Constatation: seules les considérations mathématiques ne peuvent pas répondre à la pertinence d`une prédiction de modèle dans un nouveau paramètre non testé. La quantification des incertitudes et l`évaluation de leur fiabilité pour une prédiction exigent un raisonnement à la fois statistique et objet. Rougier, J., M. Goldstein, et L. House. 2010. évaluation de l`écart de modèle à l`aide d`un ensemble multimodèle. Rapport technique du département des statistiques de l`Université de Bristol #08:17. Bristol, Royaume-Uni: Université de Bristol. Courbes dose-réponse dans un panel de lignées cellulaires TNBC. Chaque lignée de cellules a été plaquée et imagé sériquement par microscopie de fluorescence pendant 30 jours après un traitement de 6 heures de doxorubicine. Les dénombrements nucléaires de ces images sont affichés ci-dessous en noir avec des barres d`erreur représentant l`IC de 95% des six répliques expérimentales. Chaque colonne correspond à une ligne de cellule individuelle, et chaque rangée correspond à une concentration de doxorubicine.

Ces dénombrements sont adaptés aux EQS (4 – 5) comme décrit à la section 2,5. Le modèle s`adapte avec 95% CI sont superposées sur le nombre de cellules. Bien qu`il existe une variabilité significative de la sensibilité de la lignée cellulaire au traitement par la doxorubicine, la dynamique de chaque lignée cellulaire suit un schéma similaire: suivant le traitement, le taux de croissance démographique ralentit en fonction du traitement, et selon le traitement la durée et la concentration, on observe un rebond du taux de croissance démographique. L`une des utilisations les plus courantes de la modélisation prédictive est dans la publicité en ligne et le marketing. Les modélisateurs utilisent les données historiques des internautes, l`exécutant à travers des algorithmes pour déterminer quels types de produits les utilisateurs pourraient être intéressés et ce qu`ils sont susceptibles de cliquer sur. Gelman, A., X.L. Meng, et H. Stern. 1996 évaluation prédictive postérieure de l`aptitude du modèle par des écarts réalisés.

STATISTICA Sinica 6:733-769. Les valeurs des paramètres de modèle ont été modifiées en fonction des conditions de traitement dans une lignée de cellules donnée. Dans la Fig. 5, les valeurs des paramètres avec des intervalles de confiance correspondants de 95% extraits des expériences avec la ligne de cellules SUM-149PT sont rapportées. Notez que les valeurs de paramètre extraites dans toutes les expériences de temps d`exposition pour toutes les lignées de cellules étudiées semblent s`effondrer en une seule courbe pour chaque paramètre lorsqu`elles sont tracées en fonction de C B, max. De même, la capacité de charge (θ) semble légèrement changer en fonction de l`état du traitement (Fig. S7, matériaux supplémentaires). Cependant, θ n`a pas pu être estimé pour des doses élevées de doxorubicine qui induisent la régression de population. De plus, différents modèles sont sélectionnés sur la gamme des traitements. EQ. (5B) est favorisé à la C B inférieure, valeurs maximales (w B ≈ 1) pour la ligne de cellules SUM-149PT, tandis que EQ.

(5A) est sélectionné à des valeurs plus élevées (w B ≈ 0) (Fig. S8, matériaux supplémentaires). De note, le modèle est relativement insensible aux valeurs de r à faible C B, Max avec S TI ≤ 0,3 (ce qui signifie que d`autres paramètres représentent 70% de la variation du modèle dans cette plage). Les paramètres et les poids du modèle étaient d`abord adaptés aux données de réponse au traitement dans l`ensemble d`entraînement, comme décrit dans la section 2,5. Ensuite, chaque condition de traitement dans l`ensemble d`essai a été décrite par ses valeurs C B, Max et AUC. Étant donné que ces valeurs dans l`ensemble de tests ne peuvent pas se chevaucher exactement avec ces valeurs dans les données d`apprentissage, des modèles de régression linéaire localisés ont été utilisés pour interposer l`espace des paramètres pour générer des estimations de paramètres au niveau de C B, Max et AUC values46 spécifiés. Cette approche s`adapte à un modèle linéaire pour former des données à proximité du C B, du Max et de l`ASC d`intérêt. Les poids de modèle (c.-à-d.

w A et w B) pour l`ensemble d`essai ont ensuite été estimés par le biais d`un modèle logistique binomiale. Cette fonction logistique a été formée pour définir la relation entre les pondérations estimées du modèle dans le jeu d`entraînement et les valeurs correspondantes des paramètres C B, Max, AUC et Model.