リッチ、ミディアム、スパースサンプリングデータを介してNonMem®を使用した個体群薬物動態分析におけるFOCEIおよびSAEM推定方法の評価

背景と目的：相互作用による一次条件推定（FOCEI）は、非線形混合効果モデリングで最も一般的に使用される推定方法の1つですが、確率的近似期待最大化（SAEM）はより新しい推定アルゴリズムです。この作業は、NONMEM®をリッチ、ミディアム、およびスパースデータにまたがるクラシックな1コンパートメントモデルと2コンパートメントモデルを使用する場合のFOCEIメソッドとSAEMメソッドのパフォーマンスを比較することを目的としています。 方法：以前の研究の1つのコンパートメントモデルと2つのコンパートメントモデルを使用して、リッチ、メディア、スパースデータの3つのシナリオでデータをシミュレートしました。各シナリオには、各データセットに100個の個人を含む100個のデータセットがありました。すべてのデータセットは、FOCEIメソッドとSAEMメソッドの両方で推定されました。シミュレーションと推定は、NonMem®を使用して実行されました。完了率、相対推定誤差（％RERS）の割合、ルート平均平方根誤差（RMS）、およびランタイムは、それぞれ完了、精度、精度、および推定速度を評価するために考慮されました。 結果：FOCEIとSAEMの両方のメソッドは、同等の完了率、中央値RERS（FOCEIの場合は9.03から3.27％、SAEMで9.17〜3.27％の範囲）およびRMSES（FOCEIで0.0004から1.244、SAEMESの0.0004から1.131の範囲の範囲を提供しました。）3つのシナリオにわたる両方のモデルのほとんどのパラメーターの場合。走行時間は、SAEMメソッド（4.64〜12.03分）と比較して、FOCEI（0.18〜0.98分の範囲）ではるかに短かった。 結論：古典的な1つのコンパートメントモデルと2つのコンパートメントモデルの場合、FOCEIメソッドはSAEMメソッドと同様の同等のパフォーマンスを示しましたが、リッチ、ミディアム、スパースサンプリングシナリオ全体でかなり短いランタイムがありました。

BACKGROUND AND OBJECTIVES: First-order conditional estimation with interaction (FOCEI) is one of the most commonly used estimation methods in nonlinear mixed effects modeling, while the stochastic approximation expectation maximization (SAEM) is the newer estimation algorithm. This work aimed to compare the performance of FOCEI and SAEM methods when using NONMEM® with the classical one- and two-compartment models across rich, medium, and sparse data. METHODS: One- and two-compartment models of the previous studies were used to simulate data in three scenarios: rich, medium, and sparse data. For each scenario, there were 100 data sets, containing 100 individuals in each data set. Every data set was estimated with both FOCEI and SAEM methods. The simulation and estimation were performed using NONMEM®. The completion rates, percentage of relative estimation errors (%RERs), root mean square errors (RMSEs), and runtimes were considered to assess the completion, accuracy, precision, and speed of estimation, respectively. RESULTS: Both FOCEI and SAEM methods provided comparable completion rates, median %RERs (ranged from - 9.03 to 3.27% for FOCEI and - 9.17 to 3.27% for SAEM) and RMSEs (ranged from 0.0004 to 1.244 for FOCEI and 0.0004 to 1.131 for SAEM) for most parameters in both models across three scenarios. The run times were much shorter with FOCEI (ranged from 0.18 to 0.98 min) compared to SAEM method (ranged from 4.64 to 12.03 min). CONCLUSIONS: For the classical one- and two-compartment models, FOCEI method exhibited comparable performance similar to SAEM method but with significantly shorter runtimes across rich, medium, and sparse sampling scenarios.