Analyzing Pharmacodynamic Count Data That Rapidly Decrease to Zero

Walter M. Yamada

doi:10.1002/psp4.70140

Analyzing Pharmacodynamic Count Data That Rapidly Decrease to Zero

2025-12-01

0

OA

AI

DOI：10.1002/psp4.70140

原文链接

查看原文

摘要

En 中文

我们提出了一种针对计数观测值的最大似然分析框架，这些观测值初始较高且迅速下降至零，例如来自中空纤维药物比较研究。这项模拟研究重点关注将观测计数视为服从泊松分布或正态分布，以用于估计有效治疗后的感染反弹。CFU曲线从接种开始模拟至治疗后96小时。药代动力学-药效学（PK-PD）关联采用Emax抑制模型。随机参数包括病原体生长率和自然衰减率、半最大效应时的药物浓度以及药物对病原体的杀灭率。其他参数（包括药代动力学参数）保持固定。参数经过调整以在24小时时达到67%的疗效。随机参数值针对24、48、72和96小时观察到的曲线进行了优化，并假设了四种概率假设：(1) 所有CFU测量值服从泊松分布（真实情况）；(2) CFU < 128服从泊松分布，更高值服从正态分布；(3) 所有观测值服从正态分布；(4) 观测值服从正态分布，但CFU < 10被截尾。使用优化后的参数密度重新模拟了CFU-时间曲线。采用上述策略2，对反弹百分比（治疗后24小时CFU ≥ 10）的预测最为准确。对于迅速下降至0的有限周期性收集的时间序列计数数据，达到0的真实比例（无反弹）通过假设低计数服从泊松分布来最佳建模。在较高计数（≥ 128）时，假设正态分布是合理的。观测值的截尾会导致模型产生偏差。

Keyword:

colony-forming unit

count data

nonparametric maximum likelihood

Pmetrics

Poisson distribution

Analyzing Pharmacodynamic Count Data That Rapidly Decrease to Zero

摘要

AI总结

期刊

机构

引用论文