[論文レビュー] Latent Moment Models for Recurrent Binary Outcomes: A Bayesian and Quasi-Distributional Approach

Niloofar Ramezani, Lori P. Selby+2 more|arXiv (Cornell University)|Feb 22, 2026

Sepsis Diagnosis and Treatment被引用数 0

ひとこと要約

論文は、時変潜在モーメントを介して再帰的な二項結果をモデル化する2つのフレームワーク（Bayesian BLaS-Recurrentと準分布的 QuaD-Recurrent）を導入し、標準法よりも較正と解釈性を改善する。

ABSTRACT

Recurrent binary outcomes within individuals, such as hospital readmissions, often reflect latent risk processes that evolve over time. Conventional methods like generalized linear mixed models and generalized estimating equations estimate average risk but fail to capture temporal changes in variability, asymmetry, and tail behavior. We introduce two statistical frameworks that model each binary event as the outcome of a thresholded value drawn from a time-varying latent distribution defined by its location, scale, skewness, and kurtosis. Rather than treating these four quantities as nonparametric moment estimators, we model them as interpretable latent moments within a flexible latent distributional family. The first, BLaS-Recurrent, is a Bayesian model using the sinh-arcsinh distribution (a parametric family that provides explicit control over asymmetry and tail weight) to estimate latent moment trajectories; the second, QuaD-Recurrent, is a quasi-distributional approach that maps simulated moment vectors to event probabilities using a flexible nonparametric surface. Both models support time-dependent covariates, serial correlation, and multiple membership structures. Simulation studies show improved calibration, interpretability, and robustness over standard models. Applied to ICU readmission data from the MIMIC-IV database, both approaches uncover clinically meaningful patterns in latent risk, such as right-skewed escalation and widening dispersion, that are missed by traditional methods. These models provide interpretable, distribution-sensitive tools for longitudinal binary outcomes in healthcare while explicitly acknowledging that latent "moments" summarize but do not uniquely determine the underlying distribution.

研究の動機と目的

• 再帰的二項結果における変動性、非対称性、尾部挙動の時系列変化をモデル化する必要性を動機づける。
• 位置、スケール、歪度、尖度が時間とともに進化する潜在モーメントフレームワークを提案する。
• sinh-arcsinh 潜在分布を用いるベイズモデルとモーメントを確率へ写像する準分布的マッピングの2つのアプローチを開発する。
• 時変共変量、系列相関、マルチメンバーシップ構造を許容し、潜在リスク軌道を捉える。

提案手法

• 各バイナリイベントを時間変化する潜在分布からの閾値抽出としてモデル化し、潜在モーメント（位置、スケール、歪度、尖度）を用いる。
• sinh-arcsinh 分布を用いるベイズ的アプローチで潜在モーメント軌跡を推定するBLaS-Recurrentを使用。
• 力率的で非パラメトリックなサーフェスを介して潜在モーメントベクトルをイベント確率へ写像する準分布的手法 QuaD-Recurrent を導入する。
• 時間依存共変量、系列相関、複数のメンバーシップ構造を両フレームワーク内で適用可能とする。
• シミュレーションを通じて標準モデルと比べて較正、解釈性、頑健性の改善を実証する。

実験結果

リサーチクエスチョン

• RQ1 潜在モーメント（位置、スケール、歪度、尖度）は再発性二項結果の変動性と尾部挙動の時系列変化を捉えるか。
• RQ2 Bayesian（BLaS-Recurrent）と準分布的（QuaD-Recurrent）アプローチは、伝統的な GLMM や GEE より較正と解釈性を向上させるか。
• RQ3 実務でこれらのモデルは時間依存共変量、系列相関、マルチメンバーシップ構造をどう扱うか。
• RQ4 これらのモデルを用いると、実データの潜在リスクパターン（例：右へ歪んだ急増、分散の広がり拡大）はどう現れるか。

主な発見

• シミュレーション研究は、標準モデルより較正、解釈性、頑健性の向上を示す。
• MIMIC-IV データベースの ICU 再入院データへ適用すると、潜在リスクに臨床的に意味のあるパターンを両アプローチで検出する。
• 両モデルは、伝統的手法が捉えられない潜在リスクの右スキュー化の急増と分散拡大を示す。
• 医療分野における長期的二項結果の解釈可能で分布感度の高いツールを提供する。
• 潜在モーメントは分布の要約にはなるが、根底の分布を一意に決定するものではないことを認識している。