《Pharmaceutics》：Individual Influence in Population Pharmacokinetics Depends on Underlying Mechanism: Evidence from a Jackknife ΔOFV Approach
编辑推荐：
背景：识别具有影响力的个体是非线性混合效应模型建模中的关键步骤，然而常用的诊断方法主要反映局部模型拟合或参数扰动，可能无法完全捕捉个体数据对模型估计的全部影响。方法：基于一级吸收的一室药代动力学模型开展了一项模拟研究。研究了四种情景：无诱导影响的参考情景、残差
背景：识别具有影响力的个体是非线性混合效应模型建模中的关键步骤，然而常用的诊断方法主要反映局部模型拟合或参数扰动，可能无法完全捕捉个体数据对模型估计的全部影响。方法：基于一级吸收的一室药代动力学模型开展了一项模拟研究。研究了四种情景：无诱导影响的参考情景、残差离群值情景、具有丰富采样的结构性影响个体情景以及潜在亚群情景。对于每种情景，模拟了25个数据集，每个数据集包含100名个体，并使用留一法Jackknife方法评估个体影响。影响指标包括目标函数值变化（ΔOFV）和参数扰动度量。在受试者水平和数据集水平上评估了检测性能。结果：所有Jackknife运行均成功完成且可分析。残差离群值能够被ΔOFV和基于参数的指标一致识别。相比之下，结构性影响个体能够被ΔOFV可靠检测（中位秩=1），但基于参数的指标无法检测（中位秩≈25）。在各情景中，ΔOFV与参数扰动之间的关联较弱，在结构性影响情景中几乎不存在关联。在潜在亚群情景中，个体水平检测有限，但数据集水平检测仍然有效，亚群成员中至少有一个经常出现在排名最前的个体中。结论：非线性混合效应模型中的个体影响强烈依赖于机制。基于Jackknife的ΔOFV提供了一种直接且通用的个体影响度量，能够同时检测残差离群值和结构性影响个体。相比之下，基于参数的指标量化的是参数敏感性而非个体影响，因此在特定情境下可能忽略有影响的受试者。这些发现支持将Jackknife删除法作为药理学工作流程中影响评估的参考方法。
**论文解读：基于Jackknife ΔOFV方法的群体药代动力学个体影响评估研究**
**一、研究背景与问题**
在临床药理学中，群体药代动力学（population pharmacokinetics, PopPK）建模采用非线性混合效应模型（nonlinear mixed-effects model, NLME）作为标准框架，用于表征药物暴露变异性并指导异质性患者群体的给药策略。该分析的一个基本假设是群体参数估计对数据集中的个体受试者具有稳健性。然而在实际中，某些个体可能对固定效应估计产生不成比例的影响，无论是作为统计离群值、高杠杆点还是未建模亚群的成员，均可能导致模型偏倚并损害其泛化能力。因此，识别具有影响力的个体是建模过程中的关键步骤。
目前常规使用的诊断方法主要包括条件加权残差（conditional weighted residuals, CWRES）和个体目标函数值贡献（individual objective function value, iOFV）。CWRES提供个体水平的局部失拟度量，iOFV则提供基于似然的指标，反映模型对每个受试者数据的拟合程度。这些工具虽然广泛可用且计算成本低，但其捕捉个体对全局参数估计真实影响的能力尚未得到正式表征。关键局限在于，这两种指标均来源于完整模型拟合，作为条件个体估计，它们还受到收缩（shrinkage）的影响，且不能直接量化如果移除某个受试者会发生什么变化。
留一法Jackknife方法通过迭代移除每个受试者并重新估计模型，直接提供了目标函数值变化（ΔOFV）和参数估计变化（Δθ），从而以无歧义、模型无关的方式反映个体影响。然而，这两种衍生指标在受控模拟条件下能否捕捉不同的个体影响机制，尚未得到系统表征。此外，Jackknife方法的实际应用受限于其对PsN（基于Perl的基础设施）的依赖，而PsN需要Unix兼容环境，在许多临床和学术环境中存在兼容性障碍。
**二、研究内容与主要结论**
本研究构建了一个完全自动化、基于R的Jackknife分析流程，用于NONMEM，不依赖PsN且兼容标准Windows环境。采用模拟研究，在四种机制不同的情景下比较了ΔOFV和Δθ两种指标：参考情景（无污染）、残差离群值情景、具有丰富采样的结构性影响个体情景以及潜在亚群情景。研究旨在阐明每种方法在何种条件下能可靠识别有影响个体，并提出适用于常规药理学实践的实用工作流程。
研究共模拟了10,000次Jackknife运行，所有运行均成功完成且满足预定义质量标准。主要结果如下：残差离群值（情景B）能被ΔOFV和基于参数的指标一致识别，操纵个体均排名第一。结构性影响个体（情景C）能被ΔOFV显著识别（中位秩=1），但基于参数的指标无法识别（中位秩≈25），表明ΔOFV与参数扰动之间存在近乎完全的脱节。潜在亚群情景（情景D）中，个体水平检测有限，但数据集水平检测有效：至少一个亚群成员经常出现在排名靠前的个体中。跨所有情景，ΔOFV与参数扰动之间的相关性普遍较弱（中位Spearman ρ范围为-0.06至0.15），尤其在情景C中几乎为零。
研究结论指出，NLME模型中的个体影响强烈依赖于机制。基于Jackknife的ΔOFV提供直接且通用的影响度量，能够同时检测残差离群值和结构性影响个体；而基于参数的指标量化的是参数敏感性而非个体影响，可能遗漏特定情境下的有影响受试者。这些发现支持将Jackknife删除法作为药理学工作流程中影响评估的参考方法。
**三、关键技术方法**
研究人员采用以下主要技术方法：（1）模拟研究：基于一级吸收的一室药代动力学模型生成数据集，清除率（CL）、分布容积（V）和吸收速率常数（KA）的典型值分别为5 L/h、50 L和1 h?1，个体间变异使用指数模型（标准偏差0.3），残留误差为比例误差（20%变异系数）。每个数据集包含100名受试者，每名受试者在8个时间点（0, 0.5, 1, 2, 4, 8, 12, 24 h）采样，单次口服剂量100单位。共对每种情景生成25个独立数据集。（2）模型估计：使用NONMEM 7.6版本，采用FOCEI算法拟合群体药代动力学模型。（3）Jackknife程序：对每个数据集执行留一法，即创建N个数据集（N=100），每个数据集排除一个个体，并用相同模型重新拟合，提取目标函数值和固定效应参数。（4）影响度量：计算ΔOFV（目标函数值变化）和Δθ（相对参数变化），并评估检测性能（受试者水平排名和数据集水平检测率）。（5）统计分析：使用非参数Bootstrap（5000次重复）计算中位数置信区间，使用精确二项置信区间评估检测比例。所有分析在R（版本4.6.1）中实现，使用dplyr、readr、purrr、ggplot2、tibble包。未使用PsN。
**四、研究结果**
**3.1 模型估计和Jackknife运行的整体质量**：所有10,000次Jackknife运行均成功完成，满足最小化和协方差步骤等质量标准，无数据集被排除，可分析运行比例为100%。
**3.2 跨情景的全局影响模式**：参考情景（A）中|ΔOFV|分布狭窄，参数扰动极小。情景B、C、D显示|ΔOFV|变异增加。情景D表现出最高比例的条件数显著变化，表明与潜在模型错误指定相关的数值不稳定性增加。情景B显示中等不稳定性，情景C尽管存在高信息个体，但相对稳定。所有情景中相对参数变化总体较小，无删除导致超过5%的变化。
**3.3 ΔOFV与参数扰动之间的关系**：中位Spearman相关（95% Bootstrap CI）在情景A为0.05（0.01-0.11），情景B为0.15（0.09-0.19），情景D为0.13（0.07-0.18），情景C为-0.06（-0.11至0.01）。情景C中几乎完全脱节，表明似然变化与参数变化是独立概念。
**3.4 操纵个体检测：受试者水平分析**：情景B中，|ΔOFV|和参数指标均将操纵个体排名第一（中位秩=1）。情景C中，|ΔOFV|排名中位数为1，而参数指标排名中位数约为25（接近随机）。情景D中，|ΔOFV|中位秩约31，参数指标约10，表明单一个体在孤立考察时无一致强影响。
**3.5 操纵个体检测：数据集水平分析**：情景B和C中数据集水平结果与受试者水平一致。情景D中，尽管个体水平检测差，数据集水平检测仍有效：基于参数指标，Top 1检测率为80%（95% CI, 59-93%），Top 3和Top 5均为100%（95% CI, 86-100%），表明亚群存在可通过聚合信号可靠检测。
**3.6 跨情景发现总结**：残差离群值（情景B）易被所有指标检测；结构性影响个体（情景C）仅被ΔOFV识别；潜在亚群（情景D）不能在个体水平检测，但可在数据集水平通过聚合影响信号识别。
**五、讨论与结论**
研究讨论部分指出，个体影响的可检测性取决于影响机制。ΔOFV作为直接测量，通过重新计算删除受试者后的目标函数，量化个体对模型似然的贡献，不依赖完整拟合的近似。与iOFV和CWRES相比，ΔOFV能捕捉全局影响。参数变化和似然变化脱节在实际中具有重要意义，参数指标描述参数估计对个体删除的敏感性，而非个体对模型估计的影响。残差诊断和参数诊断各自存在局限，CWRES无法检测结构性影响个体，参数指标可能遗漏高影响个体。潜在亚群检测需在数据集水平聚合信号。实际工作流程建议采用分层方法：先使用低成本筛查工具（CWRES、iOFV），当怀疑有影响个体时，运行Jackknife删除进行最终评估。研究局限包括计算成本随受试者数线性增长、模拟基于单一模型和单一扰动强度、操纵个体身份需事后重建可能降低情景D检出率（保守估计）、仅量化固定效应参数影响。未来方向包括扩展到多室或非线性消除模型、不同扰动强度、梯度效应，以及将Jackknife扩展到随机效应方差分量（Ω矩阵）。
研究结论总结：一个受试者是否对群体模型重要取决于其影响如何产生，因此没有单一诊断方法足够。留一法ΔOFV在所有检查的机制中识别有影响受试者，包括情景C中信息丰富的受试者，其似然印记对参数指标几乎不可见。参数扰动（Δθ）捕获不同量（估计值在移除受试者后的移动程度），在数据集水平评估时是潜在亚群的更敏感标记。两种度量互补：ΔOFV反映受试者塑造拟合的强度，Δθ反映参数移动的程度，两者单独使用均不足。在实践中，应匹配诊断与问题，将低成本筛查工具视为第一轮，而非最终评估；若有疑问，Jackknife删除直接解决。该流程不依赖PsN且可在标准Windows系统运行，使案例删除诊断更易用于常规药理学实践。
