R语言非线性混合效应 NLME模型(固定效应&随机效应)对抗哮喘药物茶碱动力学研究 | 您所在的位置:网站首页 › 非线性多元回归模型分析 › R语言非线性混合效应 NLME模型(固定效应&随机效应)对抗哮喘药物茶碱动力学研究 |
最近我们被客户要求撰写关于非线性混合效应 NLME模型的研究报告,包括一些图形和统计输出。 相关视频:线性混合效应模型(LMM,Linear Mixed Models)和R语言实现线性混合效应模型(LMM,Linear Mixed Models)和R语言实现案例 时长12:13 简介 茶碱数据茶碱数据文件报告来自抗哮喘药物茶碱动力学研究的数据。给 12 名受试者口服茶碱,然后在接下来的 25 小时内在 11 个时间点测量血清浓度。 head(thdat)此处,时间是从抽取样品时开始给药的时间(h),浓度是测得的茶碱浓度(mg/L),体重是受试者的体重(kg)。 12 名受试者在时间 0 时接受了 320 mg 茶碱。 让我们绘制数据,即浓度与时间的关系: plot(data=theo.data2) +eo_ine(oaes(group=id)) 数据的个体差异我们还可以在 12 个单独的图上绘制 12 个单独的浓度分布图, pl + geom_line() + facet_wrap(~id)这12个人的模式是相似的:浓度首先在吸收阶段增加,然后在消除阶段减少。然而,我们清楚地看到这些曲线之间的一些差异,这不仅仅是由于残差造成的。我们看到病人吸收和消除药物的速度或多或少。 一方面,每个单独的特征将通过非线性 药代动力学 (PK) 模型正确描述 。 另一方面,人口方法和混合效应模型的使用将使我们能够考虑这种 个体间的变异性。 将非线性模型拟合到数据 将非线性模型拟合到单个受试者让我们考虑本研究的第一个受试者(id=1) the.dat.dta$id==1 ,c("tme)] plot(data=teo1我们可能想为这个数据拟合一个 PK 模型 其中 (yj,1≤j≤n) 是该受试者的 nn PK 测量值,f 是 PK 模型,ψ是该受试者的 PK 参数向量, (ej,1≤ j≤n)是残差。 对该数据写入具有一阶吸收和线性消除的单室模型
其中 ψ=(ka,V,ke) 是模型的 PK 参数,D 是给予患者的药物量(此处,D=320mg)。 让我们计算定义为 ψ 的最小二乘估计 我们首先需要实现PK模型: pk.od |
CopyRight 2018-2019 实验室设备网 版权所有 |