[논문 리뷰] Dynamic Predictions with Time-Dependent Covariates in Survival Analysis using Joint Modeling and Landmarking

Dimitris Rizopoulos, Magdalena Murawska외 4명|arXiv (Cornell University)|2013. 06. 27.

Statistical Methods and Inference참고 문헌 22인용 수 15

한 줄 요약

이 논문은 시간에 따라 변화하는 생체지표를 사용한 생존 확률의 동적 예측을 위한 동시 모델링과 랜드마크 기반 방법을 제안하고 비교한다. 동시 모델링은 기울기와 현재 값과 같은 종단적 경로 특징을 통합함으로써, 특히 생체지표의 복잡한 역학을 모델링할 때 랜드마크 기반 방법에 비해 더 뛰어난 분류 성능과 캘리브레이션을 제공함을 보여준다.

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.

연구 동기 및 목표

• 반복적인 생체지표 측정치를 사용하여 생존 결과에 대한 동적 예측 방법을 개발하고 비교하는 것.
• 종단적 경로 특징(예: 기울기, 누적 변화)을 포함하는 것이 현재 값만을 고려하는 모델에 비해 예측 정확도를 향상시키는지 조사하는 것.
• 시간에 따라 변화하는 공변량이 있는 동적 예측 설정에서의 분류 성능와 캘리브레이션 평가.
• 실제 생체지표와 사망 시점 데이터 구조 하에서 동시 모델링과 랜드마크 기반 방법의 성능 평가.
• 모델 가정, 계산 비용, 예측 성능를 바탕으로 방법 선택에 실용적인 지침 제공

제안 방법

• 생체지표 경로와 사건 위험을 연결하기 위해 공유된 랜덤 효과 구조를 사용하는 종단적 및 생존 시간 데이터를 위한 동시 모델링을 사용한다.
• 위험 함수가 현재 생체지표 값, 그 변화율, 또는 이력의 요약 통계량에 의존하는 유연한 연관성 구조를 적용한다.
• 생존 위험에 대한 예측을 위해 고정된 시간점(랜드마크)에서 생존자에 대해 코ックス 모델을 적합함으로써 랜드마크 기반 방법을 적용한다.
• 새로운 환자에 대해 주어진 시간점까지 관측된 생체지표 데이터를 조건으로 하여 동적 생존 예측을 유도한다.
• 제한된 세그먼트 스퍼린트와 파라미터 모델을 사용하여 종단적 과정과 생존 과정 간의 연관성 기능 형태를 탄력적으로 모델링한다.
• 동적 예측에 적합한 캘리브레이션 및 분류 측정치를 사용하며, 시간에 따라 변화하는 브리어 점수와 시간에 따라 변화하는 c-index 포함

실험 결과

연구 질문

• RQ1 반복적인 생체지표가 있는 생존 시간 결과에 대해 동시 모델링과 랜드마크 기반 방법의 예측 정확도는 어떻게 비교되는가?
• RQ2 종단적 경로 특징(예: 기울기, 곡선 아래 면적)을 포함하는 것과 현재 생체지표 값만 포함하는 것의 영향은 무엇인가?
• RQ3 종단적 과정과 생존 과정 간의 연관성 기능 형태의 다양함이 분류 성능와 캘리브레이션에 어떤 영향을 미치는가?
• RQ4 어떤 상황에서 동시 모델링이 랜드마크 기반 방법보다 예측 성능과 모델 가정 측면에서 뛰어나게 되는가?
• RQ5 실제로 동시 모델링과 랜드마크 기반 방법의 계산 요구량과 모델 복잡도는 어떻게 비교되는가?

주요 결과

• 진짜 연관성이 생체지표의 변화율을 포함할 경우, 동시 모델링은 랜드마크 기반 방법에 비해 분류 성능와 캘리브레이션 측면에서 일관되게 뛰어나다.
• 생체지표 경로의 기울기를 포함시키면 현재 값만 기반으로 하는 모델에 비해 예측 정확도가 크게 향상된다.
• 시뮬레이션 연구 결과, 비선형 생체지표 추세가 있는 상황에서 동시 모델은 시간에 따라 더 우수한 캘리브레이션을 유지하며, 특히 낮은 브리어 점수를 기록한다.
• 생체지표 과정이 안정적이고 현재 값이 높은 예측력을 가진 경우 랜드마크 기반 방법은 잘 작동하지만, 질병 진행의 동적 변화를 포착하지 못한다.
• 특히 사건 위험이 장기 노출에 의존하는 경우, 생체지표 이력의 요약 통계량(예: 누적 면적)을 포함시키면 동시 모델의 예측 성능이 향상된다.
• 동시 모델링은 랜드마크 기반 방법보다 계산 비용이 더 높지만, 복잡하고 시간에 따라 변화하는 생체지표와 생존 간의 관계를 모델링하는 데 더 뛰어난 유연성과 강건성을 제공한다.