Os autores estendem o framework do autoencoder variacional de Bayes empírico (EB-VAE) para modelar conjuntamente as medições longitudinais do tumor e os dados de abandono por tempo até evento. A abordagem utiliza uma prior condicionada a covariáveis para representar a variabilidade interindividual e augmenta o decodificador com um modelo de risco para levar em conta o abandono informativo.
- Os decodificadores semi-mecanicistas híbridos recuperaram parâmetros do efeito do tratamento consistentes com as estimativas de efeitos mistos não lineares enquanto mantinham o desempenho neural.
- O condicionamento genético melhorou as previsões a priori em nível individual em experimentos de melanoma cutâneo e câncer de mama.
- A seleção estável identificou indicadores genéticos biologicamente plausíveis, incluindo alterações em BRAF, NRAS, NF1 e MDM2.
Este trabalho demonstra que EB-VAE fornece um framework probabilístico flexível para combinar dinâmica neural, estrutura mecanicista e covariáveis de alta dimensão em aplicações farmacométricas.