PK/PDモデルの実用的識別可能性
実用的識別可能性は、現実の有限でノイズのあるデータが、パラメータを十分な精度で決めるかを問う。採血設計、測定誤差、用量の幅に依存し、尤度プロファイルが有界か平らかで現れる。
定義
手元のデータ（例数、採血時点、用量、測定誤差）が、パラメータを有限で十分に狭い信頼区間で決めるとき、そのパラメータは実用的に識別可能である。構造的に識別可能でも、採血が少なすぎたり遅すぎたりすると、この条件を満たせないことがある。
現れ方
- 期待される精度： 設計を決めれば、各パラメータの期待標準誤差を、試験の前にフィッシャー情報量から計算できる。
- 尤度プロファイル： 当てはめた後で、1つのパラメータについて尤度のプロファイルを描く。有界ならデータがそのパラメータを決めている。平らなら、データは値を区別できていない。
満たせないときにすること
まず構造的に識別可能かを確かめる。可能なら原因は設計にある。採血時点、測定項目、用量、追跡期間を足すか、パラメータを外部の値に固定する。nimotuzumabの解析は、たとえば、測定されたPKデータで曝露を比べるのに、母集団PKモデルがどこまで複雑である必要があるかを問うている。
ソフトウェア
pkidentは、採血設計ごとの期待標準誤差を計算し、どの測定を足せば役に立つかを示し、nlmixr2の当てはめの尤度プロファイルを有界か平らかに分類する。判定は仮定したパラメータ値の近くで成り立つもので、集団の設計は扱わない。構造的識別可能性も参照。
よくある質問
平らな尤度プロファイルは、モデルとデータのどちらの問題か、どう見分けますか。
まず構造的識別可能性を確かめます。構造的に識別可能なら、原因はデータや設計にあるので、情報の多い採血で改善できます。そうでなければ、モデルか測定する出力を変える必要があります。
データを集める前に、実用的識別可能性は評価できますか。
できます。仮定した設計とパラメータ値について、期待標準誤差を計算します。結果は仮定した値の近くでだけ成り立ちます。