Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Foryś Urszula

1 2020

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: Greenspan model

Sortuj według:

Ogranicz wyniki do:

Nonlinear mixed effect modeling in recognition of underlying population dynamics

Foryś Urszula

Mathematica Applicanda

2020

Vol. 48, no. 1

87--97

Nonlinear mixed effect modeling (NMEM) is a useful method allowing to fit parameters of the assumed model to the repeated data. In this paper we present results of a theoretical experiment designed to study the effectiveness of NMEM in recognition of the underlying population dynamics. In this experiment we used the logistic equation with fixed parameters to sample population data assuming the log-normal distribution of the parameters. Two sets of data have been created, each of them containing ten time-measurements of the size for one hundred virtual populations. Then, we used NMEM to fit parameters of three most recognizable in tumor dynamics models: logistic, Gompertz and Greenspan model. It occurs that NMEM properly recognized the model structure, that is the fit of Gompertz model is worse (in terms of mean square error) comparing to the others. However, the difference between the fits for the logistic and Greenspan models is not very significant. Moreover, visually all the fits look equally good.

Statystyczna metoda „nonlinear mixed effect modeling” (NMEM) jest przydatną metodą, która pozwala dopasować parametry przyjętego modelu do rzeczywistych danych (np. eksperymentalnych czy klinicznych) pochodzących od różnych osobników tej samej populacji (jak np. dane dotyczące wzrostu konkretnego nowotworu w danej populacji), bądź też różnych populacji mających taką samą dynamikę. W artykule przedstawiamy wyniki pewnego teoretycznego eksperymentu, zaprojektowanego w celu zbadania skuteczności metody NMEM w rozpoznawaniu wyjściowej dynamiki populacji. W eksperymencie wykorzystano równanie logistyczne z ustalonymi parametrami i - zakładając rozkład log-normalny parametrów - wylosowano dane. Utworzono dwa zestawy danych, z których każdy zawiera dziesięć pomiarów liczebności (w zależności od czasu) dla stu wirtualnych populacji. Następnie wykorzystaliśmy NMEM w celu dopasowania do tych danych parametrów trzech najczęściej stosowanych w dynamice nowotworów modeli: logistycznego, Gompertza i Greenspana. Okazuje się, że metoda NMEM pozwoliła na prawidłowe rozpoznanie struktury modelu, co oznacza, że dopasowanie modelu Gompertza jest gorsze (pod względem średniego błędu kwadratowego) w porównaniu do pozostałych modeli. Jednak różnica między dopasowaniem modelu logistycznego i Greenspana nie jest znacząca. Ponadto wizualnie wszystkie dopasowania są porównywalne.