[論文レビュー] Dynamic Predictions with Time-Dependent Covariates in Survival Analysis using Joint Modeling and Landmarking

Dimitris Rizopoulos, Magdalena Murawska+4 more|arXiv (Cornell University)|Jun 27, 2013

Statistical Methods and Inference参考文献 22被引用数 15

ひとこと要約

本稿では、時刻に依存するバイオマーカーを用いた生存確率の動的予測のための統合モデリングとランドマーク法を提案し、比較している。統合モデリングは、勾配や現在値などの縦断的トレンド特徴を組み込むことで、特にバイオマーカーの動的変化が複雑な場合にランドマーク法よりも優れた区別力とキャリブレーションを示すことが示された。

ABSTRACT

A key question in clinical practice is accurate prediction of patient prognosis. To this end, nowadays, physicians have at their disposal a variety of tests and biomarkers to aid them in optimizing medical care. These tests are often performed on a regular basis in order to closely follow the progression of the disease. In this setting it is of medical interest to optimally utilize the recorded information and provide medically-relevant summary measures, such as survival probabilities, that will aid in decision making. In this work we present and compare two statistical techniques that provide dynamically-updated estimates of survival probabilities, namely landmark analysis and joint models for longitudinal and time-to-event data. Special attention is given to the functional form linking the longitudinal and event time processes, and to measures of discrimination and calibration in the context of dynamic prediction.

研究の動機と目的

• 繰り返し測定されたバイオマーカーを用いた生存アウトカムの動的予測手法の開発と比較を行う。
• 縦断的トレンド特徴（例：勾配、累積的変化）を組み込むことで、現在値のみのモデルに比べて予測精度が向上するかどうかを調査する。
• 時刻に依存する予測変数を伴う動的予測設定における区別力とキャリブレーションを評価する。
• 現実のバイオマーカーおよびイベント発生時間のデータ構造下で、統合モデリングとランドマーク法の性能を評価する。
• モデルの仮定、計算コスト、および予測性能に基づいた、手法選択の実用的指針を提供する。

提案手法

• バイオマーカーのトレースとイベント発生までの時間の両方のデータに統合モデルを適用し、共通のランダム効果構造を指定して、バイオマーカーのトレースとイベントリスクを結びつける。
• ハザード関数が現在のバイオマーカー値、その変化率、または履歴の要約統計量に依存する、柔軟な関連構造を採用する。
• ランドマーク法では、リスクに依然として関与している患者に対して、固定された時刻（ランドマーク）でコックスモデルをフィットする。
• 新しい患者の観察済みバイオマーカー情報までを条件として、動的生存予測を導出する。
• 制限付き立方スプラインとパラメトリックモデルを用いて、縦断的プロセスと生存プロセスの間の関連の関数的形を柔軟にモデル化する。
• 動的予測に適したキャリブレーションと区別力の指標を用いる。具体的には、時刻別Brierスコアと時刻依存c-indexを用いる。

実験結果

リサーチクエスチョン

• RQ1 繰り返しバイオマーカー測定を伴う時間に依存するアウトカムの予測精度において、統合モデリングとランドマーク法はどのように比較されるか？
• RQ2 予測モデルに縦断的トレンド特徴（例：勾配、曲線下面積）を含めることで、現在値のみのモデルに比べて予測精度が向上するか？
• RQ3 縦断的プロセスと生存プロセスの間の関連の異なる関数的形態が、区別力とキャリブレーションに与える影響は何か？
• RQ4 どのような状況下で、統合モデリングが予測性能およびモデル仮定の観点からランドマーク法を上回るか？
• RQ5 実際の応用において、統合モデリングとランドマーク法の計算コストとモデルの複雑さはどのように比較されるか？

主な発見

• 統合モデリングは、真の関連がバイオマーカーの変化率に依存する場合に特に、区別力とキャリブレーションの両面でランドマーク法を一貫して上回る。
• バイオマーカーのトレースの勾配を組み込むことで、現在値のみに依存するモデルに比べて、予測精度が著しく向上する。
• シミュレーションスタディでは、非線形なバイオマーカー傾向を示す状況においても、統合モデルが時間経過にわたって良好なキャリブレーションを維持し、特に低いBrierスコアを示す。
• バイオマーカー過程が安定しており、現在値が強く予測的である場合にはランドマーク法も良好に機能するが、疾患進行の動的変化を捉えることはできない。
• イベントリスクが長期的曝露に依存する場合には、バイオマーカー履歴全体の要約統計量（例：累積面積）を統合モデルに組み込むことで、予測性能が向上する。
• 統合モデリングはランドマーク法よりも計算コストが高くなるが、バイオマーカーと生存との間の複雑で時間に依存する関係をモデル化する上で、より高い柔軟性と頑健性を提供する。