New Visual Diagnostic Tools for Pharmacometric Models

Abstract

The visual predictive check (VPC) method is a popular way to validate models in pharmacometric area. However, the binning of the independent variable makes it less effective, and the precision of a VPC plot decreases, especially when the data are observed sparsely. To improve the precision of the VPC, we adapted the idea of the average shifted histogram (ASH), and propose the average shifted visual predictive check (asVPC). asVPC aggregates the information from several neighboring bins. With this approach, we can overcome current problems with VPC, especially from data sparsity. Also, it allows for more precise decisions for model diagnostics. The asVPC produces clearer and more precise plots than the original VPC method.;약동학에서 사용되는 모델의 진단방법 중 VPC(Visual Predictive Check)가 가장 널리 쓰인다. 하지만 얻어진 관측치가 넓게 퍼져 있으면 독립 변수에 따라 범례를 나누는 작업이 VPC의 정확도가 떨어지게 할 수 있다. 본 논문에서는 이를 해결하기 위해 해당 범례의 정보와 주변에 있는 범례의 정보에 가중치를 두어 결합을 하는 ASH(Average Shifted Histogram)의 아이디어를 차용한 asVPC(Average Shifted Visual Predictive Check) 방법을 제안한다. asVPC는 이동 히스토그램의 개수인 𝑚에 따라 VPC의 신뢰구간 영역을 줄여 VPC의 정확도를 높일 수 있다.