‫نماذج الحجرة لألنظمة الفيزيولوجية‬

Compartmental Models of
physiologic Systems
 ‫مبادئ و تعاريف‬
‫• الحجرة )‪ :(compartment‬هي كمية من المادة و التي‬
‫يجب أن تكون مخلوطة جيداً و متجانسة حركياً‪.‬‬

‫• نموذج الحجرة )‪ :(compartmental model‬يتألف من‬

‫عدد منته من الحجرات ترتبط داخلياً مع بعضها‪.‬‬

‫• الربط الداخلي يمثل معدل تدفق (جريان) المواد‪ ،‬و الذي‬

‫يمثل فيزيائياً انتقالها من مكان إلى آخر أو تحول كيميائي أو‬
‫االثنين معاً‬
‫نموذج بثالث حجرات‪ ،‬تدخل المادة مرة أخرى إلى الحجرة الثالثة (السهم‬
‫الداخل إلى الحجرة) و بشكل معاكس تغادر الحجرة الثانية (السهم الخارج‬
‫من الحجرة) و تحدث تبادالت المادة بين الحجرة الثالثة و األولى و التي‬
‫تمثل بأسهم‪ ،‬الحجرة األولى يمكن الوصول إليها من أجل استخدامها كدخل‬
‫لالختبار أو كمخرج للقياس وهي ممثلة بالرسم على الترتيب بالسهم الكبير‬
‫و الخط المنقط‬
 ‫مفهوم الحجرة‬
‫• بماًأنًمفهومًالحجرةًهوًفضاءًفيزيائيًيمكنًاختيارًبالزماًالدمًلتكون حجرة‪.‬‬

‫كماًأنًغلوكوزًالبالزماًيمكنًأنًيكونًحجرة‪.‬‬ ‫•‬

‫• وًفيًبعضًالتجاربًيمكنًمالحظةًعدةًموادًفيًالبالزماًمثل‪ً:‬غلوكوزً‬
‫البالزما‪ً،‬الالكتات ‪ lactate‬وًاألالنين (حمضًأميني)ً‪ً،alanine‬و بالتاليًيمكنً‬
‫أنًيكونًفيًنفسًالتجربةًأكثرًمنًحجرةًبالزماً(واحدةًلكلًمادةًتتمًدراستها)‪ً.‬‬

‫• يمتدًهذاًالمفهومًإلىًأكثرًمنًالبالزماًفسداسيًفوسفاتًالغلوكوزً‪glucose-6-‬‬
‫‪ phosphate‬يمكنًأنًيكونًحجرتينًمختلفتينًداخلًالكبد‪ً.‬‬

‫• وًبالتاليًفإنًالفضاءًالفيزيائيًيمكنًأنًيُمثّلًبأكثرًمنًحجرةًواحدة‪.‬‬
 ‫مبدأي الخلط الجيد و التجانس الحركي‬
‫• يعني الخلط الجيد أن أي عينتين تؤخذان من الحجرة ذاتها في‬
‫نفس الوقت يجب أن يكون لهما نفس تركيز المادة المدروسة و‬
‫بالتالي يكون التمثيل متساوياً‪ .‬و بالتالي فإن مفهوم الخلط الجيد‬
‫يرتبط بتوحد المعلومات المحتواة في الحجرة الواحدة‪.‬‬
‫• يقصد بالتجانس الحركي أن كل جزيء في الحجرة له نفس‬
‫احتمال سلوك طرق الخروج من الحجرة‪ .‬و عندما يغادر جزيء‬
‫الحجرة فإن هذا يحصل بسبب األحداث االستقالبية المتعلقة‬
‫باالنتقال و االستهالك‪ ،‬و هذا يعني بأن كل الجزيئات في الحجرة‬
‫لها نفس احتمال المغادرة بسبب أحد هذه العمليات (األحداث)‪.‬‬
‫• إن مفهوم الحجرة المتعلق بتجميع المادة التي لها خواص‬
‫متشابهة في مجموعات متجانسة و تتصرف بشكل مثالي و‬
‫منتظم‪ ،‬هو ما يسمح بتقليص النظام الفيزيولوجي المعقد إلى‬
‫عدد محدود من الحجرات و الممرات الطرقية بينها‬
 ‫عدد الحجرات‬
‫‪1‬‬
‫• يعتمد عدد الحجرات على كل من النظام المدروس و على‬
‫‪2‬‬
‫مدى توصيف التجربة‪ .‬و من الواضح تماماً أن نموذج‬
‫الحجرة هو نموذج فريد و مختلف بالنسبة لكل نظام مدروس‬
‫و ذلك ألنه يستخدم الفيزيولوجيا و الكيمياء الحيوية المعروفة‬
‫و المفترضة‪ .‬و هو يزود الباحث بنظرة داخلية إلى داخل‬
‫تركيب النظام‪ ،‬و تقدر جودته بمدى جودة االفتراضات التي‬
‫تم تضمينها قي تركيب النموذج‪.‬‬
 ‫نموذج الحجرة‬
‫• يمثل الشكل الحجرة رقم ‪ i‬لنموذج مؤلف من ‪ n‬حجرة‪.‬‬

‫• تشير ‪ 𝑞𝑖 ≥ 0‬إلى كتلة الحجرة‪ ،‬كما تشير األسهم إلى معدل التدفق داخل و خارج الحجرة‪.‬‬

‫• إن معدل تدفق الدخل إلى الحجرة من خارج النظام (الدخل) و الذي يمكن أن يكون مدخل االختبار‬
‫الخارجي يمثل بالرمز ‪.𝑈i ≥ 0‬‬

‫• معدل التدفق إلى البيئة الخارجية و بالتالي إلى خارج النظام يمثل بـ 𝑖𝑜𝐹‪.‬‬

‫• معدل التدفق من الحجرة ‪ i‬إلى ‪ j‬يرمزله بـ 𝑖𝑗𝐹 و معدل التدفق من ‪ j‬إلى ‪ i‬يرمز له بـ 𝑗𝑖𝐹‪.‬‬
 ‫نح ل على المعادلة العامة لنموذج الحجرة من خالل معادلة التوا ن الكتلي لكل حجرة‪:‬‬
‫= ‪qi‬‬ ‫𝑖≠ 𝑗‬ ‫‪𝐹𝑖𝑗 −‬‬ ‫𝑖𝑗𝐹 𝑖≠ 𝑗‬ ‫𝑖𝑢 ‪− 𝐹𝑜𝑖 +‬‬ ‫)‪(1‬‬
‫بحي ‪𝑞𝑖 0 = 𝑞𝑖𝑜 :‬‬
‫معدالت التدفق ‪ 𝑈i‬تكون ابتة بشكل عام أو تواب للزمن فقط‪ .‬معدالت التدفق 𝑖𝑗𝐹 و ‪ 𝐹ij‬و ‪𝐹oi‬‬
‫األحيان تكون تواب بالنسبة للزمن‪ .‬و بالتالي من الممكن‬ ‫هي تواب لـ 𝑛𝑞 ‪ 𝑞1 , … . ,‬و في بع‬
‫كتابة‪:‬‬
‫‪𝐹𝑗𝑖 q ≡ K‬‬
‫𝑇‬
‫𝑛𝑞 ‪ 𝑞 = 𝑞1 , … . ,‬و هي عا الكتل ال ندوقية‪.‬‬ ‫حي ‪ q‬هي‬
 ‫و بالتالي ف نه يمكن كتابة المعادلة (‪ )1‬كما في الشكل التالي‪:‬‬

‫= ‪qi‬‬ ‫‪𝑗 ≠𝑖 𝑘ij‬‬ ‫‪𝑞 𝑞𝑗 −‬‬ ‫𝑖𝑗𝐾 𝑖≠ 𝑗‬ ‫𝑖𝑢 ‪𝑞 + 𝐾𝑜𝑖 𝑞 𝑞𝑖 +‬‬ ‫)‪(2‬‬

‫و تدعى ‪ 𝑘ij‬معامالت االنتقال الجز ية و ت ف المعادلة (‪ )2‬نموذج الحجيرة الالخ ي‪ ،‬ف ذا كان‬
‫‪ 𝑘ij‬ابتة أو تابعة فقط للزمن عندها ي ب نموذج الحجرة خ يا‪ ،‬ف ذا افتر نا أن ‪:‬‬
‫‪𝑘𝑖𝑖 = −‬‬ ‫𝑖𝑗𝑘 𝑖≠ 𝑗‬ ‫𝑖𝑜𝑘 ‪+‬‬

‫يمكن ان نكتب‪:‬‬
‫= 𝑖𝑞‬ ‫𝑗‬ ‫𝑖𝑢 ‪𝑘𝑖𝑗 𝑞 𝑞𝑗 +‬‬

‫𝑜𝑖𝑞 = ‪𝑞𝑖 0‬‬

‫و يكون نموذج النظام بأكمله كما يلي‪:‬‬
‫𝑢‪𝑞 =𝑘 𝑞 𝑞+‬‬ ‫‪𝑞 0 = 𝑞0‬‬ ‫)‪(2-a‬‬
‫حي ‪ K‬هو ما يسمى بم فوفة الحجرة و 𝑇] 𝑛𝑢 ‪ 𝑢 = [𝑢1 … .‬هو عا معدل تدفق الدخل إلى‬
‫الحجرات من خارج النظام‪ ،‬و في الحالة الخ ية يكون ‪ k‬اب و ي ب النموذج ‪:‬‬
‫𝑢 ‪𝑞 = 𝑘𝑞 +‬‬ ‫‪𝑞 0 = 𝑞0‬‬ ‫)‪(3‬‬
 ‫النموذج الخطي‬
‫• النموذجًفيًالمثالًيدرسًتتبعًالغلوكوزًفيًالحالةًالمستقرةً‬
‫علىًمستوىًكاملًالجسم‪ً.‬‬
 ‫النموذج الخطي‬
‫• استخدمت نماذج الحجرة الخطية بالترابط مع تجارب التتبع بشكل‬
‫مكثف في دراسة توزع المواد في األنظمة الحية و ذلك على‬
‫مستوى كامل الجسم و األعضاء و الخاليا‪.‬‬

‫• من أكثر تطبيقات نماذج الحجرة الخطية إثارة لالهتمام على‬

‫مستوى األعضاء هو توصيف تبادل المواد بين الدم و السائل‬
‫الخاللي و خاليا النسيج من خالل المعطيات المأخوذة لمحلول‬
‫يحوي عدة كواشف‪.‬‬

‫تقريبا محدوداً لنظام موصف عن‬

‫ً‬ ‫• إن نماذج الحجرة تعطي‬
‫طريق المعادالت التفاضلية الجزئية‪.‬‬
 ‫النموذج الالخطي‬
‫• يتواجدًالنموذجًالالخطي أيضاًبشكلًمتكررًفيًالتطبيقات‪.‬‬

‫و بالنسبة لمثل هذ النماذج تكون ‪ k‬تابعة لـ ‪ ،q‬و معظم قيم 𝑗𝑖𝑘 المعروفة هي تاب لعدد قليل‬
‫من مركبات ‪ q‬و البا ما تكون 𝑖𝑞 و 𝑗𝑞 ‪ ،‬و من األمثلة على تواب 𝑗𝑖𝑘 بالنسبة لـ 𝑖𝑞 و 𝑗𝑞 هي‬
‫تواب ‪ Michaelis-Menten‬و ‪ Langmuir‬الالخ ية و الموصفة بالترتيب كما يلي‪:‬‬
‫‪α‬‬
‫= ‪k ij qj‬‬
‫‪β+q j‬‬

‫𝑖𝑞‬
‫‪𝑘𝑖𝑗 𝑞𝑖 = 1 −‬‬
‫𝛾‬

‫‪ ‬و ‪ β‬و ‪ γ‬هي واب ‪.‬‬ ‫حي‬

 ‫النموذج الالخطي‬
‫تحكمًاإلنسولين بتوزع السكرًو استقالبه خاللًاضطرابًالسكرً‬
 ‫النموذج الالخطي‬
‫• و تعتبر النماذج التي تقوم بتوصيف نظام التحكم بتركيز الهرمون‬
‫من األمثلة المثيرة لالهتمام‪.‬‬

‫• يصف الشكل السابق تحكم اإلنسولين بتوزع السكر و استقالبه‬

‫خالل اضطراب السكر و الذي يؤدي بالنظام إلى الخروج عن‬
‫حالة االستقرار‪.‬‬

‫• و بما أنه ال يوجد تحويل داخلي مباشر‪ ،‬فإنه يجب الحصول على‬
‫نموذجي حجرة منفصلين‪ ،‬أحدهما من أجل حركة الغلوكوز و‬
‫اآلخر من أجل حركة اإلنسولين‪.‬‬
 ‫النموذج الالخطي‬
‫كال النموذجين يتفاعالن من خالل إ ارة التحكم الي تنبع من حجرة ا نسولين البعيدة و التي‬
‫تؤ ر على معدل االنتقال ‪ 𝑘𝑜2‬و المسؤولة عن استهال الغلوكو المعتمد على ا نسولين‪ ،‬وفي‬
‫هذ الحالة تكون المعادلة ‪:‬‬
‫‪k o2 q3 = δ + q3‬‬
‫حي ‪ δ‬هي اب ‪.‬‬
 ‫معادلة القياس‬

‫إن المعادلة (‪ )3‬توصف بنية نموذج الحجرة‪ ،‬و لكن هنا حاجة إلى نموذج لتوصيف القياس‪ ،‬يتم‬
‫وصف القياسات في النماذج المتعددة الحجرات عن ريق المعادلة الجبرية الخ ية‪.‬‬
‫𝑢 ‪𝑞 = 𝑘𝑞 +‬‬ ‫‪𝑞 0 = 𝑞0‬‬ ‫)‪(3‬‬
‫𝑞𝐶 = 𝑦‬ ‫)‪(4‬‬

‫𝑇‬
‫𝑚𝑦 … ‪ 𝑦1‬هو عا من ‪ m‬مخرج للنموذج و ‪ C‬هي م فوفة واب ‪ .‬و بما أن مخارج‬ ‫حي‬
‫النموذج عادة ما تكون تراكيز ف ن قيم ‪ C‬هي معكوس حجم الحجرات‪ ،‬كما يجب األخذ بعين‬
‫االعتبار أن عددا قليال من الحجرات قابل ألخذ القياس‪.‬‬
 ‫معادلة القياس‬

‫حد الخ أ ‪ e‬إلى‬ ‫البا ما ي ا‬ ‫إن المع يات الحقيقية عادة ما تكون م حوبة ب جي ‪ ،‬لذل‬
‫المعادلة (‪ )4‬و ذل لوصف القياسات الحقيقية‪.‬‬
‫𝑒‪𝑧 =𝑦+‬‬ ‫)‪(5‬‬
‫أن تكون األخ ا مستقلة و عادة ما تكون على‬ ‫عادة ما تع ى ‪ e‬توصيف احتمالي حي يفتر‬
‫‪ .‬و البا ما تجم العينات في أ منة متق عة 𝑁𝑡 ‪ 𝑡1 , … ,‬حي أن القياسات ال‬ ‫او‬ ‫كل تاب‬
‫نموذج‬ ‫تكون على كل تواب مستمرة م الزمن‪ .‬المعادالت ‪ 2-a‬و ‪3‬و ‪ 4‬و ‪ 5‬م بع ها تعر‬
‫الحجرة للنظام من حي بنية النظام والتوصيف التجريبي للدخل و الخرج‪.‬‬
 ‫قابلية التعريف‬
‫• لنفرض أنه تم وضع تركيب نموذج الحجرة ليصف النموذج الفيزيائي‪،‬‬
‫وتم تحديد عدد الحجيرات و الوصالت بينها‪ ،‬و هذه هي الخطوة‬
‫األصعب في بناء نموذج الحجرة‪.‬‬

‫• إن تركيب النموذج يعكس عدداً من الحقائق‪ :‬يمكن أن توجد بعض‬

‫المعرفة األولية عن النظام و التي من الممكن توظيفها داخل تركيب‬
‫النموذج‪ ،‬كما يمكن ادعاء بعض االفتراضات عن النظام و التي تنعكس‬
‫على بنية النموذج‪ ،‬باإلضافة إلى أنه يمكن الحصول على النموذج‬
‫باستخدام المحاكاة لمعرفة البنية المطلوبة من أجل تطابق العينات‪.‬‬

‫• و النتيجة هي الحصول على نموذج تكون فيه بارمترات مصفوفة‬

‫الحجرة ‪ K‬و مصفوفة المراقبة ‪ C‬في بعض األحيان مجهولة‪.‬‬
 ‫قابلية التعريف‬
‫• قبل إجراء التجربة لجمع المعطيات التي يجب تحليلها باستخدام النموذج‪ ،‬أو حتى بعد‬
‫إجراء التجربة فإنه قبل استخدام النموذج لتقييم البارامترات المجهولة من معطيات‬
‫التجربة‪ ،‬يظهر السؤال التالي‪ :‬هل تحتوي المعطيات على المعلومات الكافية لتقدير جميع‬
‫البارامترات المجهولة في بنية النموذج الموضوع؟‬

‫• وعادة ما يشار إلى هذا السؤال بالمصطلح مسألة قابلية التعريف ‪(identifiability‬‬
‫)‪.problem‬‬

‫• إن قابلية التعريف تفحص فيما إذا تم افتراض ‪ Y‬و التي تمثل المعطيات المثالية الخالية‬
‫من الضجيج و بنية نموذج الحجرة الخالي من األخطاء‪ ،‬فإنه يصبح من الممكن إجراء‬
‫تقدير لكافة البارامترات المجهولة ‪.‬‬

‫• هذا التقدير يمكن أن يكون وحيداً لكل بارامتر وبالتالي يمكن القول بأن النموذج يمكن‬
‫تعريفه كنموذج وحيد )‪(unique‬أو أن يكون بارامتر أو أكثر له أكثر من قيمة (عدد‬
‫محدود من القيم) و بالتالي يكون هناك أكثر من نموذج‪ ،‬أو أن يكون النموذج غير قابالً‬
‫للتعريف حيث يكون لبارامتر أو أكثر عدد ال نهائي من الحلول‪.‬‬
 ‫قابلية التعريف‬
‫• إن مسألة قابلية التعريف بشكل عام هي مسألة جبرية الخطية و‬
‫بالتالي فإنها صعبة الحل‪ ،‬و تزداد المسألة تعقيداً بزيادة درجة‬
‫النموذج (عدد الحجيرات في النموذج)‪.‬‬
‫• هناك العديد من الطرق لفحص قابلية التعريف بالنسبة لألنظمة‬
‫الخطية و الالخطية (انظر إلى المراجع) منها تابع التحويل‬
‫)‪ (transfer function‬على سبيل المثال‪.‬‬
‫• مما سبق نستنتج أن قابلية التعريف المسبقة للنموذج الوحيد هي‬
‫شرط أولي لتقدير البارمترات بشكل جيد‪ ،‬و هي خطوة ضرورية‬
‫و لكنها التضمن تقدير ناجح لبارمترات النموذج من معطيات‬
‫دخل – خرج حقيقية‪.‬‬
 ‫تقدير البارامترات‬
‫• في حال كانت قابلية التعريف لنموذج الحجرة تعطي قيم وحيدة‪ ،‬يمكن بعد ذلك‬
‫البدء بتقدير قيم البارامترات المجهولة باالعتماد على معطيات حقيقية ذات‬
‫ضجيج‪.‬‬

‫• عادة ما تعطي تجربة الدخل‪-‬الخرج مجموعة محدودة من القياسات المقطعة‬

‫زمنياً لتقدير البارامترات المجهولة لنموذج الحجرة‪.‬‬

‫• وتظهر المشاكل في عملية تقدير البارامترات كنتيجة لمصادر الخطأ المتعددة‪،‬‬

‫فعلى سبيل المثال هناك خطأ القياس ‪ e‬و الخطأ في بنية النموذج ‪K‬‬

‫• و الحالة األسهل هي اعتبار أن المعطيات الحقيقية ذات الضجيج تعكس خرج‬

‫النموذج مشوشاً بخطأ قياس تراكمي‪.‬‬
 ‫تقدير البارمترات‬
‫• ويتم الحصول على تقدير البارامترات باستخدام طريقة تقليل‬
‫أو االحتمال األعظمي‬ ‫مربعات الخطأ)‪(least squares‬‬
‫)‪.(maximum likelihood‬‬

‫• غالباً ما تكون أخطاء القياس مستقلة ‪ ،‬و غالباً ما تكون توزعاً‬

‫معروفاً كتابع غاوص على سبيل المثال‪.‬‬

‫• يحوي النموذج على عدد ‪ P‬من البارامترات المجهولة و التي‬

‫تحتاج إلى أن تقدر باالعتماد على سلسلة زمنية من المعطيات‬
‫التجريبية‪.‬‬
‫البنية العامة للنموذج التالي لتوصيف ديناميكية (الحركة) خرج النموذج و‬ ‫تم افترا‬
‫المع يات التجريبية و معادلة الحالة‪:‬‬

‫‪x t, θ = f x t, θ , u t , t, θ‬‬ ‫‪x t 0 , θ = x0‬‬

‫‪y t, θ = g x t, θ , θ‬‬

‫‪zl t k = yl t k + el t k‬‬ ‫‪k = 1, . . , N.‬‬ ‫‪l = 1, … , m‬‬

 ‫‪x t, θ = f x t, θ , u t , t, θ‬‬ ‫‪x t 0 , θ = x0‬‬

‫‪y t, θ = g x t, θ , θ‬‬

‫‪zl t k = yl t k + el t k‬‬ ‫‪k = 1, . . , N.‬‬ ‫‪l = 1, … , m‬‬

‫‪ x‬هو عا لـ ‪ n‬حالة‪ ،‬و ‪ u‬هو عا الدخل له ‪ r‬مدخل و ‪ y‬هو عا الخرج لـ‬ ‫حي‬
‫‪ m‬مخرج‪ f ،‬و ‪ g‬هما تابعان ال خ ي و خ ي على الترتيب‪ ،‬و اللذان يوصفان بنية النظام و‬
‫توصيف الخرج على الترتيب‪ ،‬كما أن بارامتراتهما توصف بالشعا ‪ zl .θ‬هو قياس الخرج رقم‬
‫أن يكون‬ ‫‪( l‬حي تم اخذ العينات لـ ‪ N‬فترة متق عة ‪ ،) t k‬و ‪ el‬هو خ أ القياس و الذي يفتر‬
‫‪ u t‬هي النسخة المستوفاة (المستكملة) )‪(interpolated‬‬ ‫ذو متوسط صفري‪.‬‬ ‫جي أبي‬
‫للدخل المقاس و الذي تم أخذ عيناته عند ‪ N‬فترة منية متق عة ) ‪.( t k‬‬
 ‫‪x t, θ = f x t, θ , u t , t, θ‬‬ ‫‪x t 0 , θ = x0‬‬

‫‪y t, θ = g x t, θ , θ‬‬

‫‪zl t k = yl t k + el t k‬‬ ‫‪k = 1, . . , N.‬‬ ‫‪l = 1, … , m‬‬

‫عدد التجارب‬
‫‪ x‬هو عا لـ ‪ n‬حالة‪ ،‬و ‪ u‬هو عا الدخل له ‪ r‬مدخل و ‪ y‬هو عا الخرج لـ‬ ‫حي‬
‫‪ m‬مخرج‪ f ،‬و ‪ g‬هما تابعان ال خ ي و خ ي على الترتيب‪ ،‬و اللذان يوصفان بنية النظام و‬
‫توصيف الخرج على الترتيب‪ ،‬كما أن بارامتراتهما توصف بالشعا ‪ zl .θ‬هو قياس الخرج رقم‬
‫أن يكون‬ ‫‪( l‬حي تم اخذ العينات لـ ‪ N‬فترة متق عة ‪ ،) t k‬و ‪ el‬هو خ أ القياس و الذي يفتر‬
‫‪ u t‬هي النسخة المستوفاة (المستكملة) )‪(interpolated‬‬ ‫ذو متوسط صفري‪.‬‬ ‫جي أبي‬
‫للدخل المقاس و الذي تم أخذ عيناته عند ‪ N‬فترة منية متق عة ) ‪.( t k‬‬
 ‫‪x t, θ = f x t, θ , u t , t, θ‬‬ ‫‪x t 0 , θ = x0‬‬

‫‪y t, θ = g x t, θ , θ‬‬

‫‪zl t k = yl t k + el t k‬‬ ‫‪k = 1, . . , N.‬‬ ‫‪l = 1, … , m‬‬

‫‪ x‬هو عا لـ ‪ n‬حالة‪ ،‬و ‪ u‬هو عا الدخل له ‪ r‬مدخل و ‪ y‬هو عا الخرج لـ‬ ‫حي‬
‫‪ m‬مخرج‪ f ،‬و ‪ g‬هما تابعان ال خ ي و خ ي على الترتيب‪ ،‬و اللذان يوصفان بنية النظام و‬
‫توصيف الخرج على الترتيب‪ ،‬كما أن بارامتراتهما توصف بالشعا ‪ zl .θ‬هو قياس الخرج رقم‬
‫أن يكون‬ ‫‪( l‬حي تم اخذ العينات لـ ‪ N‬فترة متق عة ‪ ،) t k‬و ‪ el‬هو خ أ القياس و الذي يفتر‬
‫‪ u t‬هي النسخة المستوفاة (المستكملة) )‪(interpolated‬‬ ‫ذو متوسط صفري‪.‬‬ ‫جي أبي‬
‫للدخل المقاس و الذي تم أخذ عيناته عند ‪ N‬فترة منية متق عة ) ‪.( t k‬‬
 ‫‪x t, θ = f x t, θ , u t , t, θ‬‬ ‫‪x t 0 , θ = x0‬‬

‫‪y t, θ = g x t, θ , θ‬‬

‫‪zl t k = yl t k + el t k‬‬ ‫‪k = 1, . . , N.‬‬ ‫‪l = 1, … , m‬‬

‫‪ x‬هو عا لـ ‪ n‬حالة‪ ،‬و ‪ u‬هو عا الدخل له ‪ r‬مدخل و ‪ y‬هو عا الخرج لـ‬ ‫حي‬
‫‪ m‬مخرج‪ f ،‬و ‪ g‬هما تابعان ال خ ي و خ ي على الترتيب‪ ،‬و اللذان يوصفان بنية النظام و‬
‫توصيف الخرج على الترتيب‪ ،‬كما أن بارامتراتهما توصف بالشعا ‪ zl .θ‬هو قياس الخرج رقم‬
‫أن يكون‬ ‫‪( l‬حي تم اخذ العينات لـ ‪ N‬فترة متق عة ‪ ،) t k‬و ‪ el‬هو خ أ القياس و الذي يفتر‬
‫‪ u t‬هي النسخة المستوفاة (المستكملة) )‪(interpolated‬‬ ‫ذو متوسط صفري‪.‬‬ ‫جي أبي‬
‫للدخل المقاس و الذي تم أخذ عيناته عند ‪ N‬فترة منية متق عة ) ‪.( t k‬‬
 ‫‪x t, θ = f x t, θ , u t , t, θ‬‬ ‫‪x t 0 , θ = x0‬‬

‫‪y t, θ = g x t, θ , θ‬‬

‫‪zl t k = yl t k + el t k‬‬ ‫‪k = 1, . . , N.‬‬ ‫‪l = 1, … , m‬‬

‫‪ x‬هو عا لـ ‪ n‬حالة‪ ،‬و ‪ u‬هو عا الدخل له ‪ r‬مدخل و ‪ y‬هو عا الخرج لـ‬ ‫حي‬
‫‪ m‬مخرج‪ f ،‬و ‪ g‬هما تابعان ال خ ي و خ ي على الترتيب‪ ،‬و اللذان يوصفان بنية النظام و‬
‫توصيف الخرج على الترتيب‪ ،‬كما أن بارامتراتهما توصف بالشعا ‪ zl .θ‬هو قياس الخرج رقم‬
‫أن يكون‬ ‫‪( l‬حي تم اخذ العينات لـ ‪ N‬فترة متق عة ‪ ،) t k‬و ‪ el‬هو خ أ القياس و الذي يفتر‬
‫‪ u t‬هي النسخة المستوفاة (المستكملة) )‪(interpolated‬‬ ‫ذو متوسط صفري‪.‬‬ ‫جي أبي‬
‫للدخل المقاس و الذي تم أخذ عيناته عند ‪ N‬فترة منية متق عة ) ‪.( t k‬‬
 ‫‪x t, θ = f x t, θ , u t , t, θ‬‬ ‫‪x t 0 , θ = x0‬‬

‫‪y t, θ = g x t, θ , θ‬‬

‫‪zl t k = yl t k + el t k‬‬ ‫‪k = 1, . . , N.‬‬ ‫‪l = 1, … , m‬‬

‫‪ x‬هو عا لـ ‪ n‬حالة‪ ،‬و ‪ u‬هو عا الدخل له ‪ r‬مدخل و ‪ y‬هو عا الخرج لـ‬ ‫حي‬
‫‪ m‬مخرج‪ f ،‬و ‪ g‬هما تابعان ال خ ي و خ ي على الترتيب‪ ،‬و اللذان يوصفان بنية النظام و‬
‫توصيف الخرج على الترتيب‪ ،‬كما أن بارامتراتهما توصف بالشعا ‪ zl .θ‬هو قياس الخرج رقم‬
‫أن يكون‬ ‫‪( l‬حي تم اخذ العينات لـ ‪ N‬فترة متق عة ‪ ،) t k‬و ‪ el‬هو خ أ القياس و الذي يفتر‬
‫‪ u t‬هي النسخة المستوفاة (المستكملة) )‪(interpolated‬‬ ‫ذو متوسط صفري‪.‬‬ ‫جي أبي‬
‫للدخل المقاس و الذي تم أخذ عيناته عند ‪ N‬فترة منية متق عة ) ‪.( t k‬‬
 ‫‪x t, θ = f x t, θ , u t , t, θ‬‬ ‫‪x t 0 , θ = x0‬‬

‫‪y t, θ = g x t, θ , θ‬‬

‫‪zl t k = yl t k + el t k‬‬ ‫‪k = 1, . . , N.‬‬ ‫‪l = 1, … , m‬‬

‫‪ x‬هو عا لـ ‪ N‬حالة‪ ،‬و ‪ u‬هو عا الدخل له ‪ r‬مدخل و ‪ y‬هو عا الخرج لـ‬ ‫حي‬
‫‪ m‬مخرج‪ f ،‬و ‪ g‬هما تابعان ال خ ي و خ ي على الترتيب‪ ،‬و اللذان يوصفان بنية النظام و‬
‫‪ zl .θ‬هو قياس الخرج رقم‬ ‫توصيف الخرج على الترتيب‪ ،‬كما أن بارامتراتهما توصف بالشعا‬
‫أن يكون‬ ‫‪( l‬حي تم اخذ العينات لـ ‪ N‬فترة متق عة ‪ ،) t k‬و ‪ el‬هو خ أ القياس و الذي يفتر‬
‫‪ u t‬هي النسخة المستوفاة (المستكملة) )‪(interpolated‬‬ ‫ذو متوسط صفري‪.‬‬ ‫جي أبي‬
‫للدخل المقاس و الذي تم أخذ عيناته عند ‪ N‬فترة منية متق عة ) ‪.( t k‬‬
‫تقدير البارمترات‬
 ‫الخ أ المتبقي‬

u(t) ^y(t) r(t) “residual”

Model -
q^ +

u(t) y(t) output

Plant +
q + measurement

e(t)

Y(t)= q1 y(t-1)+ q2 y(t-2) + q3 u(t-1)+ q4 u(t-2) + q5 e(t)+ q6 e(t-1)

y(t) = 0.5y(t-1) + 0.3y(t-2) + 1.2u(t-1) - 0.3u(t-2) + 0.5e(t) + 0.5e(t-1)

EE-M110 2006/7, EF L5&6 33/29, v2.0

 ‫تقدير البارامترات‬
‫𝑡 𝑦 لـ ‪ N‬من‬ ‫منيا )‪ ،(time discrete‬ف نه يتم توليد الخرج‬ ‫من أجل تعريف نموذج مق‬
‫المع يات المق عة منيا‪:‬‬
‫𝑇‬
‫𝑁 ‪𝑦 = 𝑦 1 , 𝑦 2 , … , 𝑦(𝑘 − 1), 𝑦 k , ⋯ , y‬‬

‫من أكثر ر التقدير يوعا ريقة المربعات األقل )‪ (least squares‬حي يتم تو ين خ أ‬
‫منه) بمعيار‬ ‫النموذج أو ما يسمى بـالـ‪( residuals‬الخ أ المتبقي و الذي ال يمكن التخل‬
‫تربيعي‪ ،‬و يتم الح ول على هذا الخ أ من الفر بين عا العمود للقياسات الحقيقية ‪ Z‬و عا‬
‫منيا ‪y‬‬ ‫العمود لخرج النموذج المق‬
‫𝑡 ‪𝑟 𝑡 = 𝑦 𝑡 − 𝑦ො‬‬
‫‪T‬‬

‫‪ ri‬‬
‫‪2‬‬
‫=‪r2‬‬
‫‪i =1‬‬ ‫‪2‬‬
‫‪T‬‬
‫‪‬‬ ‫‪‬‬ ‫^‬
‫‪f (θ) = r 2 =   yi − y i ‬‬
‫‪2‬‬

‫‪i =1 ‬‬ ‫‪‬‬

 ‫• مثال‪(ً:‬نظامًبسيطًمنًالنوعًاألول)‬
‫)‪y(t) = q1 y(t-1) + q2 u(t-1‬‬
‫• المطلوبًإيجادًالبارامتراتً‪ q1‬وً‪ q2‬للنموذجًوًالتيًتمثلً‬
‫النظام‪:‬‬
‫• ;])‪>> X=[y(1:end-1)’ u(1:end-1‬‬
‫;’)‪>> y1 = y(2:end‬‬
‫الخرج‬ ‫الدخل‬ ‫الخرج‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪0.5‬‬
‫‪𝑿 = 0.5‬‬ ‫‪1‬‬ ‫‪𝒚 = 0.75‬‬
‫⋮‬ ‫⋮‬ ‫⋮‬
‫‪0.992‬‬ ‫‪1‬‬ ‫‪0.996‬‬
‫)‪y(t) = q1 y(t-1) + q2 u(t-1‬‬
‫)‪y(0‬‬ ‫)‪u(0‬‬ ‫)‪y(1‬‬
‫)‪y(1‬‬ ‫)‪u(1‬‬ ‫)‪y(2‬‬
‫‪q1‬‬
‫=𝑿‬ ‫)‪y(2‬‬ ‫)‪u(2‬‬ ‫)‪𝒚 = y(3‬‬ ‫=‪q‬‬
‫‪q2‬‬
‫⋮‬ ‫⋮‬ ‫⋮‬
‫)‪y(N−1) u(N−1‬‬ ‫)‪y(N‬‬

‫‪y= Xq‬‬

‫يفترضًتقديرًالبارامتراتًأنًبنيةًالنموذجًمعروفة‪ً،‬فإذاًكانًعددًالبارامتراتًفيًالنموذجً‪N‬‬
‫فيجبًعلىًاألقلًجمعً‪ N‬عينةً(مستقلةًخطياً)ًمماًيجعلًمقلوبًالمصفوفةً‪ X‬موجوداً‪.‬‬
 ‫النموذج الخالي من ال جي‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪0.5‬‬
‫‪𝑿 = 0.5‬‬ ‫‪1‬‬ ‫‪𝒚 = 0.75‬‬
‫‪0.75‬‬ ‫‪1‬‬ ‫‪0.992‬‬
‫‪0.992‬‬ ‫‪1‬‬ ‫‪0.996‬‬

‫‪Xq = y‬‬
‫‪q =X-1y‬‬
‫يمكنًكتابةًذلكًفيًالـ ‪: Matlab‬‬

‫;‪theta = inv(X)*y‬‬
‫;‪theta = X\y‬‬
‫]‪theta = [0.5 0.5‬‬
 ‫النموذج م ال جي‬
‫ال يمكن الحصول عليه‬

0 0 0 0.037
0 1 0.5 0.510
𝑿 = 0.5 1 𝒚 = 0.75 𝑦𝑒 = 𝑦 + ℵ 0, 0.01 = 0.774
⋮ ⋮ ⋮ ⋮
0.992 1 0.996 1.008
>> y1e = y1+0.05*randn(size(y1));

θˆ = [0.4756 0.5173]T
yˆ = 0 0.511 0.744  0.9744
T

r = 0.0367 − 0.001 0.029  0.033

T

2
r 2 = 0.073, ˆ 2 = 0.0081, ˆ = 0.090
 ‫تقدير البارامترات‬
‫•إنًتقديرًالبارامتراتًللنظامًالخطيًهيًجزءًمهمًمنًتعريفًاألنظمةً‬
‫(تحديدًاألنظمة)‪.‬‬

‫•حيثًيتمًاستخدامًتابعًأداءًتربيعيًلقياسًجودةًالنموذج‪.‬‬

‫•وًهذاًيعطيًالمعادلةًالشهيرةًللتقديرًالتربيعيًللبارامترات‪.‬‬
‫‪ˆθ = (XT X )−1 XT y‬‬

‫•يمكنًحلًهذهًالمعادلةًبسهولةًفيً‪.Matlab‬‬

‫•تسمحًبتقييمًوتفسيرًإحصائيًللنتائج‪.‬‬

‫•وًيمكنًاستخدامهاًبشكلًعودي‪.‬‬
‫‪EE-M110 2006/7, EF L5&6‬‬ ‫‪40/29, v2.0‬‬
 ‫تقدير البارامترات‬
‫عندما يكون النموذج خطياً و المعطيات ذات ضجيج ( إشارات دخل ناقصة أو‬ ‫•‬
‫ملوثة بتشويش اليمكن قياسه)‪.‬‬
‫يمكن استخدام مجموع مربعات األخطاء )‪ (SSE‬كمؤشر لألداء‪.‬‬ ‫•‬
‫‪T‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪‬‬
‫^‬
‫‪f (θ) =   yi − yi ‬‬
‫‪i =1 ‬‬ ‫‪‬‬

‫) ‪=  ( yi − x θ‬‬
‫‪T‬‬
‫‪T‬‬ ‫‪2‬‬
‫‪i‬‬
‫‪i =1‬‬

‫) ‪=  y − 2 yi x θ +  (x θ‬‬
‫‪T‬‬ ‫‪T‬‬ ‫‪T‬‬
‫‪2‬‬ ‫‪T‬‬ ‫‪T‬‬ ‫‪2‬‬
‫‪i‬‬ ‫‪i‬‬ ‫‪i‬‬
‫‪i =1‬‬ ‫‪i =1‬‬ ‫‪i =1‬‬
 ‫تقدير البارامترات باستخدام الم فوفات‬
‫• يمكنًكتابةًالمعادلةًفيًالشريحةًالسابقةًعنًطريقًالمصفوفات‪:‬‬
‫) ‪f (θ) = (y − Xθ ) (y − Xθ‬‬
‫‪T‬‬

‫‪= y T y − y T Xθ − θT XT y + θT XT Xθ‬‬
‫‪= y T y − 2θT XT y + θT XT Xθ‬‬

‫‪f (θ) = 12 θT Hθ‬‬ ‫• وًيكونًالشكلًالعامًللمعادلةًالتربيعية ‪+ f T θ + c‬‬

‫‪ًًًًًًًًًًًًًًًًً:‬‬
‫مصفوفةًاالرتباطًالتقاطعي ‪Cross-correlation‬‬ ‫مصفوفةًالتغاير‪Hessian/covariance matrix‬‬ ‫•‬
‫‪f = − XT y‬‬ ‫‪H = XT X‬‬
‫‪f i = −k xk .i yk‬‬ ‫‪H ij = k xk .i xk . j‬‬
‫) ‪= − ED ( xi y‬‬ ‫) ‪= ED ( xi x j‬‬
 ‫تقدير البارامترات باستخدام الم فوفات‬
‫‪f‬‬ ‫• عندماًيكونًشعاعًالبارامتراتًهوًاألمثلًيكون‪:‬‬
‫‪=0‬‬
‫‪θ‬‬
‫‪𝜃መ = arg min 𝑓 𝜃መ‬‬
‫‪෡‬‬
‫‪𝜃≥0‬‬ ‫• منًأجلًالخطأًالتربيعيً( ‪ً)MSE‬وًالنظامًالخطيًيكون‪:‬‬
‫‪f‬‬ ‫‪ T T‬‬
‫‪f‬‬
‫=‬
‫‪θ θ‬‬
‫(‬‫) ‪θ X Xθ − 2θT XT y + y T y‬‬

‫‪= 2 XT Xθ − 2 XT y‬‬
‫^‬ ‫‪q‬‬
‫‪q‬‬
‫‪XT Xθˆ − XT y = 0‬‬
‫• وًتكونًالبارامتراتًالمثلى‪:‬‬
‫(‬
‫‪θˆ = X X X y‬‬
‫‪T‬‬
‫)‬‫‪−1‬‬ ‫‪T‬‬

‫• يمكنًكتابةًالمعادلةًفيًالـً‪:Matlab‬‬
‫;‪thetaHat = inv(X’*X)*X’*y‬‬
‫;‪thetaHat = pinv(X)*y‬‬
‫;‪thetaHat = X\y‬‬
‫‪43/29, v2.0‬‬ ‫‪EE-M110 2006/7, EF L5&6‬‬
 ‫مثال‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0.037‬‬ ‫مصفوفةًالتغاير‬
‫‪0.037‬‬ ‫‪1‬‬ ‫‪0.510‬‬
‫‪1.8406‬‬ ‫‪2.3110‬‬
‫‪𝑿 = 0.510‬‬ ‫= 𝑋 𝑇𝑋 = 𝐻‬
‫‪1‬‬ ‫=𝒚‬ ‫‪0.774‬‬ ‫‪2.3110‬‬ ‫‪4.0000‬‬
‫‪0.774‬‬ ‫‪1‬‬ ‫‪0.99‬‬
‫‪0.99‬‬ ‫‪1‬‬ ‫‪1.008‬‬
‫مصفوفة االرتباط التقاطعي‬
‫‪2.1468‬‬
‫الحلًباستخدامًمربعًاألخطاءًاألصغري‬ ‫= 𝑦 𝑇𝑋‬
‫‪3.2420‬‬
‫‪𝜃መ = 0.5416‬‬ ‫‪0.4976‬‬ ‫𝑇‬
‫عكسًمصفوفةًالتغاير‬
‫‪1.9784‬‬ ‫‪−1.1430‬‬
‫𝑋 𝑇 𝑋 = ‪𝐻−1‬‬ ‫‪−1‬‬
‫=‬
‫‪−1.1430‬‬ ‫‪0.9104‬‬
f

q2
q1
 ‫تقدير البارامترات‬

‫و بما أن البارامترات لها تفسير فيزيولوجي ‪ ،‬ف نها يجب أن تكون أكبر أو تساوي ال فر‪ ،‬ومن‬
‫أجل التقدير األمثل ف ن التاب ‪ f‬يجب أن ي ل إلى ال فر‪ ،‬و لكن ال يمكن توق قيمة ال فر للتاب‬
‫و ذل بسبب األخ ا المت منة في النموذج (انزيا النموذج و الخ أ في التفاوت)‬
 ‫تصميم التجربة األمثل‬
‫• عند هذه النقطة أصبحت بنية نموذج الحجرة جاهزة‪،‬‬
‫باإلضافة إلى توصيف خطأ القياس وقيم رقمية للبارمترات‬
‫مع دقة التقدير لهذه القيم‪.‬‬
‫• يجب عند التصميم األمثل للتجربة العمل على تصميم‬
‫المتغيرات كعدد مداخل ومخارج االختبار و شكل دخل‬
‫االختبار ‪ ،‬و عدد العينات و جدول أخذ العينات‪ ،‬و أخطاء‬
‫القياس و ذلك لزيادة دقة تقييم بارامترات نموذج الحجرة وفقاً‬
‫لمعايير معينة‪.‬‬
 ‫تصميم التجربة األمثل‬
‫• نال التصميم األمثل لجدول أخذ العينات و تحديد عدد وموضع نقاط تقطيع‬
‫الزمن التي يتم عندها جمع العينات االهتمام الكثير وذلك ألن مثل هذه‬
‫المتغيرات تعتبر األقل تقييداً بشروط التجربة‪.‬‬
‫• و لذلك تم استخدام المبادئ النظرية و الخوارزميات‪ ،‬و توفرت لذلك عدة‬
‫برمجيات‪.‬‬
‫• فعادة ما يتم الحصول على التصميم األمثل لجدول أخذ العينات بطريقة‬
‫تكرارية حيث يتم البدء بالنموذج الذي تم الحصول عليه من التجارب األولية و‬
‫يقوم البرنامج بحساب جدول أخذ العينات األمثل من التجارب المتعاقبة‪.‬‬

‫• و لقد تبين أن التصميم األمثل لجداول أخذ العينات‪:‬‬

‫سن الدقة بالمقارنة مع الجداول التي تم تصميمها عن طريق الحدس أو أي مبدأ‬ ‫✓ يح ّ‬
‫آخر‪،‬‬
‫✓ يقلل من تأثير تكلفة الفحص السريري الديناميكي و ذلك بالتقليل من عدد عينات الدم‬
‫المسحوبة من المريض من دون أي تراجع يذكر في دقتها‪.‬‬
 ‫ال الحية‬
‫إنًالصالحيةًتتضمنًتحديدًفيماًإذاًكانًنموذجًالحجرةً‬ ‫•‬
‫يحققًالهدفًالمرجوًمنه‪.‬‬
‫تعتبرًهذهًالمهمةًصعبةًو ذاتيةًإلىًحدًكبيرًفيًنمذجة‬ ‫•‬
‫األنظمةًالفيزيولوجية‪ً،‬و ذلكًألنًالحدسًو فهمًالنظامًيلعبانً‬
‫دوراًمهماً‪ً.‬‬
‫كماًأنهًمنًالصعبًصياغةًاألمورًالمتعلقةًمثلًمصداقيةً‬ ‫•‬
‫النموذجً(كاستخدامًالنموذجًخارجًمجالًصالحيتهًالمحدد)‪ً.‬‬
‫لقدًتمًتعريفًمجموعةًمنًمعاييرًالتحققًالتجريبيةًو‬ ‫•‬
‫النظريةًو العمليةًو التنقيبية بوضوح‪ً.‬‬
 ‫ال الحية‬
‫• تصنفًطرقًالتحققًوفقاًّلنوعينًمنًالنماذجًو هماًالنماذجً‬
‫البسيطةًو النماذجًالمعقدة‪ً،‬حيثًيعتمدًهذاًالتصنيفًعلىًقابليةً‬
‫التعريفًالمسبقةًو يفضيًإلىًطرقًواضحةًالتعريفًيتمًفيهاً‬
‫أخذًتعقيدًبنيةًالنموذج‪ً،‬و توفرًالمعطياتًالتجريبيةًبعينً‬
‫االعتبار‪ً.‬‬
‫• فيًالنماذجًالبسيطةًيمكنًاستخدامًقابليةًالتعريفًالمسبقة‪ً،‬دقةً‬
‫تقييمًالبارامترات‪ً،‬األخطاءًالمتبقيةً)‪(residual errors‬‬
‫باإلضافةًإلىًقابليةًاالستخدامًالفيزيولوجي‪.‬‬
‫• وعلىًعكسًالنماذجًالبسيطةًفإنًمحاكاةًالنماذجًالمعقدةًهي‬
‫جوهرياًغيرًكاملة‪ً،‬وذلكًبسببًوجودًدرجةًعاليةًمنًالريبةً‬
‫فيماًيخصًالبنيةًو البارامترات‪ً،‬وبالتاليًفإنًالتحقق منً‬
‫الضروريًان يتمًباالعتمادًعلىًأرضيةًأقلًصالبة‪ً.‬ولذلكًتمً‬
‫اقتراحًالمساعداتًالتالية‪ً:‬زيادةًقابليةًاختبارًالنموذجًعنًطريقً‬
‫تبسيطه‪ً،‬تحسينًالتصميمًالتجريبيًوتفكيكًالنموذج‪.‬‬
 ‫التطبيقات والبرمجيات‬

‫• تم توظيف نماذج الحجرة بشكل واسع في حل طيف واسع‬

‫من المسائل الفيزيولوجية المتعلقة بتوزع المواد داخل‬
‫األنظمة الحية و ذلك في مجاالت البحث و التشخيص و‬
‫المعالجة‪ ،‬وعلى مختلف المستويات من كامل الجسم و‬
‫العضو و مستو ى الخلية‪.‬‬
‫األهداف من استخدام وتطوير نموذج الحجرة‬
‫‪ .1‬تحديد بنية النظام‪ ،‬تفحص النماذج عدة فرضيات تتعلق بطبيعة‬
‫آليات فيزيولوجية محددة‪.‬‬

‫‪ .2‬تقدير الكميات التي ال يمكن قياسها‪ ،‬كتقدير البارامترات و‬

‫المتغيرات الداخلية للنظام الفيزيولوجي محل االهتمام‪.‬‬

‫‪ .3‬محاكاة تصرف النظام السليم عندما ال تسمح األسباب التقنية و‬

‫األخالقية بإجراء تجارب مباشرة على النظام نفسه‪.‬‬
‫األهداف من استخدام وتطوير نموذج الحجرة‬
‫‪ .4‬التنبؤًو التحكمًبالمتغيراتًالفيزيولوجية عنًطريقًإدارةً‬
‫الوسائطً(العناصر)ًالعالجية‪ً،‬علىًسبيلًالمثالًالتنبؤً‬
‫باإلدارةًالمثلىًللعقارًمنًأجلًإبقاءًمتغيرًفيزيولوجي أوً‬
‫عدةًمتغيراتًداخلًالحدودًالمرغوبة‪.‬‬

‫‪ .5‬إيجادًالتكلفةًالمثلىًلالختباراتًالسريرية الديناميكية‪ً،‬علىً‬
‫سبيلًالمثالًتستخدمًالنماذجًللحصولًعلىًأكبرًكميةًمنً‬
‫المعلوماتًمنًأقلًعددًمنًعيناتًالدمًالمسحوبةًمنً‬
‫المريض‪.‬‬
 ‫األهداف من استخدام وتطوير نموذج الحجرة‬
‫‪ .6‬التشخيص‪ً،‬علىًسبيلًالمثالًتزودًالنماذجًبمعلوماتًنوعيةً‬
‫عنًالفحوصًالمخبرية واألعراضًالسريرية‪ً،‬و بالتاليً‬
‫تحسنًوثوقية التشخيص‪.‬‬

‫‪ .7‬التعليمً‪ً،‬فالنماذجًتساعدًفيًعمليةًتعليمًالعديدًمنً‬
‫الخصائصًالفيزيولوجية‪ً،‬و الطبًالسريري وًحركيةً‬
‫الدواء‪.‬‬
‫كرا صغا كم‬