Fitness functions for population pharmacokinetic modeling

Resumo Técnico: Funções de Aptidão para Modelagem Farmacocinética Populacional

Definição do Problema
A construção automatizada de modelos farmacocinéticos populacionais (PopPK) requer critérios objetivos e predefinidos para avaliar e classificar modelos candidatos dentro de um espaço de busca. A modelagem manual convencional baseia-se no julgamento de especialistas para equilibrar o ajuste (goodness-of-fit), a precisão dos parâmetros e a plausibilidade fisiológica. No entanto, processos orientados por algoritmos carecem dessa flexibilidade do "humano no ciclo" (human-in-the-loop) e exigem uma "função de aptidão" (fitness function) rígida para guiar a seleção do modelo. As abordagens existentes frequentemente dependem exclusivamente de critérios de informação (ex: AIC, BIC), que equilibram o ajuste contra a complexidade, mas ignoram a precisão dos parâmetros e a plausibilidade. Alternativamente, métodos baseados em penalidades têm sido utilizados, mas frequentemente empregam limiares binários (passa/falha) que podem enviesar a seleção para resultados conservadores ou carecer de validação sistemática. Há uma necessidade crítica de uma função de aptidão que avalie de forma abrangente múltiplas dimensões da qualidade do modelo enquanto equilibra compensações (trade-offs), especificamente validada contra dados de verdade fundamental (ground-truth) para garantir a recuperação da estrutura real geradora dos dados.

Metodologia
O estudo desenvolveu um framework sistemático para projetar e avaliar funções de aptidão utilizando 48 conjuntos de dados simulados derivados de princípios de delineamento ótimo. Esses conjuntos de dados foram gerados a partir de 24 modelos de efeitos mistos não lineares (NLME) intravenosos e 24 orais, variando em número de compartimentos (1–3), configurações de variabilidade interindividual (IIV) e estruturas de erro residual.

Uma busca exaustiva foi realizada em um espaço de modelos predefinido contendo 711 modelos candidatos para vias intravenosas e 1.422 para vias orais. O espaço de busca incluiu variações no número de compartimentos, especificações de IIV (em clearance, volumes e taxas de absorção), estruturas de covariância, cinética de eliminação (primeira ordem vs. Michaelis-Menten) e modelos de erro residual.

O estudo comparou duas estratégias de design de penalidade:

1. Penalidade Binária: Uma penalidade fixa é aplicada se uma métrica diagnóstica cruzar um único limiar (ex: RSE > 20%).
2. Penalidade por Etapas (Step Penalty): As penalidades são graduadas com base na severidade da violação, distinguindo entre "sem penalidade", "violação leve" e "violação severa" usando múltiplos pontos de corte.

As principais métricas diagnósticas avaliadas incluíram:

• Erro Padrão Relativo (RSE) de parâmetros de efeito fixo.
• Shrinkage de eta para estimativas de IIV.
• Valores de omega (magnitude de IIV).
• Parâmetros de erro residual (aditivo e proporcional).
• Coeficientes de correlação entre parâmetros de IIV.
• Sucesso de etapa de covariância.

O desempenho de várias funções de aptidão (combinando BIC, AIC ou Valor de Função Objetivo com diferentes conjuntos e magnitudes de penalidade) foi avaliado calculando a "taxa de recuperação" — a capacidade do algoritmo de identificar corretamente a estrutura e os componentes do modelo original através dos 48 conjuntos de dados.

Principais Contribuições

• Avaliação Sistemática: O estudo fornece a primeira avaliação sistemática de designs de funções de aptidão usando buscas exaustivas sobre um espaço de modelos completo com dados simulados de verdade fundamental, em vez de depender de conjuntos de dados clínicos limitados.
• Identificação de Métricas Chave: A análise identificou o Erro Padrão Relativo (RSE), o shrinkage de eta e os valores de omega como as três métricas mais influentes para identificar com precisão a estrutura real do modelo.
• Superioridade da Penalidade por Etapas: O estudo demonstrou que um design de penalidade por etapas é mais robusto do que um design de penalidade binária. Especificamente, a penalidade por etapas manteve altas taxas de identificação estrutural (evitando o declínio observado com penalidades binárias) enquanto filtrava efetivamente termos de IIV não confiáveis.
• Função de Aptidão Proposta: Uma função de aptidão específica e implementável foi derivada, combinando o Critério de Informação Bayesiano (BIC) com penalidades baseadas em etapas para RSE, shrinkage, valores de omega, erros residuais e correlações.

Resultos

• Impacto das Métricas: Sob uma função de aptidão baseada em BIC, as penalidades de RSE melhoraram significamente a identificação do modelo estrutural em dados orais (aumentando a recuperação de 88% para 92%), enquanto as penalidades de shrinkage e omega foram cruciais para identificar corretamente as estruturas de IIV.
• Binário vs. Etapas: O design de penalidade binária mostrou um trade-off onde o aumento da força da penalidade melhorou a recuperação de IIV, mas degradou a identificação do modelo estrutural (caindo de 9ر 92% para 81% em dados orais). Em contraste, o design de penalidade por etapas manteve a estabilidade da identificação estrutural em aproximadamente 90%, mesmo com pontuações de penalidade altas, enquanto alcançou taxas de recuperação de IIV comparáveis (82% vs. 81% para o binário).
• Configuração Ótima: A função de aptidão proposta utiliza o BIC como base com penalidades por etapas. Os pontos de corte principais identificados incluem:
  • RSE: Leve (20%), Severa (40%).
  • Shrinkage: Leve (30%), Severa (50%).
  • Omega (IIV): Corte severo em 10% (para penalizar variabilidade implausivelmente baixa).
  • Correlações: Leve (0.1/0.8), Severa (0.05/0.95).
• Desempenho: Usando a função de penalidade por etapas baseada em BIC proposta, a taxa de recuperação do modelo completo (identificação correta de estrutura, IIV, erro residual e correlação) atingiu 56% no total, superando as funções baseadas em AIC e OFV (46%). Especificamente, alcançou 71% de recuperação para dados intravenosos e 42% para dados orais.
• Precisão de Componentes: O método identificou corretamente modelos de um compartimento em 100% dos casos e modelos de dois compartimentos em 94% dos casos. No entanto, a identificação do modelo de erro residual foi menos robusta, particularmente para modelos aditivos, que foram frequentemente classificados incorretamente como modelos combinados (38% de taxa de sucesso).

Significância e Alegações
Os autores afirmam que a função de aptidão baseada em BIC proposta com penalidades por etapas oferece um framework robusto, interpretável e objetivo para a construção automatizada de modelos PopPK. Ao integrar restrições de precisão de parâmetros e plausibilidade diretamente no objetivo de otimização, o método recupera efetivamente as estruturas reais geradoras de dados sem a necessidade de intervenção de especialistas. O estudo destaca que esta abordagem aborda as limitações de uma seleção baseada puramente em critérios de informação e de penalidades binárias excessivamente rígidas.

Os autores observam que, embora o método tenha demonstrado alta precisão em conjuntos de dados simulados com delineamento ótimo, sua generalização para dados clínicos do mundo real complexos (com observações ausentes, erros de medição e populações heterogêneas) requer mais validação. Adicionalmente, o espaço de busca atual foi limitado a processos de absorção lineares, e trabalhos futuros devem estender estas avaliações para contextos farmacocinéticos mais complexos. O framework proposto está integrado no pacote R nlmixr2auto, fornecendo uma ferramenta prática para a seleção automatizada de modelos.