[論文レビュー] Regression Modeling for Recurrent Events Using R Package reReg

Sy Han Chiou, Gongjun Xu+2 more|arXiv (Cornell University)|Apr 23, 2021

Statistical Methods and Inference参考文献 37被引用数 5

ひとこと要約

本論文は、被験者固有のフレイルティを用いて情報的終端イベントを扱える柔軟なスケール変更モデルを採用する、再発イベントの回帰分析のためのRパッケージreRegを紹介する。この手法は、パラメトリックな仮定を必要とせず、再発イベントと終端イベントを統合的にモデリング可能であり、生物医学および公衆衛生研究における頑健で使いやすいツールを提供する。

ABSTRACT

Recurrent event analyses have found a wide range of applications in biomedicine, public health, and engineering, among others, where study subjects may experience a sequence of event of interest during follow-up. The R package reReg (Chiou and Huang 2021) offers a comprehensive collection of practical and easy-to-use tools for regression analysis of recurrent events, possibly with the presence of an informative terminal event. The regression framework is a general scale-change model which encompasses the popular Cox-type model, the accelerated rate model, and the accelerated mean model as special cases. Informative censoring is accommodated through a subject-specific frailty without no need for parametric specification. Different regression models are allowed for the recurrent event process and the terminal event. Also included are visualization and simulation tools.

研究の動機と目的

• 縦断的研究における再発イベントを分析する課題に取り組むこと。特に、死亡などの終端イベントが再発イベント過程に依存し、情報的である場合を想定する。
• 既存のモデル（コックス型、加速率、加速平均モデルなど）を一般化する統一的回帰フレームワークを構築すること。
• ベースラインハザードに関するパラメトリックな仮定を必要とせず、再発イベントと終端イベントの統合的モデリングを可能にする計算的に効率的で使いやすいRパッケージを提供すること。
• 被験者固有のフレイルティを組み込むことで、再発イベントデータにおける情報的打ち切りを適切に扱い、統計的推論を強化すること。
• モデル診断や手法的探求を支援する可視化およびシミュレーションツールを提供すること。

提案手法

• コックス型、加速率、加速平均モデルを特別なケースとして統合する一般化されたスケール変更モデルを提案する。
• ベースライン強度のパラメトリックな指定を必要とせず、再発イベント過程と終端イベントの間の依存関係を被験者固有のフレイルティ項でモデル化する。
• スケール変更モデル枠組み下で回帰パラメータを効率的に推定するため、擬似スコア推定方程式法を採用する。
• 再発イベント過程と終端イベント過程の両方に異なる回帰モデルを指定可能であり、それらの関連性を柔軟にモデリングできる。
• さまざまなモデル仮定下で再発イベントデータを生成するためのシミュレーションツールを統合し、手法の妥当性検証および研究計画支援を可能にする。
• モデルの適合度、ベースライン強度の推定、推定された回帰効果の表示を評価するための可視化関数を提供する。

実験結果

リサーチクエスチョン

• RQ1 情報的終端イベントを考慮しつつ、再発イベントをモデリングする統一的回帰フレームワークをどのように構築できるか？
• RQ2 スケール変更モデルは、ベースライン強度関数にパラメトリックな仮定を必要とせず、再発イベントと終端イベントの間の依存関係をどのように処理できるか？
• RQ3 被験者固有のフレイルティを組み込むことで、情報的打ち切りの存在下で推定精度はどの程度向上するか？
• RQ4 reRegパッケージは、再発イベントおよび終端イベントプロセスの異なるタイプをどの程度柔軟にモデリングできるか？
• RQ5 可視化およびシミュレーションツールは、モデル診断および手法的探求をどの程度効果的に支援できるか？

主な発見

• reRegパッケージは、コックス型、加速率、加速平均モデルを含む既存の再発イベントモデルを一般化する柔軟なスケール変更モデルを効果的に実装している。
• 被験者固有のフレイルティアプローチは、ベースライン強度関数にパラメトリックな仮定を必要とせず、情報的打ち切りを効果的に処理できる。
• 擬似スコア推定方程式法により、回帰パラメータの一貫性および効率性のある推定が達成されている。
• 再発イベントと終端イベントの別々のモデリングが可能であり、異なる回帰構造を許容することで、モデリングの正確性が向上している。
• reRegに統合されたシミュレーションおよび可視化ツールにより、研究者はモデルの妥当性を検証し、データを探索し、モデルの適合度を効果的に評価できる。
• このフレームワークは計算的に効率的で使いやすく、生物学・医学、公衆衛生、工学分野における実用的応用に適している。