Механистические модели: модели отсеков в алгоритмах численного решения задач

Механистические модели используют численные алгоритмы решения задач для оценки параметров.

Некоторые алгоритмы используют методы линеаризации для упрощения модели до линейных уравнений.

В анализе отдельных популяций используются различные методы, в том числе метод Коши, методы на основе Ньютона и метод Гаусса-Ньютона.

Метод Левенберга-Марквардта модифицирует алгоритм Гаусса-Ньютона.

Симплексный подход Нелдера-Мида не включает линеаризацию, но исследует поверхность отклика для поиска самой низкой точки.

В популяционном компартментном анализе используются такие алгоритмы, как метод первого порядка или FO, условная оценка первого порядка или FOCE, стохастическая аппроксимация максимизации ожиданий и методы максимизации ожиданий максимального правдоподобия.

Алгоритмы FO и FOCE в NONMEM линеаризуют модель с помощью разложений рядов Тейлора первого порядка.

FO оценивает межиндивидуальную изменчивость с использованием популяционного среднего и дисперсии post hoc, в то время как FOCE оценивает ее одновременно с этими параметрами.

В лапласианском методе FOCE вместо разложения первого порядка используется ряд Тейлора второго порядка.

Алгоритм MLEM максимизирует функцию правдоподобия с помощью итерационных шагов, не полагаясь на методы линеаризации.