Impact of sampling time deviations on the prediction of the area under the curve using regression limited sampling strategies
Notice bibliographique
Résumé
The regression limited sampling strategy approach (R-LSS), which is based on a small number of blood samples drawn at selected time points, has been used as an alternative method for the estimation of the area under the concentration-time curve (AUC). However, deviations from planned sampling times may affect the performance of R-LSS, influencing related therapeutic decisions and outcomes. The aim of this study was to investigate the impact of different sampling time deviation (STD) scenarios on the estimation of AUC by the R-LSS using a simulation approach. Three types of scenarios were considered going from the simplest case of fixed deviations, to random deviations and then to a more realistic case where deviations of mixed nature can occur. In addition, the sensitivity of the R-LSS to STD in each involved sampling point was evaluated. A significant impact of STD on the performance of R-LSS was demonstrated. The tolerance of R-LSS to STD was found to depend not only on the number of sampling points but more importantly on the duration of the sampling process. Sensitivity analysis showed that sampling points at which rapid concentration changes occur were relatively more critical for AUC prediction by R-LSS. As a practical approach, nomograms were proposed, where the expected predictive performance of R-LSS was provided as a function of STD information. The investigation of STD impact on the predictive performance of R-LSS is a critical element and should be routinely performed to guide R-LSS selection and use.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».