Fitness functions for population pharmacokinetic modeling

Resumen Técnico: Funciones de Aptitud para el Modelado Farmacocinético de Poblaciones

Planteamiento del Problema
La construcción automatizada de modelos farmacocinéticos de población (PopPK) requiere criterios predefinidos y objetivos para evaluar y clasificar modelos candidatos dentro de un espacio de búsqueda. El modelado convencional manual depende del juicio de expertos para equilibrar el ajuste, la precisión de los parámetros y la plausibilidad fisiológica. Sin embargo, los procesos dirigidos por algoritmos carecen de esta flexibilidad de intervención humana y requieren una "función de aptitud" (fitness function) rígida para guiar la selección del modelo. Los enfoques existentes suelen basarse únicamente en criterios de información (p. ej., AIC, BIC), que equilibran el ajuste frente a la complejidad pero ignoran la precisión de los parámetros y la plausibilidad. Alternativamente, se han utilizado métodos basados en penalizaciones, pero estos frecuentemente emplean umbrales binarios (pasa/no pasa) que pueden sesgar la selección hacia resultados conservadores o carecer de una validación sistemática. Existe una necesidad crítica de una función de aptitud que evalúe exhaustivamente múltiples dimensiones de la calidad del modelo mientras equilibra las compensaciones, específicamente validada contra datos de verdad fundamental (ground-truth) para asegurar la recuperación de la estructura real de generación de datos.

Metodología
El estudio desarrolló un marco sistemático para diseñar y evaluar funciones de aptitud utilizando 48 conjuntos de datos simulados derivados de principios de diseño óptimo. Estos conjuntos de datos fueron generados a partir de 24 modelos de efectos mixtos no lineales (NLME) intravenosos y 24 orales, variando en número de compartimentos (1–3), configuraciones de variabilidad interindividual (IIV) y estructuras de error residual.

Se realizó una búsqueda exhaustiva a través de un espacio de modelos predefinido que contenía 711 modelos candidatos para rutas intravenosas y 1,422 para rutas orales. El espacio de búsqueda incluyó variaciones en el número de compartimentos, especificaciones de IIV (en aclaramiento, volúmenes y tasas de absorción), estructuras de covarianza, cinética de eliminación (primer orden frente a Michaelis-Menten) y modelos de error residual.

El estudio comparó dos estrategias de diseño de penalización:

1. Penalización Binaria: Se aplica una penalización fija si una métrica de diagnóstico cruza un único umbral (p. ej., RSE > 20%).
2. Penalización por Pasos (Step Penalty): Las penalizaciones son graduadas según la severidad de la violación, distinguiendo entre "sin penalización", "violación leve" y "violación severa" mediante múltiples puntos de corte.

Las méticas de diagnóstico clave evaluadas incluyeron:

• Error Estándar Relativo (RSE) de los parámetros de efectos fijos.
• Shrinkage (reducción) de eta para las estimaciones de IIV.
• Valores Omega (magnitud de la IIV).
• Parámetros de error residual (aditivos y proporcionales).
• Coeficientes de correlación entre parámetros de IIV.
• Éxito de la etapa de covarianza.

El rendimiento de diversas funciones de aptitud (combinando BIC, AIC o Valor de la Función Objetivo con diferentes conjuntos y magnitudes de penalización) se evaluó calculando la "tasa de recuperación": la capacidad del algoritmo para identificar correctamente la estructura y los componentes del modelo original a través de los 48 conjuntos de datos.

Contribuciones Clave

• Evaluación Sistemática: El estudio proporciona la primera evaluación sistemática de diseños de funciones de aptitud utilizando búsquedas exhaustivas sobre un espacio de modelos completo con datos simulados de verdad fundamental, en lugar de depender de conjuntos de datos clínicos limitados.
• Identificación de Métricas Clave: El análisis identificó el Error Estándar Relativo (RSE), el shrinkage de eta y los valores omega como las tres métricas más influyentes para identificar con precisión la estructura real del modelo.
• Superioridad de la Penalización por Pasos: El estudio demostró que un diseño de penalización por pasos es más robusto que un diseño de penalización binaria. Específicamente, la penalización por pasos mantuvo altas tasas de identificación estructural (evitando la caída observada con las penalizaciones binarias) mientras filtraba eficazmente los términos de IIV no fiables.
• Función de Aptitud Propuesta: Se derivó una función de aptitud específica y ejecutable que combina el Criterio de Información Bayesiano (BIC) con penalizaciones basadas en pasos para RSE, shrinkage, valores omega, errores residuales y correlaciones.

Resultados

• Impacto de las Métricas: Bajo una función de aptitud basada en BIC, las penalizaciones de RSE mejoraron significamente la identificación del modelo estructural en los conjuntos de datos orales (aumentando la recuperación del 88% al 92%), mientras que las penalizaciones de shrinkage y omega fueron cruciales para identificar correctamente las estructuras de IIV.
• Binario vs. Pasos: El diseño de penalización binaria mostró un compromiso donde el aumento de la fuerza de la penalización mejoraba la recuperación de la IIV pero degradaba la identificación del modelo estructural (cayendo del 92% al 81% en datos orales). En contraste, el diseño de penalización por pasos mantuvo la estabilidad de la identificación estructural en aproximadamente un 90%, incluso con puntuaciones de penalización altas, mientras lograba tasas de recuperación de IIV comparables (82% frente a 81% para la binaria).
• Configuración Óptima: La función de aptitud propuesta utiliza el BIC como base con penalizaciones por pasos. Los puntos de corte clave identificados son:
  • RSE: Leve (20%), Severo (40%).
  • Shrinkage: Leve (30%), Severo (50%).
  • Omega (IIV): Punto de corte severo en 10% (para penalizar la variabilidad implausiblemente baja).
  • Correlaciones: Leve (0.1/0.8), Severo (0.05/0.95).
• Rendimiento: Utilizando la función de penalización por pasos basada en BIC propuesta, la tasa de recuperación del modelo completo (identificación correcta de estructura, IIV, error residual y correlación) alcanzó un 56% global, superando a las funciones basadas en AIC y OFV (46%). Específicamente, logró un 71% de recuperación para datos intravenosos y un 42% para datos orales.
• Precisión de Componentes: El método identificó correctamente modelos de un compartimento en el 100% de los casos y modelos de dos compartimentos en el 94% de los casos. Sin embargo, la identificación del modelo de error residual fue menos robusta, particularmente para los modelos aditivos, que fueron frecuentemente clasificados erróneamente como modelos combinados (38% de tasa de éxito).

Significancia y Reivindicaciones
Los autores afirman que la función de aptitud propuesta basada en BIC con penalizaciones por pasos ofrece un marco robusto, interpretable y objetivo para la construcción automatizada de modelos PopPK. Al integrar las restricciones de precisión de los parámetros y la plausibilidad directamente en el objetivo de optimización, el método recupera eficazmente las estructuras reales de generación de datos sin requerir intervención experta. El estudio destaca que este enfoque aborda las limitaciones de la selección basada puramente en criterios de información y las penalizaciones binarias excesivamente rígidas.

Los autores señalan que, si bien el método demostró una alta precisión en los conjuntos de datos simulados de diseño óptimo, su generalizabilidad a datos clínicos del mundo real complejos (con observaciones faltantes, errores de medición y poblaciones heterogéneas) requiere mayor validación. Además, el espacio de búsqueda actual se limitó a procesos de absorción lineales, y el trabajo futuro debería extender estas evaluaciones a contextos farmacocinéticos más complejos. El marco propuesto está integrado en el paquete de R nlmixr2auto, proporcionando una herramienta práctica para la selección automatizada de modelos.