Learning pharmacometric model structures from data

Farmakometriska modeller är matematiska modeller som används för att beskriva sambandet mellan läkemedelsbehandling och patientsvar. En central del i farmakometriska modeller är att förutspå individuella patientsvar baserat på patientspecifika faktorer, så kallade kovariater. Sådana individuella prediktioner utgör basen inom precisionsmedicin som har som mål att uppnå optimal behandling i varje enskild patient. Kovariater har historiskt varit begränsade till patientdemografi så som vikt, längd och kön och fokus har legat på vilka kovariater som är relevanta för att förutspå patientsvar. Mindre fokus har lagts på kovariatmodellens matematiska struktur.
Insamling av till exempel genetisk data och data relaterad till livsstil ger utökad kunskap om patienter på individnivå och ger i sin tur möjlighet att förbättra de farmakometriska modellernas prediktioner. Detta projekt har som mål att utveckla metoder som har förmåga att hantera den ökade komplexiteten i data som tillkommer. Projektet har även som fokus att utveckla metoder baserade på maskininlärning för att kunna identifiera den matematiska strukturen i kovariat-patientsvarsambandet.