通过将模型群体校准至数据密度来解锁数据集：一项心房电生理学研究
组织与器官
2017-06-22 v1 统计方法学
摘要
对复杂物理或生物系统的理解几乎总是需要表征支撑这些过程的变异性。此外，用于校准此类模型的数据也常常表现出相当大的变异性。近期处理这些问题的一种方法是校准模型群体（populations of models, POMs），即单个数学模型的多个副本但具有不同的参数值。迄今为止，这种校准仅限于选择那些产生的输出落在数据集范围内的模型，而忽略了数据中可能存在的任何趋势。我们在此提出一种新颖且通用的方法，用于将 POMs 校准至数据集中一组测量值的分布。我们利用一项基于窦性心律（SR）或慢性心房颤动（cAF）患者心房动作电位读数差异的心脏心房电生理学研究数据集，以及用于人类心房动作电位的 Courtemanche--Ramirez--Nattel 模型，展示了我们技术的优势。我们的方法准确捕捉了实验群体中固有的变异性，并使我们能够识别分层数据背后的差异以及药物阻滞的影响。
引用
@article{arxiv.1706.06763,
title = {Unlocking datasets by calibrating populations of models to data density: a study in atrial electrophysiology},
author = {Brodie A. J. Lawson and Christopher C. Drovandi and Nicole Cusimano and Pamela Burrage and Blanca Rodriguez and Kevin Burrage},
journal= {arXiv preprint arXiv:1706.06763},
year = {2017}
}