[논문 리뷰] Latent Moment Models for Recurrent Binary Outcomes: A Bayesian and Quasi-Distributional Approach

Niloofar Ramezani, Lori P. Selby외 2명|arXiv (Cornell University)|2026. 02. 22.

Sepsis Diagnosis and Treatment인용 수 0

한 줄 요약

논문은 시간에 따라 변화하는 잠재 분포 모멘트를 통해 재발생 이진 결과를 모델링하는 두 가지 프레임워크(Bayesian BLaS-Recurrent 및 quasi-distributional QuaD-Recurrent)를 제시하여 표준 방법에 비해 보정 및 해석 가능성을 향상시킨다.

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.

연구 동기 및 목표

• 재발생 이진 결과에서 변동성의 시간적 변화, 비대칭성, 꼬리 거동을 모델링할 필요성을 동기 부여한다.
• 위치, 척도, 왜도, 및 첨도가 시간이 지남에 따라 변하는 잠재 모멘트 프레임워크를 제안한다.
• 두 가지 접근법을 개발한다: sinh-arcsinh 잠재 분포를 사용하는 베이지안 모델과 모멘트를 확률로 매핑하는 준분포적 방법.
• 시간 의존 공변량, 직렬 상관, 다중 멤버십 구조를 허용하여 잠재 위험 궤적을 포착한다.

제안 방법

• 각 이진 이벤트를 잠재 모멘트(위치, 척도, 왜도, 첨도)를 갖는 시간 가변 잠재 분포에서의 임계값 샘플로 모델링한다.
• sinh-arcsinh 분포를 이용한 베이지안 접근 방식인 BLaS-Recurrent를 사용하여 잠재 모멘트 궤적을 추정한다.
• 유연한 비모수 표면을 통해 시뮬레이션된 모멘트 벡터를 사건 확률로 매핑하는 준분포적 방법인 QuaD-Recurrent를 도입한다.
• 두 프레임워크 모두에서 시간 의존 공변량, 직렬 상관, 다중 멤버십 구조를 수용한다.
• 시뮬레이션을 통해 표준 모델에 비해 보정성, 해석 가능성 및 견고성이 향상되었음을 입증한다.

실험 결과

연구 질문

• RQ1 잠재 모멘트(위치, 척도, 왜도, 첨도)가 재발생 이진 결과의 변동성과 꼬리 거동의 시간적 변화를 포착할 수 있는가?
• RQ2 전통적 GLMM이나 GEE에 비해 베이지안(BLaS-Recurrent)과 준분포적(QuaD-Recurrent) 접근법이 더 나은 보정성과 해석 가능성을 제공하는가?
• RQ3 이 모델들이 시간 의존 공변량, 직렬 상관 및 다중 멤버십 구조를 실제로 어떻게 다루는가?
• RQ4 이 모델들을 사용할 때 실제 보건의료 데이터에서 어떤 잠재 위험 패턴(예: 오른쪽으로 치우친 증가, 분산의 확대)이 나타나는가?

주요 결과

• 시뮬레이션 연구에서 표준 모델에 비해 보정성, 해석 가능성 및 견고성이 향상되었음을 보인다.
• Applied to ICU readmission data from the MIMIC-IV database, both approaches uncover clinically meaningful patterns in latent risk.
• Both models reveal right-skewed escalation and widening dispersion in latent risk that traditional methods miss.
• The frameworks provide interpretable, distribution-sensitive tools for longitudinal binary outcomes in healthcare.
• They acknowledge that latent moments summarize but do not uniquely determine the underlying distribution.