[论文解读] SurvRegCensCov: Weibull Regression for a Right-Censored Endpoint with a Censored Covariate

Stanislas Hubeaux, Kaspar Rufibach|arXiv (Cornell University)|Feb 3, 2014

Advanced Causal Inference Techniques参考文献 16被引用 6

一句话总结

本文介紹了 R 包 SurvRegCensCov，该包可在一个协变量存在左或区间删失（如低于检测限的生物标志物数据）时，实现右删失时间-事件结果的 Weibull 回归。该方法在参数假设下（生存时间服从 Weibull 分布，删失协变量服从正态分布）采用完整似然估计，相比传统插补方法，偏差和均方误差更低，假设检验中的第一类错误控制更准确。

ABSTRACT

Biomarker data is often subject to limits of quantification and/or limits of detection. Statistically, this corresponds to left- or interval-censoring. To be able to associate a censored time-to-event endpoint to a biomarker covariate, the R package SurvRegCensCov provides software for Weibull regression for a right-censored endpoint, one interval-censored, and an arbitrary number of non-censored covariates. Furthermore, the package provides functions to estimate canonical parameters from censored samples based on several distributional assumptions, and a function to switch between different parametrizations used in R for Weibull regression. We illustrate the new software by applying it to assess Prentice's criteria for surrogacy in data simulated from a randomized clinical registration trial.

研究动机与目标

• 为解决在协变量删失（如低于检测限）时，参数生存回归缺乏软件支持的问题，同时结果为右删失。
• 开发一种方法，通过完整似然估计正确处理删失协变量的分布特性，避免偏差的插补策略。
• 扩展现有方法，以支持协变量的区间删失、任意非删失协变量以及 Weibull 回归中的灵活参数化。
• 通过在假设检验中保持正确的第一类错误率，确保统计推断的有效性，优于基于插补的方法。
• 提供开源 R 包，使研究人员能够将该方法应用于真实世界临床试验数据，特别是替代终点评估。

提出的方法

• 采用完整似然函数，联合建模右删失的时间-事件结果（Weibull 分布）和删失协变量（假设为正态分布）。
• 使用数值积分计算删失协变量观测值的似然贡献，避免依赖类似 Simpson 法则的调优参数。
• 实现参数模型，假设删失协变量服从已知分布（如正态分布），在模型正确设定下可实现一致估计。
• 支持协变量的左删失和区间删失，更真实地建模生物标志物测量限。
• 提供函数以在 R 中切换 Weibull 回归模型的不同参数化形式，提升可用性和兼容性。
• 支持估计 Weibull 分布的形状和尺度参数，以及删失和非删失协变量的回归系数。

实验结果

研究问题

• RQ1 当生物标志物协变量存在左删失时，与标准插补方法（如用 LOD、LOD/2 或 LOD/√2 替换删失值）相比，采用完整似然估计的 Weibull 回归在偏差和均方误差方面表现如何？
• RQ2 与基于插补的方法相比，所提出的方法在治疗效应假设检验中是否能维持适当的第一类错误率？
• RQ3 当删失协变量为区间删失而非单纯左删失时，该方法的性能如何变化？
• RQ4 该方法能否扩展至包含多个非删失协变量，同时保持准确性和计算可行性？
• RQ5 假设删失协变量在各组间服从相同分布与允许各组使用不同分布相比，对估计偏差有何影响？

主要发现

• 在考虑生物标志物协变量左删失的情况下，采用完整似然估计的 Weibull 回归在 MRD 参数 β_MRD 上的偏差极低（0.00002），显著低于 LOD 插补方法（72.7 MSE），显示出更高的准确性。
• 在所提方法下，治疗效应参数 β_tmt 的均方误差（MSE）为 0.00004，而使用 LOD 插补的 Weibull 和 Cox 回归方法分别为 22.8 和 1.8。
• 所提方法保持了名义上的第一类错误率 0.05（经验拒绝率：0.050），而 LOD 插补方法略有膨胀（分别为 0.062 和 0.059），表明其具有更优的频率学性质。
• 即使在中等删失比例下（如 35% 的 MRD 值被删失），该方法仍表现出稳健性能，优于传统方法在偏差和效率方面的表现。
• 该包可成功处理区间删失协变量，并支持多个非删失协变量，将适用范围扩展至原始 Sattar 等（2012）框架之外。
• 尽管需要数值积分，计算性能仍可接受，方法在典型临床试验应用中足够高效。