Los autores extienden el framework del autoencoder variacional de Bayes empírico (EB-VAE) para modelar conjuntamente las mediciones longitudinales del tumor y los datos de abandono por tiempo hasta evento. El enfoque utiliza una prior condicionada a covariables para representar la variabilidad interindividual y augmenta el decodificador con un modelo de riesgo para tener en cuenta el abandono informativo.
- Los decodificadores semi-mecanicistas híbridos recuperaron parámetros del efecto del tratamiento consistentes con las estimaciones de efectos mixtos no lineales mientras mantenían el rendimiento neural.
- El condicionamiento genético mejoró las predicciones a priori a nivel individual en experimentos de melanoma cutáneo y cáncer de mama.
- La selección estable identificó indicadores genéticos biológicamente plausibles, incluidas alteraciones en BRAF, NRAS, NF1 y MDM2.
Este trabajo demuestra que EB-VAE proporciona un framework probabilístico flexible para combinar dinámica neural, estructura mecanicista y covariables de alta dimensión en aplicaciones farmacométricas.