[논문 리뷰] Bayesian Joint Hierarchical Model for Prediction of Latent Health States with Application to Active Surveillance of Prostate Cancer

R. Yates Coley, Aaron Fisher외 4명|arXiv (Cornell University)|2015. 08. 29.

Statistical Methods and Inference참고 문헌 44인용 수 3

한 줄 요약

이 논문은 종양학적 활성 모니터링에서 흔한 문제인 측정 오차와 비모수화된 누락 데이터를 명시적으로 고려하여 종단적 임상 측정치에서 잠재적 전립선암 상태를 예측하는 베이지안 공동 계층 모델을 제안한다. 이 모델은 개인화된 암 상태 추정을 향상시켜 임상 의사결정 지원을 강화하며, 확인된 암 상태를 가진 존스홉킨스 코hort에서 높은 예측 정확도를 입증한다.

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

연구 동기 및 목표

• 저위험도 전립선암의 활성 모니터링에서 종단적 임상 측정치로부터 잠재적 건강 상태를 예측하는 통계 모델을 개발하는 것.
• 기존의 공동 잠재 클래스 모델의 한계, 특히 생검 기반 암 상태 평가에서의 측정 오차를 다룰 수 없는 점을 해결하는 것.
• 임상 종단적 연구에서 흔한 문제이지만 무시할 수 없는 누락 데이터를 다루는 것.
• 보다 나은 임상 의사결정을 위해 개별화된 기저 암 상태 예측을 향상시키는 것.
• 확인된 암 상태를 가진 존스홉킨스 활성 모니터링 코hort의 실제 데이터를 사용하여 모델을 검증하는 것.

제안 방법

• 모델은 종단적 생물표지자 궤적과 잠재적 암 상태를 공동으로 모델링하기 위해 베이지안 계층 구조 프레임워크를 사용한다.
• 측정 오차를 고려하기 위해 생검 결과의 오분류 확률을 우도 함수의 일부로 모델링한다.
• 무시할 수 없는 누락 데이터 메커니즘을 명시적으로 모델링하여 임상 관찰에서 정보가 있는 누락을 허용한다.
• 잠재적 암 상태(예: 안정, 악화 중)를 시간에 따라 나타내기 위해 잠재 클래스 변수를 사용한다.
• 사후 추론 및 매개변수 추정을 위해 마르코프 체인 몬테카를로(MCMC) 방법을 사용한다.
• 모델은 R로 구현되었으며, 시뮬레이션 연구와 코드가 공개되어 재현 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 측정 오차가 존재할 경우, 공동 계층 모델이 잠재적 암 상태 예측 정확도를 향상시킬 수 있는가?
• RQ2 임상 종단적 연구에서 흔한 문제인 비모수화된 누락 데이터가 존재할 경우 모델의 성능은 어떻게 되는가?
• RQ3 생검 결과의 오분류를 고려함으로써 모델이 예측 신뢰도를 얼마나 향상시키는가?
• RQ4 실제 코hort에서 기존의 공동 잠재 클래스 모델과 비교해 모델의 예측 성능는 어떠한가?
• RQ5 모델이 개인화된, 임상적으로 해석 가능한 암 상태 진행 예측을 생성할 수 있는가?

주요 결과

• 제안된 모델은 측정 오차가 존재할 경우 기존의 공동 잠재 클래스 모델에 비해 잠재적 암 상태 예측 정확도를 크게 향상시킨다.
• 비모수화된 누락 데이터를 효과적으로 처리하여 상태 추정의 편향을 감소시킨다.
• 확인된 암 상태를 가진 검증 코hort에서, 모델은 진짜 암 진행을 분류하는 데 높은 민감도와 특이도를 보였다.
• 측정 오차 모델링을 통합함으로써 개인의 암 상태 궤적 추정이 더욱 신뢰성 있고 안정적이게 되었다.
• 모델의 예측은 임상적으로 의미가 있었으며, 활성 모니터링에서 개인 맞춤형 의사결정 지원에 활용될 수 있었다.
• 시뮬레이션 연구를 통해 다양한 데이터 생성 시나리오 하에서 모델의 강건성과 타당성이 확인되었다.