Comparative assessment of viral dynamic models for SARS‐CoV‐2 for pharmacodynamic assessment in early treatment trials
Notice bibliographique
Résumé
Pharmacometric analyses of time series viral load data may detect drug effects with greater power than approaches using single time points. Because SARS‐CoV‐2 viral load rapidly rises and then falls, viral dynamic models have been used. We compared different modelling approaches when analysing Phase II‐type viral dynamic data. Using two SARS‐CoV‐2 datasets of viral load starting within 7 days of symptoms, we fitted the slope‐intercept exponential decay (SI), reduced target cell limited (rTCL), target cell limited (TCL) and TCL with eclipse phase (TCLE) models using nlmixr. Model performance was assessed via Bayesian information criterion (BIC), visual predictive checks (VPCs), goodness‐of‐fit plots, and parameter precision. The most complex (TCLE) model had the highest BIC for both datasets. The estimated viral decline rate was similar for all models except the TCL model for dataset A with a higher rate (median [range] day −1 : dataset A; 0.63 [0.56–1.84]; dataset B: 0.81 [0.74–0.85]). Our findings suggest simple models should be considered during pharmacodynamic model development.
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 | 0,013 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».