Prototipado rápido de covariables en modelos poblacionales potenciados por aprendizaje automático

Uno de los objetivos del modelado poblacional en Farmacometría (PMX) es la identificación de relaciones significativas y clínicamente relevantes entre parámetros y covariables. Aquí, demostramos cómo esta compleja tarea de selección podría beneficiarse de algoritmos de aprendizaje supervisado utilizando puntuaciones de importancia. Comparamos varios métodos clásicos con tres métodos de aprendizaje automático (ML) aplicados a estimaciones empíricas de Bayes de NONMEM: bosque aleatorio, redes neuronales (NN) y regresión de vectores de soporte (SVR). El rendimiento de los modelos de ML se evalúa utilizando curvas de características operativas del receptor (ROC). El puntaje F1, que mide la precisión de la prueba, se utiliza para comparar enfoques de ML y PMX. Los métodos se aplican a diferentes escenarios de influencia de covariables basado en datos de farmacocinética simulada. ML logró puntajes F1 similares o mejores que el modelado de covariables escalonadas (SCM) y el muestreo condicional para el enfoque escalonado basado en pruebas de correlación (COSSAC). Las correlaciones entre covariables y el número de covariables falsas no afectan el rendimiento de ningún método, pero el tamaño del efecto sí tiene un impacto. Los métodos no son equivalentes en términos de velocidad computacional; SCM es de 30 a 100 veces más lento que NN y SVR, respectivamente. Los resultados se validan en un escenario adicional que involucra 100 covariables. Tomados en conjunto, los resultados indican que los métodos de ML pueden aumentar significativamente la eficiencia de la construcción de modelos de covariables poblacionales en el caso de grandes conjuntos de datos o modelos complejos que requieren largos tiempos de ejecución. Esto puede proporcionar un cribado inicial rápido de covariables, que puede ser seguido por enfoques PMX más convencionales para evaluar la relevancia clínica de las covariables seleccionadas y construir el modelo final.