Le modèle de base
ne contient pas de covariables.
Le modèle de base recherche le modèle compartimental
et les modèles d'erreur les plus appropriés c'est-à-dire permettant la plus
faible fonction objective.
Il s'agit donc d'évaluer:
1- les différents modèles PK (1, 2 ou 3 compartiments), l'absorption d'ordre 0 ou 1, l'élimination d'ordre 1 ou type Michaelis Meten …
2- les différents modèles de variabilité inter-individuelle (additif, exponentiel), avec ou sans covariance entre plusieurs paramètres. Le plus souvent il s'agit en fait d'identifier les paramètres pour lesquels une erreur inter-individuelle de type exponentielle sera estimée. Il est peu fréquent qu'une erreur de type additive soit choisie pour un paramètre PK (sauf peut-être pour la constante d'absorption).
3- les différents modèles de variabilité résiduelle. Il peut être conseillé de commencer avec un modèle mixte et en fonction des résultats, choisir soit de le conserver, soit de passer à un modèle additif ou proportionnel. Une autre possibilité est de fixer la partie additive à la valeur de la limite de quantification analytique et de laisser estimer la partie proportionnelle.
Exemple de tests autour des variabilités inter-individuelles:
$PK
; Between Subject Variability sur tous les paramètres
CL = THETA(1) * EXP(1)
V1 = THETA(2) * EXP(2)
Q = THETA(3) * EXP(3)
V2 = THETA(4) * EXP(4)
puis tester
différents combinaison
$PK
; Between Subject Variability sur 3 des 4 paramètres
CL = THETA(1) * EXP(1)
V1 = THETA(2) * EXP(2)
Q = THETA(3) * EXP(3)
V2 = THETA(4)
$PK
; Between Subject Variability sur 3 des 4 paramètres
CL = THETA(1) * EXP(1)
V1 = THETA(2) * EXP(2)
Q = THETA(3)
V2 = THETA(4) * EXP(3)
$PK
; Between Subject Variability sur 2 des 4 paramètres
CL = THETA(1) * EXP(1)
V1 = THETA(2) * EXP(2)
Q = THETA(3)
V2 = THETA(4)
.../...
On voit qu'il y a un grand nombre de possibilités et donc de tests avant d'identifier les conditions optimales.