只要您有至少一个新患者的数据点，您就可以计算个性化（动态）预测。

特别要说$y_j^o$表示新患者的观察结果数据$j$，那么你可以先得到一个估计值，比如说$b_j^*$他/她的后验分布的随机效应$[b_j \mid y_j^o, \theta]$， 在哪里$\theta$表示模型参数。例如，$b_j^*$是这个后验分布的平均值。鉴于对他/她的随机效应的估计，您可以使用$x_j(t) \beta + z_j(t) b_j^*$， 在哪里$x_j(t)$和$z_j(t)$表示在（未来）感兴趣的时间点的固定和随机效应的设计矩阵，和$\beta$表示固定效应。这些预测的标准误差可以使用蒙特卡洛方案获得。

对于您安装的模型，您可以使用JMbayes包中的lme()函数获得这些预测。如果您有分类纵向数据，您可以使用GLMMadaptive包的函数拟合模型的方法获得相同类型的个性化预测；有关后者的更多信息，您还可以查看小插图。IndvPred_lme()predict()mixed_model()

受试者的随机截距表示与平均人口水平响应的偏差。在预测新主题时，拟合的随机效应没有帮助；这是因为没有办法先验地知道该受试者的模式如何偏离人口水平的反应。相反，对任何新主题的最佳预测将是人口反应本身。

编辑：这里的两个答案之间没有矛盾。@DimitrisRizopoulos 假设您有一些关于新患者的信息，即至少一次测量。相反，我假设您没有新患者的测量值 - 在这种情况下，人口反应是任何新患者的最佳预测。