Fitness functions for population pharmacokinetic modeling

기술 요약: 인구 집단 약동학 모델링을 위한 적합도 함수(Fitness Functions)

문제 정의
자동화된 인구 집단 약동학(PopPK) 모델 구축에는 후보 모델들을 탐색 공간 내에서 평가하고 순위를 매기기 위한 사전 정의된 객관적 기준이 필요하다. 기존의 수동 모델링은 적합도(goodness-of-fit), 파라미터 정밀도, 그리고 생리학적 타당성 사이의 균형을 맞추기 위해 전문가의 판단에 의존한다. 그러나 알고리즘 기반의 프로세스는 이러한 인간 개입(human-in-the-loop)의 유연성이 부족하며, 모델 선택을 유도하기 위해 엄격한 "적합도 함수"를 필요로 한다. 기존의 접근 방식들은 주로 정보 기준(예: AIC, BIC)에만 의존하는데, 이는 적합도와 복잡성 사이의 절충을 수행하지만 파라미터의 정밀도와 타당성은 무시한다. 대안으로 페널티 기반 방법들이 사용되어 왔으나, 이들은 빈번하게 이진 임계값(pass/fail)을 사용하여 보수적인 결과로 편향되거나 체계적인 검증이 부족할 수 있다. 따라서 여러 차원의 모델 품질을 종합적으로 평가하면서 트레이드오프를 조절하고, 특히 진정한 데이터 생성 구조를 회복할 수 있도록 검증된 데이터에 대해 검증된 적합도 함수가 절실히 필요하다.

방법론
본 연구는 최적 설계 원칙에 따라 도출된 48개의 시뮬레이션 데이터셋을 사용하여 적합도 함수를 설계하고 평가하기 위한 체계적인 프레임워크를 개발하였다. 이 데이터셋들은 1~3개의 구획(compartment) 수, 개체 간 변이(IIV) 구성, 잔차 오차 구조를 변화시킨 24개의 정맥 주사 및 24개의 경구 투여 비선형 혼합 효과(NLME) 모델로부터 생성되었다.

정의된 모델 공간 내에서 수행된 전수 조사(exhaustive search)는 정맥 경로의 경우 711개, 경구 경로의 경우 1,422개의 후보 모델을 포함하였다. 탐색 공간에는 구획 수, IIV 사양(클리어런스, 용적, 흡수율에 대한 변이), 공분산 구조, 제거 역학(1차 역학 vs 미카엘리스-멘텐), 그리고 잔차 오차 모델의 변형이 포함되었다.

연구에서는 두 가지 페널티 설계 전략을 비교하였다:

1. 이진 페널티(Binary Penalty): 진단 지표가 단일 임계값(예: RSE > 20%)을 초과하는 경우 고정된 페널티를 적용한다.
2. 단계별 페널티(Step Penalty): 여러 개의 컷오프를 사용하여 "페널티 없음", "경미한 위반", "심각한 위반"을 구분함으로써 위반의 심각도에 따라 등급을 매긴다.

평가된 주요 진단 지표는 다음과 같다:

• 고정 효과 파라미터의 상대 표준 오차(RSE).
• IIV 추정치의 에타 수축(Eta-shrinkage).
• 오메가(Omega) 값 (IIV 크기).
• 잔차 오차 파라미터 (가법적 및 비례적).
• IIV 파라미터 간의 상관 계수.
• 공분산 단계 성공 여부.

다양한 페널티 세트와 크기를 결합한 BIC, AIC 또는 목적 함수 값(OFV)의 성능은 "회수율(retrieval rate)", 즉 알고리즘이 48개의 데이터셋 전체에서 원래의 모델 구조와 구성 요소를 올바르게 식별하는 능력을 계산함으로써 평가되었다.

주요 기여

• 체계적 평가: 본 연구는 제한적인 임상 데이터셋이 아닌, 완전한 모델 공간에 대한 전수 조사를 통해 ground-truth 시뮬레이션 데이터를 사용하여 적합도 함수 설계를 체계적으로 평가한 최초의 사례를 제공한다.
• 핵심 지표 식별: 분석을 통해 RSE, 에타 수축, 오메가 값이 진정한 모델 구조를 정확하게 식별하는 데 가장 영향력 있는 세 가지 지표임을 확인하였다.
• 단계별 페널티의 우수성: 본 연구는 단계별 페널티 설계가 이진 페널티 설계보다 더 견고하다는 것을 입증하였다. 구체적으로, 단계별 페널티는 (이진 페널티에서 나타나는 하락 없이) 높은 구조적 식별률을 유지하면서도 신뢰할 수 없는 IIV 항들을 효과적으로 필터링하였다.
• 제안된 적합도 함수: RSE, 수축, 오메가 값, 잔차 오차, 상관 관계에 대한 단계별 페널티를 결합한 특정 구현 가능한 적합도 함수가 도출되었다.

결과

• 지표의 영향: BIC 기반 적합도 함수 하에서, RSE 페널티는 경구 데이터셋의 구조적 모델 식별을 유의미하게 개선하였으며(회수율 88%에서 92%로 증가), 수축 및 오메가 페널티는 IIV 구조를 올바르게 식별하는 데 결정적이었다.
• 이진 vs 단계별: 이진 페널티 설계는 페널티 강도를 높일수록 IIV 회수는 개선되지만 구조적 모델 식별은 저하되는(경구 데이터에서 92%에서 81%로 하락) 트레이드오프를 보였다. 반면, 단계별 페널티 설계는 높은 페널티 점수에서도 약 90%의 안정적인 구조적 식별률을 유지하면서도, 이진 방식과 유사한 수준의 IIV 회수율(82% 대 81%)을 달acia했다.
• 최적의 구성: 최종 제안된 적합도 함수는 BIC를 베이스라인으로 하고 단계별 페널티를 사용한다. 식별된 주요 컷오프는 다음과 같다:
  • RSE: 경미함(20%), 심각함(40%).
  • 수축(Shrinkage): 경미함(30%), 심각함(50%).
  • 오메가 (IIV): 불합리하게 낮은 변이를 페널티하기 위한 심각한 컷오프 10%.
  • 상관 관계: 경미함(0.1/0.8), 심각함(0.05/0.95).
• 성능: 제안된 BIC 기반 단계별 페널티 함수를 사용했을 때, 전체 모델 회수율(구조, IIV, 잔차 오차 및 상관 관계의 올바른 식별)은 56%에 도달하여, AIC 및 OFV 기반 함수(46%)보다 우수한 성능을 보였다. 구체적으로 정맥 주사 데이터에 대해서는 71%, 경구 데이터에 대해서는 42%의 회수율을 달성하였다.
• 구성 요소 정확도: 이 방법은 1-구획 모델은 100%의 경우에, 2-구획 모델은 94%의 경우에 올바르게 식별하였다. 그러나 잔차 오차 모델 식별은 덜 견고하였으며, 특히 가법적(additive) 모델이 결합 모델로 오분류되는 경우가 빈번하였다(성공률 38%).

의의 및 주장
저자들은 단계별 페널티를 결합한 BIC 기반 적합도 함수가 자동화된 PopPK 모델 구축을 위한 견고하고 해석 가능하며 객관적인 프레임워크를 제공한다고 주장한다. 파라미터 정밀도와 타당성 제약 조건을 최적화 목적 함수에 직접 통합함으로써, 이 방법은 전문가의 개입 없이도 진정한 데이터 생성 구조를 효과적으로 회복한다. 본 연구는 이 접근 방식이 순수하게 정보 기준에만 의근하는 선택 방식과 지나치게 경직된 이진 페널티의 한계를 해결한다는 점을 강조한다.

저자들은 본 방법이 최적 설계된 시뮬레이션 데이터셋에서는 높은 정확도를 보였으나, 누락된 관측치, 측정 오차, 이질적인 인구 집단이 존재하는 복잡한 실제 임상 데이터에 대한 일반화 가능성은 추가적인 검증이 필요하다고 언급하였다. 또한, 현재의 탐색 공간은 선형 흡수 과정으로 제한되었으므로, 향후 연구는 더 복잡한 약동학적 맥락으로 확장되어야 한다. 제안된 프레임워크는 nlmixr2auto R 패키지에 통합되어 자동화된 모델 선택을 위한 실용적인 도구를 제공한다.