Les auteurs étendent le cadre de l'autoencodeur variationnel Bayes empirique (EB-VAE) pour modéliser conjointement les mesures tumorales longitudinales et les données de censure par temps jusqu'à l'événement. L'approche utilise une distribution a priori conditionnée par les covariables pour représenter la variabilité inter-individuelle et augmente le décodeur avec un modèle de risque pour tenir compte de la censure informative.
- Les décodeurs semi-mécanistes hybrides ont récupéré des paramètres d'effet de traitement cohérents avec les estimations à effets mixtes non linéaires tout en maintenant les performances neurales.
- Le conditionnement génétique a amélioré les prédictions a priori au niveau individuel dans les expériences sur le mélanome cutané et le cancer du sein.
- La sélection de stabilité a identifié des indicateurs génétiques biologiquement plausibles, y compris des altérations de BRAF, NRAS, NF1 et MDM2.
Ce travail démontre que l'EB-VAE fournit un cadre probabiliste flexible pour combiner la dynamique neuronale, la structure mécaniste et les covariables de haute dimension dans les applications pharmacométriques.