[논문 리뷰] The R Package JMbayes for Fitting Joint Models for Longitudinal and Time-to-Event Data using MCMC

Dimitris Rizopoulos|EUR Research Repository (Erasmus University Rotterdam)|2014. 04. 30.

Statistical Methods and Inference참고 문헌 27인용 수 38

한 줄 요약

이 논문은 매크로 체인 몬테카를로(MCMC) 방법을 사용한 베이지안 프레임워크 하에서 종속된 종단적 및 시간-사망 데이터 모델을 위한 R 패키지 JMbayes를 소개한다. 이는 결과 간의 연관성에 대한 유연한 모델링, 종단적 및 생존 과정에 대한 동적 예측, 그리고 분류 및 校정 지표를 통한 예측의 종합적 검증을 가능하게 하며, 주로 원발성 담석성 간경변 환자 데이터를 통해 검증되었다.

ABSTRACT

Joint models for longitudinal and time-to-event data constitute an attractive modeling framework that has received a lot of interest in the recent years. This paper presents the capabilities of the R package JMbayes for fitting these models under a Bayesian approach using Markon chain Monte Carlo algorithms. JMbayes can fit a wide range of joint models, including among others joint models for continuous and categorical longitudinal responses, and provides several options for modeling the association structure between the two outcomes. In addition, this package can be used to derive dynamic predictions for both outcomes, and offers several tools to validate these predictions in terms of discrimination and calibration. All these features are illustrated using a real data example on patients with primary biliary cirrhosis.

연구 동기 및 목표

• 베이지안 프레임워크 하에서 종단적 및 시간-사망 데이터의 공동 모델을 효율적으로 적합화할 수 있는 유연한 R 패키지를 개발하는 것.
• MCMC 샘플링을 활용한 종단적 및 생존 결과에 대한 동적 예측을 가능하게 하는 것.
• 분류 및 校정 지표를 통한 예측 검증을 위한 도구를 제공하는 것.
• 연속형 및 이산형 반응 변수에 대해 다양한 연관성 구조를 지원하는 종단적 및 생존 과정 간의 관계를 모델링하는 것.
• 웹 인터페이스 및 기존 R 모델링 워크플로우와의 통합을 통해 실용적 사용을 촉진하는 것.

제안 방법

• 종단적 및 시간-사망 데이터의 공동 모델을 추정하기 위해 MCMC 알고리즘을 사용한 베이지안 접근법을 사용한다.
• 초기 적응 단계 동안 적응 조정을 수행하는 랜덤 워크 메트로폴리스-하스팅스 알고리즘을 적용한다.
• 효율적인 MCMC 샘플링을 위해 별도의 혼합효과 모델 및 코ックス 모델을 활용해 제안 분포를 설정한다.
• 수렴성과 효율성을 보장하기 위해 버닝 인, 적응, 희소화를 포함한 단일 장쇄 MCMC 전략을 구현한다.
• 종단적 항목을 생존 하위모델에 변환하는 등 다양한 연관성 구조를 지원한다.
• 다중 공동 모델의 예측을 조합하기 위한 베이지안 모델 평균화를 지원한다.

실험 결과

연구 질문

• RQ1 R에서 베이지안 MCMC 방법을 사용하여 종단적 및 시간-사망 데이터의 공동 모델을 어떻게 효율적으로 적합화할 수 있는가?
• RQ2 시간에 따라 변화하는 종단적 과정과 시간-사망 결과 간의 연관성을 효과적으로 모델링하는 가장 좋은 방법은 무엇인가?
• RQ3 공동 모델링 프레임워크에서 종단적 및 생존 결과에 대한 동적 예측을 어떻게 생성하고 검증할 수 있는가?
• RQ4 수렴성과 계산 효율성 측면에서 MCMC 기반 추론의 성능 특성은 어떠한가?
• RQ5 공동 모델링에서 분류 및 校정 측정치를 사용하여 예측 정확도를 어떻게 정량화할 수 있는가?

주요 결과

• JMbayes 패키지는 연속형 및 이산형 종단적 반응 변수에 대해 다양한 공동 모델을 베이지안 MCMC 프레임워크 하에서 성공적으로 구현하였다.
• 종단적 및 생존 결과에 대한 동적 예측은 실현 가능하며, 분류 및 校정 도구를 통한 검증이 가능하다.
• 적응 조정 및 버닝 인 단계를 통해 MCMC 알고리즘이 안정적인 수렴을 달성하였으며, 기본 설정(n.adapt=3000, n.burnin=3000, n.iter=20000)이 신뢰할 수 있는 추론을 보장한다.
• 별도의 혼합효과 모델 및 코ックス 모델을 기반으로 한 제안 분포 사용이 MCMC 효율성과 믹싱을 향상시켰다.
• 예측 조합을 위한 베이지안 모델 평균화와 같은 고급 기능을 지원하며, 실용적 배포를 위한 웹 인터페이스도 제공한다.
• 메소드론적 프레임워크는 실제 PBC 데이터를 통해 검증되었으며, 312명의 환자와 1945건의 종단적 관측치를 포함하여 임상 연구에서의 유용성을 입증하였다.