[論文レビュー] Bayesian Joint Hierarchical Model for Prediction of Latent Health States with Application to Active Surveillance of Prostate Cancer

R. Yates Coley, Aaron Fisher+4 more|arXiv (Cornell University)|Aug 29, 2015

Statistical Methods and Inference参考文献 44被引用数 3

ひとこと要約

本稿では、縦断的臨床測定値から潜在的前立腺がん状態を予測するベイジアン共同ハイアラルヒカルモデルを提案する。本モデルは、アクティブサーベイランスにおいて一般的な測定誤差と欠損がランダムでないデータを明示的に扱う。モデルは個別化されたがん状態推定を向上させ、臨床意思決定支援を強化し、確認済のがん状態を有するジョンズ・ホプキンス・コhortで優れた予測精度を示した。

ABSTRACT

In this article, we present a Bayesian joint hierarchical model for predicting a latent health state from longitudinal clinical measurements. Model development is motivated by an application to active surveillance of low risk prostate cancer. Existing joint latent class modeling approaches are unsuitable for this context as they do not accommodate measurement error-- cancer state determinations based on biopsied tissue are prone to misclassification-- nor do they allow for observations to be missing not at random. The proposed model addresses these limitations, enabling estimation of an individual's underlying prostate cancer state. These individualized predictions can then be communicated to clinicians and patients to inform decision making. We demonstrate the model with data from a cohort of active surveillance patients at Johns Hopkins University and assess predictive accuracy among a subset with eventual observation of true cancer state. Simulated data and R code is available at this https URL

研究の動機と目的

• 低リスク前立腺がんのアクティブサーベイランスにおける縦断的臨床測定値から潜在的健康状態を予測する統計モデルを開発すること。
• 従来の共同潜在クラスモデルの限界、特に生検ベースのがん状態評価における測定誤差を扱えないことの問題を解決すること。
• 臨床縦断研究において一般的な、ランダムでない欠損データを扱うこと。
• より良い臨床意思決定のため、個別化された基礎のがん状態の予測を向上させること。
• 確認済のがん状態を有するジョンズ・ホプキンスのアクティブサーベイランスコhortの実世界データを用いてモデルを検証すること。

提案手法

• モデルはベイジアンハイアラルヒカルフレームワークを用い、縦断的バイオマーカーの推移と潜在のがん状態を共同でモデル化する。
• 測定誤差を組み込むために、生検結果の誤分類確率を尤度関数の一部としてモデル化する。
• 無視できない欠損データメカニズムを明示的にモデル化し、臨床観察における情報的な欠損を許容する。
• 潜在クラス変数を用いて、時間経過に伴う観察されないがん状態（例：安定、進行中）を表現する。
• 後方予測とパラメータ推定のため、マルコフ連鎖モンテカルロ（MCMC）法を用いる。
• Rを用いてモデルを実装し、シミュレーションスタディとコードを公開して再現性を確保する。

実験結果

リサーチクエスチョン

• RQ1 測定誤差が存在する状況において、共同ハイアラルヒカルモデルは潜在のがん状態予測の正確性を向上させることができるか？
• RQ2 欠損がランダムでない場合、本モデルは臨床縦断研究で一般的な課題に対し、どのように性能を発揮するか？
• RQ3 生検結果の誤分類を扱えるというモデルの能力が、予測の信頼性をどの程度向上させるか？
• RQ4 実世界のコhortにおいて、既存の共同潜在クラスモデルと比較して、本モデルの予測性能はどのように差異を示すか？
• RQ5 本モデルは、個別化され、臨床的に解釈可能なのがん状態進行予測を生成できるか？

主な発見

• 提案されたモデルは、測定誤差が存在する状況において、標準的な共同潜在クラスモデルと比較して、潜在のがん状態予測の正確性を顕著に向上させた。
• 本モデルは、ランダムでない欠損データを効果的に処理し、状態推定におけるバイアスを低減した。
• 確認済のがん状態を有するバリデーションコhortでは、真のがん進行の分類において高い感度と特異度を示した。
• 測定誤差モデルの組み込みにより、個別のがん状態推移の推定がより信頼性が高く安定したものとなった。
• モデルの予測は臨床的に意味があり、アクティブサーベイランスにおけるパーソナライズド意思決定支援に利用可能であった。
• シミュレーションスタディにより、さまざまなデータ生成シナリオ下でもモデルの頑健性と妥当性が確認された。