[論文レビュー] 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)|Apr 30, 2014

Statistical Methods and Inference参考文献 27被引用数 38

ひとこと要約

この論文では、ベイジアン枠組みの下でマルコフ連鎖モンテカルロ法（MCMC）を用いて縦断的データと生存時間データの共同モデルを適合するRパッケージJMbayesを紹介する。このパッケージは、結果間の関連性を柔軟にモデル化でき、縦断的および生存時間プロセスの動的予測を可能にし、判別力とキャリブレーション指標による予測の包括的検証を実現する。主な胆汁うっ血性硬変症データを用いた応用例が提示されている。

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.

研究の動機と目的

• ベイジアン枠組みの下で、縦断的データと生存時間データの共同モデルを効率的に適合できる柔軟なRパッケージの開発。
• MCMCサンプリングを用いて、縦断的および生存時間の両方の結果について動的予測を可能にする。
• 判別力とキャリブレーション指標を用いた予測の検証ツールの提供。
• 連続的およびカテゴリカルな反応に対応する、縦断的および生存時間プロセス間の多様な関連構造のサポート。
• Webインターフェースと既存のRモデリングワークフローへの統合を通じた実用的利用の促進。

提案手法

• 縦断的および生存時間データの共同モデルを推定するために、ベイジアンアプローチとMCMCアルゴリズムを用いる。
• 初期の適応段階で適応的チューニングを伴うランダムウォークメトロポリス・ハスティングス法を採用する。
• MCMCサンプリングの効率を高めるために、提案分布を別個の混合効果モデルおよびコックス回帰モデルから得る。
• 収束と効率性を確保するため、バーニング、適応、スプライシングを含む1本の長さのMCMC戦略を実装する。
• 縦断的項の変換を含む、柔軟な関連構造をサポートする。
• 複数の共同モデルからの予測を組み合わせるためのベイジアンモデル平均化を実装する。

実験結果

リサーチクエスチョン

• RQ1 Rにおいて、ベイジアンMCMC手法を用いて縦断的データと生存時間データの共同モデルをどのように効率的に適合できるか？
• RQ2 時間的に変化する縦断的プロセスと生存時間アウトカムとの間の関連性を効果的にモデル化するにはどのような方法があるか？
• RQ3 共同モデリングフレームワークにおいて、縦断的および生存時間の両方の結果について、動的予測をどのように生成し、検証できるか？
• RQ4 収束性と計算効率の観点から、MCMCベースの推論の性能特性はどのようなものか？
• RQ5 共同モデリングにおいて、判別力とキャリブレーション指標を用いて予測精度をどのように定量化できるか？

主な発見

• JMbayesパッケージは、ベイジアンMCMCフレームワークの下で、連続的およびカテゴリカルな縦断的反応に対しても広範な共同モデルを実装している。
• 縦断的および生存時間の両方の結果について、動的予測が可能であり、判別力とキャリブレーションツールを用いて検証可能である。
• 適応的チューニングとバーニング段階を経て、MCMCアルゴリズムは安定した収束を達成しており、デフォルト設定（n.adapt=3000, n.burnin=3000, n.iter=20000）により信頼性の高い推論が保証されている。
• 別個の混合効果モデルおよびコックス回帰モデルから得た提案分布の使用により、MCMCの効率性と混合性が向上した。
• 予測の組み合わせのためのベイジアンモデル平均化などの高度な機能をサポートし、実用的導入を可能にするWebインターフェースを提供する。
• この手法的フレームワークは、312例の患者と1945件の縦断的観察を含む実際のPBCデータを用いて検証され、臨床研究における実用性が示された。