Global sensitivity analysis of Open Systems Pharmacology Suite physiologically based pharmacokinetic models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Sensitivity analyses are important components of physiologically based pharmacokinetic (PBPK) model development and are required by regulatory agencies for PBPK submissions. They assess the impact of parametric uncertainty and variability on model estimates, aid model optimization by identifying parameters requiring calibration, and enable the testing of assumptions within PBPK models. One‐at‐a‐time (OAT) sensitivity analyses quantify the impact on a model output in response to changes in a single parameter while holding others fixed. Global sensitivity analysis (GSA) methods provide more comprehensive assessments by accounting for changes in all uncertain or variable parameters, though at a higher computational cost. This tutorial article presents a software package for conducting both OAT and GSA of PBPK models built in the Open Systems Pharmacology (OSP) Suite. The tool is accessible through either an R script or a graphical user interface, and the outputs consist of sensitivity metrics of pharmacokinetic (PK) parameters, such as C max and AUC, evaluated with respect to model input parameters. Results are formatted according to regulatory standards. The OAT analysis methods comprise two‐way local sensitivity analyses and probabilistic uncertainty analyses, whereas the GSA methods include the Morris, Sobol, and EFAST methods. These analyses can be conducted on single PBPK models or pairs of models for the evaluation of the sensitivity of PK parameter ratios in drug–drug interaction studies. The practical application of the package is demonstrated through three illustrative case studies.
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.
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 | 0,014 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,006 | 0,034 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle