ β d x β b
f βF β bβ *
*
* ( , , )( , )i
i i
i ii
i =
∂=
∂bb b
d x β b∆ β bb
*( , )i iZ β b *ie
* *[ ] ( ( , , )) ( , )i i i i i iE Z−y f d x β b β b b* * * * *( ) ( ( , , ), , ) ( , ) ( , ) ( , , , )T
i i i i i i i i i i i iCov R Z DZ V+ =y d x β b ξ b β b β b β b x ξ
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)33
Equivalenza con la formula di Laplace
12 ln ln(2 ) ln(det( )) ( [ ]) ( [ ])m Ti i i i i i i iN V E V Eπ −− Λ = − + − −y y y y
2ln ln(2 ) ln(det( )) 2Li i in H hπ− Λ = − − +
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)34
Risposte medie?
[ ( , )] ( , )i i iE f f≠x β x β
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)36
Vantaggi di un approccio di popolazione
Dati sparsi
Molti soggetti
Studio di correlazioni
Identificazioni di covariate e sotto-popolazioni significative
Quantificazione della variabilità intra-individuale
Quantificazione della variabilità inter-individuale
Ing. Enrico Grisan – D.E.I. – Univ. Padova (Italy)37
Modelli di popolazione in immagini parametriche