Para penulis memperluas kerangka kerja autoencoder variasional Bayes empiris (EB-VAE) untuk memodelkan secara bersamaan pengukuran tumor longitudinal dan data dropout waktu-ke-acara. Pendekatan ini menggunakan prior yang dikondisikan oleh kovariat untuk mewakili variabilitas antar-individu dan menambahkan model hazard ke decoder untuk mengakomodasi dropout informatif.
- Decoder semi-mekanistik hibrida memulihkan parameter efek pengobatan yang konsisten dengan estimasi efek campuran nonlinier sambil mempertahankan kinerja neural.
- Kondisioning genetik meningkatkan prediksi prior tingkat individu dalam eksperisme melanoma kulit dan kanker payudara.
- Seleksi stabilitas mengidentifikasi indikator genetik yang secara biologis masuk akal, termasuk perubahan pada BRAF, NRAS, NF1, dan MDM2.
Karya ini menunjukkan bahwa EB-VAE menyediakan kerangka kerja probabilistik yang fleksibel untuk menggabungkan dinamika neural, struktur mekanistik, dan kovariat berdimensi tinggi dalam aplikasi farmakometrik.