Fitness functions for population pharmacokinetic modeling

Technische Samenvatting: Fitnessfuncties voor Populatiefarmacokinetische Modellering

Probleemstelling
Geautomatiseerde opbouw van populatiefarmacokinetische (PopPK) modellen vereist vooraf gedefinieerde, objectieve criteria om kandidaat-modellen binnen een zoekruimte te evalueren en te rangschikken. Conventionele handmatige modellering vertrouwt op deskundig oordeel om een balans te vinden tussen de kwaliteit van de fit, de precisie van parameters en de fysiologische plausibiliteit. Algoritme-gestuurde processen missen echter de flexibiliteit van de menselijke factor ("human-in-the-loop") en vereisen een rigide "fitnessfunctie" om modelselectie te sturen. Bestaande benaderingen vertrouwen vaak uitsluitend op informatiecriteria (bijv. AIC, BIC), die een afweging maken tussen fit en complexiteit, maar parameterprecisie en plausibiliteit negeren. Alternatief zijn er strafmethoden gebruikt, maar deze maken vaak gebruik van binaire drempelwaarden (pass/fail) die de selectie naar conservatieve uitkomsten kunnen sturen of een systematische validatie missen. Er is een kritieke behoefte aan een fitnessfunctie die meerdere dimensies van modelkwaliteit uitgebreid evalueert en daarbij afwegingen beheerst, specifiek gevalideerd tegen grondwaarheid-data (ground-truth) om het herstel van de ware datagenererende structuur te waarborgen.

Methodologie
De studie heeft een systematisch kader ontwikkeld voor het ontwerpen en evalueren van fitnessfuncties met behulp van 48 gesimuleerde datasets, afgeleid van optimale designprincipes. Deze datasets werden gegenereerd vanuit 24 intraveneuze en 24 orale nonlinear mixed-effect (NLME) modellen, waarbij varieerde in aantal compartimenten (1–3), configuraties van inter-individuele variabiliteit (IIV) en residuele foutstructuren.

Er werd een exhaustieve zoektocht uitgevoerd binnen een vooraf gedefinieerde modelruimte bestaande uit 711 kandidaat-modellen voor intraveneuze routes en 1.422 voor orale routes. De zoekruimte omvatte variaties in het aantal compartimenten, IIV-specificaties (op klaring, volumes en absorptiesnelheden), covariantiestructuren, eliminatiekinetiek (eerste-orde versus Michaelis-Menten) en residuele foutmodellen.

De studie vergeleek twee strafontwerpstrategieën:

1. Binaire Straf (Binary Penalty): Een vaste straf wordt toegepast als een diagnostische metriek een enkele drempelwaarde overschrijdt (bijv. RSE > 20%).
2. Stapsgewijze Straf (Step Penalty): Straffen worden gegradeerd op basis van de ernst van de overtreding, waarbij onderscheid wordt gemaakt tussen "geen straf", "milde overtreding" en "ernstige overtreding" met behulp van meerdere afkapwaarden.

Belangrijke diagnostische metrieken die werden geëvalueerd waren onder andere:

• Relatieve standaardfout (RSE) van vaste-effect parameters.
• Eta-shrinkage van IIV-schattingen.
• Omega-waarden (omvang van de IIV).
• Residuele foutparameters (additief en proportioneel).
• Correlatiecoëfficiënten tussen IIV-parameters.
• Succes van de covariantiestap.

De prestaties van verschillende fitnessfuncties (combinaties van BIC, AIC of OFV met verschillende strafsets en magnitudes) werden beoordeeld door de "retrieval rate" (het herstelpercentage) te berekenen—het vermogen van het algoritme om de oorspronkelijke modelstructuur en componenten correct te identificeren over de 48 datasets heen.

Belangrijkste Bijdragen

• Systematische Beoordeling: De studie biedt de eerste systematische evaluatie van fitnessfunctie-ontwerpen met behulp van exhaustieve zoektochten over een volledige modelruimte met grondwaarheid-gesimuleerde data, in plaats van te vertrouwen op beperkte klinische datasets.
• Identificatie van Sleutelmetrieken: De analyse identificeerde de relatieve standaardfout (RSE), eta-shrinkage en omega-waarden als de drie meest invloedrijke metrieken voor het nauwkeurig identificeren van de ware modelstructuur.
• Superioriteit van de Stapsgewijze Straf: De studie toonde aan dat een stapsgewijs strafontwerp robuuster is dan een binair strafontwerp. Specifiek behield de stapsgewijze straf een hoge structurele identificatierate (het vermijden van de daling die bij binaire straffen optreedt) terwijl het onbetrouwbare IIV-termen effectief filterde.
• Voorgestelde Fitnessfunctie: Een specifieke, implementeerbare fitnessfunctie is afgeleid, die de Bayesiaanse Informatie-Criterium (BIC) combineert met stapsgewijze straffen voor RSE, shrinkage, omega-waarden, residuele fouten en correlaties.

Resultaten

• Impact van Metrieken: Onder een BIC-gebaseerde fitnessfunctie verbeterden RSE-straffen de structurele modelidentificatie in orale datasets aanzienlijk (verhoging van de retrieval van 88% naar 92%), terwijl shrinkage- en omega-straffen cruciaal waren voor het correct identificeren van IIV-structuren.
• Binair versus Stapsgewijs: Het binaire strafontwerp vertoonde een trade-off waarbij het verhogen van de strafsterkte de IIV-retrieval verbeterde maar de structurele modelidentificatie verslechterde (daling van 92% naar 81% in orale data). In tegenstelling hiermee behield het stapsgewijze strafontwerp een stabiele structurele identificatie van ongeveer 90%, zelfs bij hoge strafscores, terwijl het vergelijkbare IIV-retrievalrates behaalde (82% versus 81% voor binair).
• Optimale Configuratie: De uiteindelijke voorgestelde fitnessfunctie gebruikt BIC als basis met stapsgewijze straffen. Belangrijke afkapwaarden die zijn geïdentificeerd zijn:
  • RSE: Mild (20%), Ernstig (40%).
  • Shrinkage: Mild (30%), Ernstig (50%).
  • Omega (IIV): Ernstige afkapwaarde bij 10% (om onwaarschijnlijk lage variabiliteit te bestraffen).
  • Correlaties: Mild (0,1/0,8), Ernstig (0,05/0,95).
• Prestaties: Met de voorgestelde BIC-gebaseerde stapsgewijze straffunctie bereikte de volledige modelretrieval (correcte identificatie van structuur, IIV, residuele fout en correlatie) 56% totaal, wat beter presteerde dan AIC- en OFV-gebaseerde functies (46%). Specifiek behaalde het 71% retrieval voor intraveneuze data en 42% voor orale data.
• Componentnauwkeurigheid: De methode identificeerde één-compartiment-modellen in 100% van de gevallen en twee-compartiment-modellen in 94% van de gevallen. Echter, de identificatie van het residuele foutmodel was minder robuust, met name voor additieve modellen, die vaak als gecombineerde modellen werden geclassificeerd (38% succesrate).

Betekenis en Claims
De auteurs beweren dat de voorgestelde BIC-gebaseerde fitnessfunctie met stapsgewijze straffen een robuust, interpreteerbaar en objectief kader biedt voor automatische PopPK-modelopbouw. Door parametersprecisie en plausibiliteitsbeperkingen direct in de optimalisatiedoelstelling te integreren, kan de methode effectief de ware datagenererende structuren herstellen zonder dat daarvoor menselijke interventie nodig is. De studie benadrukt dat deze aanpak de beperkingen van louter op informatiecriteria gebaseerde selectie en te rigide binaire straffen aanpakt.

De auteurs merken op dat hoewel de methode een hoge nauwkeurigheid vertoonde in gesimuleerde, optimaal ontworpen datasets, de generaliseerbaarheid naar complexe klinische real-world data (met ontbrekende observaties, meetfouten en heterogene populaties) verdere validatie vereist. Daarnaast was de huidige zoekruimte beperkt tot lineaire absorptieprocessen; toekomstig werk zou deze evaluaties moeten uitbreiden naar complexere farmacokinetische contexten. Het voorgestelde kader is geïntegreerd in het nlmixr2auto R-pakket, wat een praktisch hulpmiddel biedt voor automatische modelselectie.