苯巴比妥在新生儿体内的群体药代动力学建模gydF4y2Ba

这个例子使用了:gydF4y2Ba

这个例子展示了如何从临床药代动力学数据建立一个简单的非线性混合效应模型。gydF4y2Ba

收集了59名早产儿的数据，这些早产儿在出生后16天内服用苯巴比妥预防癫痫发作。每个个体接受初始剂量，然后静脉注射一次或多次持续剂量。作为常规监测的一部分，在剂量时间以外的时间对每个个体总共进行了1到6次浓度测量，总共进行了155次测量。还记录了婴儿体重和APGAR评分(新生儿健康的衡量标准)。gydF4y2Ba

本例使用了[1]中描述的数据，该研究由NIH/NIBIB拨款P41-EB01975资助。gydF4y2Ba

这个例子需要统计和机器学习工具箱™。gydF4y2Ba

加载数据gydF4y2Ba

这些数据是从网站上下载的gydF4y2Bahttp://depts.washington.edu/rfpk/gydF4y2Ba(不再活跃)作为文本文件的人口药代动力学资源设施，并保存为一个数据集数组，以方便使用。gydF4y2Ba

负载gydF4y2Bapheno.matgydF4y2BadsgydF4y2Ba

在网格图中可视化数据gydF4y2Ba

T = sbiotrellis(ds，gydF4y2Ba“ID”gydF4y2Ba，gydF4y2Ba“时间”gydF4y2Ba，gydF4y2Ba“浓缩的”gydF4y2Ba，gydF4y2Ba“标记”gydF4y2Ba，gydF4y2Ba“o”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“markerfacecolor”gydF4y2Ba,(。7 .7 .7]，gydF4y2Ba“markeredgecolor”gydF4y2Ba，gydF4y2Ba“r”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“线型”gydF4y2Ba，gydF4y2Ba“没有”gydF4y2Ba）;gydF4y2Ba设置图形格式。gydF4y2Bat.plottitle =gydF4y2Ba“国家与时间”gydF4y2Ba；gydF4y2Ba

t.updateFigureForPrinting ();gydF4y2Ba

描述数据gydF4y2Ba

为了在此数据集上执行非线性混合效果建模，我们需要将数据转换为agydF4y2BagroupedDatagydF4y2Ba对象，用于保存被划分为组的表格数据的容器。的gydF4y2BagroupedDatagydF4y2Ba构造函数自动识别通常使用变量名作为分组变量或独立(时间)变量。显示数据的属性并确认gydF4y2BaGroupVariableNamegydF4y2Ba而且gydF4y2BaIndependentVariableNamegydF4y2Ba被正确地识别为gydF4y2Ba“ID”gydF4y2Ba而且gydF4y2Ba“时间”gydF4y2Ba,分别。gydF4y2Ba

data = groupedData(ds);数据。属性gydF4y2Ba

ans =gydF4y2Ba带字段的结构:gydF4y2Ba描述:“UserData: [] DimensionNames:{'观察''变量'}VariableNames: {'ID' 'TIME' 'DOSE' 'WEIGHT' 'APGAR' 'CONC'} variabledescription: {} VariableUnits: {} variableccontinucontinuations: [] RowNames: {} CustomProperties: [1×1 matlab.tabular。CustomProperties] GroupVariableName: 'ID'独立变量:'时间'gydF4y2Ba

定义模型gydF4y2Ba

我们将拟合一个简单的单室模型，与大剂量给药和线性清除，数据。gydF4y2Ba

pkmd = PKModelDesign;pkmd.addCompartment (gydF4y2Ba“中央”gydF4y2Ba，gydF4y2Ba“DosingType”gydF4y2Ba，gydF4y2Ba“丸”gydF4y2Ba，gydF4y2Ba“EliminationType”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“Linear-Clearance”gydF4y2Ba，gydF4y2Ba“HasResponseVariable”gydF4y2Ba,真正的);模型= pkmd.construct;gydF4y2Ba模型物种|Drug_Central|对应数据变量|CONC|。gydF4y2BaresponseMap =gydF4y2Ba'Drug_Central = CONC'gydF4y2Ba；gydF4y2Ba

指定参数的初始估计gydF4y2Ba

模型拟合的参数为中央隔室的体积(gydF4y2Ba中央gydF4y2Ba)和清除率(gydF4y2BaCl_CentralgydF4y2Ba)．NLMEFIT计算每个参数的固定和随机效应。底层算法假设参数是正态分布的。这一假设可能不适用于被限制为正的生物学参数，如体积和清除率。我们需要为估计的参数指定一个转换，以便转换后的参数遵循正态分布。默认情况下，SimBiology®为所有估计参数选择一个日志转换。因此，模型为:gydF4y2Ba

而且gydF4y2Ba

在哪里gydF4y2Ba $θgydF4y2Ba$ ，gydF4y2Ba $egydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba$ ,gydF4y2Ba $ϕgydF4y2Ba$ 是否分别计算了每组的固定效应、随机效应和估计参数值gydF4y2Ba $我gydF4y2Ba$ ．在缺乏更好的经验数据的情况下，我们对V和Cl提供了一些任意的初始估计。gydF4y2Ba

estimatedParams = estimatedInfo({gydF4y2Ba“日志(中央)”gydF4y2Ba，gydF4y2Ba“日志(Cl_Central)”gydF4y2Ba}，gydF4y2Ba.．.gydF4y2Ba“InitialValue”gydF4y2Ba， [11 1]);gydF4y2Ba

从数据中提取给药信息gydF4y2Ba

创建一个针对物种的样本剂量gydF4y2BaDrug_CentralgydF4y2Ba并使用gydF4y2BacreateDosesgydF4y2Ba方法根据变量中列出的剂量为每个婴儿生成剂量gydF4y2Ba剂量gydF4y2Ba．gydF4y2Ba

sampleDose = sbiodose(gydF4y2Ba“样本”gydF4y2Ba，gydF4y2Ba“TargetName”gydF4y2Ba，gydF4y2Ba“Drug_Central”gydF4y2Ba）;dose = createdose(数据，gydF4y2Ba“剂量”gydF4y2Ba，gydF4y2Ba”gydF4y2Ba, sampleDose);gydF4y2Ba

模型拟合gydF4y2Ba

稍微放宽公差，以加快配合。gydF4y2Ba

fitOptions。选项= statset(gydF4y2Ba“TolFun”gydF4y2Ba1 e - 3,gydF4y2Ba“TolX”gydF4y2Ba1 e - 3);[nlmeResults, simI, simP] = sbiofitmixed(模型，数据，responseMap，gydF4y2Ba.．.gydF4y2BaestimatedParams,剂量,gydF4y2Ba“nlmefit”gydF4y2Ba, fitOptions);gydF4y2Ba

用数据可视化拟合模型gydF4y2Ba

将拟合的模拟结果叠加在已经显示在网格图上的观测数据之上。对于总体结果，使用估计的固定效应作为参数值进行模拟。对于个别结果，使用固定效应和随机效应之和作为参数值进行模拟。gydF4y2Ba

t.plot([],笨人gydF4y2Ba”gydF4y2Ba，gydF4y2Ba“Drug_Central”gydF4y2Ba）;t.plot(思米,[],gydF4y2Ba”gydF4y2Ba，gydF4y2Ba“Drug_Central”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“传奇”gydF4y2Ba, {gydF4y2Ba“观察”gydF4y2Ba，gydF4y2Ba“Fit-Pop”。gydF4y2Ba，gydF4y2Ba“Fit-Indiv”。gydF4y2Ba})；gydF4y2Ba

检验拟合参数和协方差gydF4y2Ba

disp (gydF4y2Ba“初步结果摘要”gydF4y2Ba）;gydF4y2Ba

初步成果总结gydF4y2Ba

disp (gydF4y2Ba无随机效应的参数估计gydF4y2Ba）;gydF4y2Ba

无随机效应的参数估计:gydF4y2Ba

: disp (nlmeResults.PopulationParameterEstimates (1:2));gydF4y2Ba

组名估计  _____ ______________ ________ 1 1.4086{“中央”}{‘Cl_Central} 0.006137gydF4y2Ba

disp (gydF4y2Ba“估计的固定影响:”gydF4y2Ba）;gydF4y2Ba

估计的固定影响:gydF4y2Ba

disp (nlmeResults.FixedEffects);gydF4y2Ba

估计StandardError名称描述  __________ ______________ ________ _____________ {' θ₁’}{“中央”}0.34257 - 0.061246{“θ”}{‘Cl_Central} -5.0934 - 0.079501gydF4y2Ba

disp (gydF4y2Ba随机效应估计协方差矩阵:gydF4y2Ba）;gydF4y2Ba

随机效应估计协方差矩阵:gydF4y2Ba

disp (nlmeResults.RandomEffectCovarianceMatrix);gydF4y2Ba

Eta1 eta2 _______ _______ Eta1 0.20323 0 eta2 0 0.19338gydF4y2Ba

生成估计参数的箱形图gydF4y2Ba

本例使用MATLAB®绘图命令来可视化结果。当通过SimBiology®桌面界面执行参数匹配时，几个常用的绘图也可作为内置选项。gydF4y2Ba

创建计算随机效果的箱形图。gydF4y2Ba箱线图(nlmeResults);gydF4y2Ba

生成一个随时间变化的残差图gydF4y2Ba

的观测数据向量也包括时间点的NaNgydF4y2Ba%给予的剂量。我们需要移除这些NaN以便绘图gydF4y2Ba%的剩余时间。gydF4y2BatimeVec = data.(data. properties . independentvariablename);obsData = data.CONC;indicesToKeep = ~isnan(obsData);timeVec = timeVec(indicesToKeep);gydF4y2Ba从拟合结果中得到残差。gydF4y2BaindRes = nlmeResults.stats.ires(indicesToKeep);popRes = nlmeResults.stats.pres(indicesToKeep);gydF4y2Ba绘制残差。获取绘图句柄，以便能够添加更多数据gydF4y2Ba%以后给它。gydF4y2BaResplot =图形;情节(timeVec,里边的gydF4y2Ba' d 'gydF4y2Ba，gydF4y2Ba“MarkerFaceColor”gydF4y2Ba，gydF4y2Ba“b”gydF4y2Ba，gydF4y2Ba“markerEdgeColor”gydF4y2Ba，gydF4y2Ba“b”gydF4y2Ba）;持有gydF4y2Ba在gydF4y2Ba；情节(timeVec popRes,gydF4y2Ba' d 'gydF4y2Ba，gydF4y2Ba“MarkerFaceColor”gydF4y2Ba，gydF4y2Ba' w 'gydF4y2Ba，gydF4y2Ba“markerEdgeColor”gydF4y2Ba，gydF4y2Ba“b”gydF4y2Ba）;持有gydF4y2Ba从gydF4y2Ba；gydF4y2Ba创建表示零残差的参考线，并设置其gydF4y2Ba%属性从情节图例中省略这一行。gydF4y2BaRefl = refine (0,0);refl.Annotation.LegendInformation.IconDisplayStyle =gydF4y2Ba“关闭”gydF4y2Ba；gydF4y2Ba给地块贴上标签。gydF4y2Ba标题(gydF4y2Ba“剩余与时间”gydF4y2Ba）;包含(gydF4y2Ba“时间”gydF4y2Ba）;ylabel (gydF4y2Ba“残差”gydF4y2Ba）;传奇({gydF4y2Ba“个人”gydF4y2Ba，gydF4y2Ba“人口”gydF4y2Ba})；gydF4y2Ba

从数据集中提取组相关的协变量值gydF4y2Ba

得到每个组的每个协变量的平均值。gydF4y2Ba

covariateLabels = {gydF4y2Ba“重量”gydF4y2Ba，gydF4y2Ba“阿普加”gydF4y2Ba};covariables = grpstats(ds, data.Properties.GroupVariableName，gydF4y2Ba“的意思是”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“DataVars”gydF4y2Ba, covariateLabels);gydF4y2Ba

检查NLME参数拟合结果可能的协变量相关性gydF4y2Ba

获取每个组的参数值(经验贝叶斯估计)。gydF4y2BaparamValues = nlmeResults.IndividualParameterEstimates.Estimate;isCentral = strcmp(gydF4y2Ba“中央”gydF4y2Ba, nlmeResults.IndividualParameterEstimates.Name);isCl = strcmp(gydF4y2Ba“Cl_Central”gydF4y2Ba, nlmeResults.IndividualParameterEstimates.Name);gydF4y2Ba绘制每一组的参数值与协变量的关系。gydF4y2Ba图;次要情节(2 2 1);情节(covariates.mean_WEIGHT paramValues (isCentral),gydF4y2Ba“。”gydF4y2Ba）;ylabel (gydF4y2Ba“体积”gydF4y2Ba）;次要情节(2、2、3);情节(covariates.mean_WEIGHT paramValues (isCl),gydF4y2Ba“。”gydF4y2Ba）;ylabel (gydF4y2Ba“清除”gydF4y2Ba）;包含(gydF4y2Ba“重量”gydF4y2Ba）;次要情节(2,2,2);情节(协变量。mean_APGAR paramValues (isCentral),gydF4y2Ba“。”gydF4y2Ba）;次要情节(2、2、4);情节(协变量。mean_APGAR paramValues (isCl),gydF4y2Ba“。”gydF4y2Ba）;包含(gydF4y2Ba“阿普加”gydF4y2Ba）;gydF4y2Ba

创建一个CovariateModel来对协变量依赖进行建模gydF4y2Ba

根据这些图，体积与重量、间隙与重量以及体积与APGAR评分之间似乎存在相关性。我们选择通过建模这些协变量依赖中的两个来关注权重的影响:体积(“Central”)随权重变化，间隙(“Cl_Central”)随权重变化。我们的模型是:gydF4y2Ba

$lgydF4y2Ba ogydF4y2Ba ggydF4y2Ba （gydF4y2Ba {VgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba lgydF4y2Ba ogydF4y2Ba ggydF4y2Ba （gydF4y2Ba {ϕgydF4y2Ba}_{VgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba {θgydF4y2Ba}_{VgydF4y2Ba} +gydF4y2Ba {θgydF4y2Ba}_{VgydF4y2Ba /gydF4y2Ba wgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ggydF4y2Ba hgydF4y2Ba tgydF4y2Ba} ＊gydF4y2Ba wgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ggydF4y2Ba hgydF4y2Ba {tgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {ηgydF4y2Ba}_{VgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba}$

而且gydF4y2Ba

$lgydF4y2Ba ogydF4y2Ba ggydF4y2Ba （gydF4y2Ba CgydF4y2Ba {lgydF4y2Ba}_{我gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba lgydF4y2Ba ogydF4y2Ba ggydF4y2Ba （gydF4y2Ba {ϕgydF4y2Ba}_{CgydF4y2Ba lgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba} ）gydF4y2Ba ＝gydF4y2Ba {θgydF4y2Ba}_{CgydF4y2Ba lgydF4y2Ba} +gydF4y2Ba {θgydF4y2Ba}_{CgydF4y2Ba lgydF4y2Ba /gydF4y2Ba wgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ggydF4y2Ba hgydF4y2Ba tgydF4y2Ba} ＊gydF4y2Ba wgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ggydF4y2Ba hgydF4y2Ba {tgydF4y2Ba}_{我gydF4y2Ba} +gydF4y2Ba {ηgydF4y2Ba}_{CgydF4y2Ba lgydF4y2Ba ，gydF4y2Ba 我gydF4y2Ba}$

定义协变量模型。gydF4y2Bacovmodel = CovariateModel;covmodel。表达式= ({gydF4y2Ba'Central = exp(theta1 + theta2*WEIGHT + eta1)'gydF4y2Ba，gydF4y2Ba'Cl_Central = exp(theta3 + theta4*WEIGHT + eta2)'gydF4y2Ba})；gydF4y2Ba使用constructDefaultInitialEstimate创建一个initialEstimates结构体。gydF4y2BainitialEstimates = covmodel.constructDefaultFixedEffectValues;disp (gydF4y2Ba“固定效果说明:”gydF4y2Ba）;gydF4y2Ba

固定效果说明:gydF4y2Ba

disp (covmodel.FixedEffectDescription);gydF4y2Ba

{'Central'} {'Cl_Central'} {'Central/WEIGHT'} {'Cl_Central/WEIGHT'}gydF4y2Ba

使用拟合基本模型的估计值更新初始估计值。gydF4y2Ba

现。thet一个1 = nlmeResults.FixedEffects.Estimate(1); initialEstimates.theta3 = nlmeResults.FixedEffects.Estimate(2); covmodel.FixedEffectValues = initialEstimates;

模型拟合gydF4y2Ba

[nlmeResults_cov, simI_cov, simP_cov] = sbiofitmixed(model, data, responseMap，gydF4y2Ba.．.gydF4y2Bacovmodel,剂量,gydF4y2Ba“nlmefit”gydF4y2Ba, fitOptions);gydF4y2Ba

检验拟合参数和协方差gydF4y2Ba

disp (gydF4y2Ba“对协变量依赖关系建模时的结果总结”gydF4y2Ba）;gydF4y2Ba

对协变量相关性建模时的结果总结gydF4y2Ba

disp (gydF4y2Ba无随机效应的参数估计gydF4y2Ba）;gydF4y2Ba

无随机效应的参数估计:gydF4y2Ba

disp (nlmeResults_cov.PopulationParameterEstimates);gydF4y2Ba

集团名称估算_____ ______________ _________ 1 {'Central'} 1.2973 1 {'Cl_Central'} 0.0061576 2 {'Central'} 1.3682 2 {'Cl_Central'} 0.0065512 3 {'Central'} 1.3682 3 {'Cl_Central'} 0.0065512 4 {'Central'} 0.99431 4 {'Cl_Central'} 0.0045173 5 {'Central'} 1.2973 5 {'Cl_Central'} 0.0061576 6 {'Central'} 1.1664 6 {'Cl_Central'} 0.00544 7 {'Central'} 1.0486 7 {'Cl_Central'} 0.004806 8 {'Central'} 1.1664 8 {'Cl_Central'} 0.00544 9 {'Central'} 1.2973 9 {'Cl_Central'} 0.0061576 10{'Central'} 1.2973 10 {'Cl_Central'} 0.0061576 11 {'Central'} 1.1664 11 {'Cl_Central'} 0.00544 12 {'Central'} 1.2301 12 {'Cl_Central'} 0.0057877 13 {'Central'} 1.1059 13 {'Cl_Central'} 0.0051132 14 {'Central'} 1.1059 14 {'Cl_Central'} 0.0057877 15 {'Central'} 1.2301 15 {'Cl_Central'} 0.0057877 16 {'Central'} 1.1664 16 {'Cl_Central'} 0.00544 17 {'Central'} 1.1059 17 {'Cl_Central'} 0.005132 18 {'Central'} 1.0486 18 {'Cl_Central'} 1.0486 19 {'Cl_Central'} 1.0486 19 {'Cl_Central'} 1.0486 19 {'Cl_Central'} 1.0486 19 {'Cl_Central'} 1.0486 19 {'Cl_Central'} 0.00486 19 {'Cl_Central'} 0.00486 19 {'Cl_Central'} 0.00486 19} 'Cl_Central'} 0.00486 19} 'Cl_Central'} 0.00486 19} 'Cl_Central'} 0.00480620 {'Central' } 1.1664 20 {'Cl_Central'} 0.00544 21 {'Central' } 1.605 21 {'Cl_Central'} 0.0078894 22 {'Central' } 1.3682 22 {'Cl_Central'} 0.0065512 23 {'Central' } 3.2052 23 {'Cl_Central'} 0.017654 24 {'Central' } 3.3803 24 {'Cl_Central'} 0.018782 25 {'Central' } 0.89394 25 {'Cl_Central'} 0.0039908 26 {'Central' } 3.9653 26 {'Cl_Central'} 0.022619 27 {'Central' } 1.6927 27 {'Cl_Central'} 0.0083936 28 {'Central' } 3.3803 28 {'Cl_Central'} 0.018782 29 {'Central' } 1.0486 29 {'Cl_Central'} 0.004806 30 {'Central' } 1.605 30 {'Cl_Central'} 0.0078894 31 {'Central' } 1.2973 31 {'Cl_Central'} 0.0061576 32 {'Central' } 4.1819 32 {'Cl_Central'} 0.024064 33 {'Central' } 1.5218 33 {'Cl_Central'} 0.0074154 34 {'Central' } 1.5218 34 {'Cl_Central'} 0.0074154 35 {'Central' } 2.3292 35 {'Cl_Central'} 0.012173 36 {'Central' } 1.3682 36 {'Cl_Central'} 0.0065512 37 {'Central' } 1.1664 37 {'Cl_Central'} 0.00544 38 {'Central' } 1.2301 38 {'Cl_Central'} 0.0057877 39 {'Central' } 1.6927 39 {'Cl_Central'} 0.0083936 40 {'Central' } 1.1059 40 {'Cl_Central'} 0.0051132 41 {'Central' } 1.5218 41 {'Cl_Central'} 0.0074154 42 {'Central' } 2.7323 42 {'Cl_Central'} 0.014659 43 {'Central' } 0.99431 43 {'Cl_Central'} 0.0045173 44 {'Central' } 1.2973 44 {'Cl_Central'} 0.0061576 45 {'Central' } 0.94279 45 {'Cl_Central'} 0.0042459 46 {'Central' } 1.1059 46 {'Cl_Central'} 0.0051132 47 {'Central' } 2.4565 47 {'Cl_Central'} 0.012951 48 {'Central' } 0.89394 48 {'Cl_Central'} 0.0039908 49 {'Central' } 1.2301 49 {'Cl_Central'} 0.0057877 50 {'Central' } 1.1059 50 {'Cl_Central'} 0.0051132 51 {'Central' } 0.99431 51 {'Cl_Central'} 0.0045173 52 {'Central' } 0.99431 52 {'Cl_Central'} 0.0045173 53 {'Central' } 1.5218 53 {'Cl_Central'} 0.0074154 54 {'Central' } 1.605 54 {'Cl_Central'} 0.0078894 55 {'Central' } 1.1059 55 {'Cl_Central'} 0.0051132 56 {'Central' } 0.84763 56 {'Cl_Central'} 0.003751 57 {'Central' } 1.8827 57 {'Cl_Central'} 0.0095009 58 {'Central' } 1.2973 58 {'Cl_Central'} 0.0061576 59 {'Central' } 1.1059 59 {'Cl_Central'} 0.0051132

disp (gydF4y2Ba“估计的固定影响:”gydF4y2Ba）;gydF4y2Ba

估计的固定影响:gydF4y2Ba

disp (nlmeResults_cov.FixedEffects);gydF4y2Ba

估计StandardError名称描述  __________ _____________________ ________ _____________ {' θ₁’}{“中央”}-0.48453 - 0.067952{' 1 '}{‘Cl_Central} -5.9575 - 0.12199{“θ”}{“中央/重量”}0.53203 - 0.040788{‘theta4} {Cl_Central /重量的}0.61957 - 0.074264gydF4y2Ba

disp (gydF4y2Ba估计协方差矩阵:gydF4y2Ba）;gydF4y2Ba

估计协方差矩阵:gydF4y2Ba

disp (nlmeResults_cov.RandomEffectCovarianceMatrix);gydF4y2Ba

Eta1 eta2 ________ _______ Eta1 0.029793 0 eta2 0 0.04644gydF4y2Ba

用数据可视化拟合模型gydF4y2Ba

t.plot (simP_cov [],gydF4y2Ba”gydF4y2Ba，gydF4y2Ba“Drug_Central”gydF4y2Ba）;t.plot (simI_cov [],gydF4y2Ba”gydF4y2Ba，gydF4y2Ba“Drug_Central”gydF4y2Ba，gydF4y2Ba.．.gydF4y2Ba“传奇”gydF4y2Ba, {gydF4y2Ba“观察”gydF4y2Ba，gydF4y2Ba“Fit-Pop . .”gydF4y2Ba，gydF4y2Ba“Fit-Indiv”。gydF4y2Ba，gydF4y2Ba“x和。Fit-Pop。”gydF4y2Ba，gydF4y2Ba“x和。Fit-Indiv。”gydF4y2Ba})；gydF4y2Ba

将残差与没有协变量依赖的模型的残差进行比较gydF4y2Ba

下图显示，与原始拟合相比，协变量模型拟合中的总体残差更小。gydF4y2Ba

从拟合结果中得到残差。gydF4y2BaindRes = nlmeResults_cov.stats.ires(indicesToKeep);popRes = nlmeResults_cov.stats.pres(indicesToKeep);gydF4y2Ba返回原始残差图，并添加新的数据。gydF4y2Ba图(resplot);持有gydF4y2Ba在gydF4y2Ba；情节(timeVec,里边的gydF4y2Ba' d 'gydF4y2Ba，gydF4y2Ba“MarkerFaceColor”gydF4y2Ba，gydF4y2Ba“r”gydF4y2Ba，gydF4y2Ba“markerEdgeColor”gydF4y2Ba，gydF4y2Ba“r”gydF4y2Ba）;情节(timeVec popRes,gydF4y2Ba' d 'gydF4y2Ba，gydF4y2Ba“MarkerFaceColor”gydF4y2Ba，gydF4y2Ba' w 'gydF4y2Ba，gydF4y2Ba“markerEdgeColor”gydF4y2Ba，gydF4y2Ba“r”gydF4y2Ba）;持有gydF4y2Ba从gydF4y2Ba；gydF4y2Ba%更新图例。gydF4y2Ba传奇(gydF4y2Ba“关闭”gydF4y2Ba）;传奇({gydF4y2Ba“个人”gydF4y2Ba，gydF4y2Ba“人口”gydF4y2Ba，gydF4y2Ba“个人(浸)。”gydF4y2Ba，gydF4y2Ba“人口(浸)。”gydF4y2Ba})；gydF4y2Ba

参考文献gydF4y2Ba

[1] Grasela TH Jr, Donn SM。新生儿人群苯巴比妥的药代动力学来源于常规临床数据。gydF4y2BaDev Pharmacol ThergydF4y2Ba1985:8(6)。374 - 83。gydF4y2Ba