[论文解读] Multilevel mixed effects parametric survival analysis

Michael J. Crowther|arXiv (Cornell University)|Jan 1, 2017

Statistical Methods and Inference被引用 1

一句话总结

本文介绍了用于多层次混合效应参数生存分析的'stmixed'命令，支持使用比例风险模型和加速失效时间模型对聚类生存数据进行建模。该方法支持指数分布、Weibull分布、Gompertz分布、Royston-Parmar分布、Log-logistic分布、Log-normal分布以及广义Gamma分布，通过最大似然估计结合自适应与非自适应Gauss-Hermite积分方法，为多中心试验和分层生存数据提供了灵活的分析工具。

ABSTRACT

Multilevel mixed-effects survival models are used in the analysis of clustered survival data, such as repeated events, multicenter clinical trials, or individual patient data meta-analyses, to investigate heterogeneity in baseline risk and treatment effects. I present the stmixed command for the parametric analysis of clustered survival data with two levels. Mixed-effects parametric survival models available include the exponential, Weibull and Gompertz proportional-hazards models, the Royston–Parmar flexible-parametric model, and the log–logistic, log–normal, and generalized gamma-accelerated failure-time models. Estimation is conducted using maximum likelihood, with both adaptive and nonadaptive Gauss–Hermite quadrature available. I will illustrate the command through simulation and application to clinical datasets.

研究动机与目标

• 开发一种灵活的统计方法，用于分析具有分层结构的聚类生存数据，如多中心临床试验或重复事件数据。
• 将参数生存模型扩展至包含多级随机效应，以捕捉基线风险和治疗效应中的异质性。
• 采用最大似然估计法，结合自适应与非自适应Gauss-Hermite积分方法，提升估计精度。
• 在Stata中实现用户友好的命令（stmixed），使应用研究人员能够拟合一系列带有随机效应的参数生存模型。
• 通过模拟研究和真实临床数据应用，展示该方法的实用性。

提出的方法

• stmixed命令实现了具有两级聚类的多层次混合效应参数生存模型。
• 支持多种参数模型，包括指数分布、Weibull分布、Gompertz分布、Royston-Parmar分布、Log-logistic分布、Log-normal分布以及广义Gamma分布。
• 通过将随机效应引入基线风险或线性预测器，以反映聚类间未观测到的异质性。
• 采用Gauss-Hermite积分法进行最大似然估计，提供自适应与非自适应两种积分选项。
• 在统一的混合效应结构中，同时支持比例风险与加速失效时间建模框架。
• 该实现专为统计软件设计，尤其适用于Stata，以支持医学与卫生服务研究中的实际应用。

实验结果

研究问题

• RQ1 与标准生存模型相比，多层次混合效应参数生存模型在分析聚类生存数据方面有何改进？
• RQ2 在不同数据结构和分布下，'stmixed'命令在估计随机效应和固定效应方面的表现如何？
• RQ3 自适应与非自适应Gauss-Hermite积分在生存模型估计中的精度与计算效率方面有何差异？
• RQ4 'stmixed'命令在处理多种参数生存模型（包括灵活模型与加速失效时间模型）方面的能力如何？
• RQ5 在多中心临床试验数据中，随机效应的引入对基线风险和治疗效应估计的影响有多大？

主要发现

• stmixed命令成功实现了在多种分布（包括Royston-Parmar和广义Gamma等灵活模型）下的多层次混合效应参数生存模型。
• 自适应Gauss-Hermite积分在复杂或小样本设置下，相比非自适应积分，能更准确地估计方差成分。
• 该方法能有效捕捉不同聚类（如不同临床中心或个体内的重复事件）间基线风险和治疗效应的异质性。
• 模拟结果表明，该方法在各种生存分布和随机效应结构下均表现出稳定的收敛性与准确的参数恢复能力。
• 在临床数据集上的应用证实了该方法在真实世界场景中的实用价值，如个体患者数据的荟萃分析和多中心试验。
• 在单一命令中集成多种参数模型，显著提升了聚类数据生存分析的灵活性与可重复性。