[论文解读] A Bayesian Dynamic Graphical Model for Recurrent Events in Public Health

Aditi Shenvi, Jim Q. Smith|arXiv (Cornell University)|Nov 21, 2018

Bayesian Modeling and Causal Inference参考文献 33被引用 7

一句话总结

本文提出一种贝叶斯动态图模型——简化动态事件图（RDCEG），用于建模异质性开放人群中的复发事件，特别适用于非药物性公共卫生干预。通过结合非对称事件图与连续时间半马尔可夫过程，RDCEG 能够灵活且可解释地建模个体进展路径与治疗效果，且借助共轭贝叶斯推断，实现稀疏数据下的快速、透明的模型选择与稳健推断。

ABSTRACT

To analyze the impacts of certain types of public health interventions we need to estimate the treatment effects and outcomes as these apply to heterogeneous open populations. Dynamically modifying populations containing risk groups that can react very differently to changes in covariates are inferentially challenging. Here we propose a novel Bayesian graphical model called the Reduced Dynamic Chain Event Graph (RDCEG) customized to such populations. These models generalize the tree-based Chain Event Graphs to a particular class of graphically supported semi-Markov processes. They provide an interface between natural language explanations about what might be happening to individuals and a formal statistical analysis. Here we show how the RDCEG is able to express the different possible progressions of each vulnerable individual as well as hypotheses about probabilistic symmetries within these progressions across different individuals within that population. We demonstrate how well-developed Bayesian Network technologies can be transferred almost seamlessly to this class. Our work is motivated by the challenge of modeling non-pharmacological interventions for recurrent event processes. We illustrate our methodology in two settings: an intervention to reduce falls among the elderly and a trial to examine effects of deferred treatment among individuals presenting with early epilepsy.

研究动机与目标

• 解决在子群体对协变量反应不同的动态变化开放人群中建模治疗效果的挑战。
• 开发一种统计模型，直接基于活跃参与者（即‘对治疗者进行干预’）进行建模，而非依赖复杂的缺失机制。
• 将专家领域知识整合到图模型中，支持个体间条件独立性陈述与概率对称性。
• 利用经调整以适应半马尔可夫过程的成熟贝叶斯网络技术，实现快速共轭贝叶斯推断。
• 在两个公共卫生场景中展示该模型的实用性：老年人跌倒预防与早期癫痫的延迟治疗。

提出的方法

• RDCEG 作为事件图的简化形式构建，专为具有灵活停留时间的半马尔可夫过程设计。
• 通过树状图结构建模个体进展路径，其中节点表示状态，边表示转移，标签编码协变量与结果。
• 各状态的停留时间采用灵活的参数分布建模，自然处理非等间距的纵向数据。
• 模型的似然可分解，支持共轭估计与类似贝叶斯网络的高效模型选择。
• 采用贪心搜索算法对相似转移进行聚类并选择最优模型结构，通过留一法监控对数边际似然与后验预测检验进行验证。
• 通过结构约束嵌入专家知识，并支持对子群体间条件独立性与概率对称性的解释。

实验结果

研究问题

• RQ1 如何在个体动态进入与退出的开放异质人群中建模复发事件过程？
• RQ2 当数据稀疏且子群体对协变量反应不同时，如何估计非药物干预中对治疗者的治疗效果？
• RQ3 图模型能否结合半马尔可夫过程的灵活性与事件图的可解释性，以应用于公共卫生领域？
• RQ4 贝叶斯网络技术如何被调整以支持此类复杂、动态、多变量模型的快速共轭推断？
• RQ5 哪些诊断工具可用于验证在数据稀疏与不规则采样条件下模型结构与参数估计的稳健性？

主要发现

• RDCEG 在两个公共卫生案例研究中成功建模了复发事件过程：老年人跌倒预防与早期癫痫的延迟治疗。
• 通过贪心搜索进行的模型选择在无数据点被剔除时，产生了对数边际似然得分较高的聚类与阶段，表明模型拟合良好。
• 留一法分析显示，观测值极少的情况（如 s7、s11、s18、s22、s25、s39、s48）的观测均值超出后验期望的两个标准差范围，提示在稀疏区域可能存在不稳定性。
• 当移除 s16、s21、s26 和 s33 等状态时，对数边际似然显著下降，表明可能存在结构敏感性，需进一步通过数据验证。
• 在剔除边时，停留时间估计值通常在观测均值的一个标准差范围内，表明尽管某些分布方差较高，后验预测性能仍良好。
• 模型结构与参数估计均处于可接受范围内，贪心算法收敛至模型拟合的局部最大值。