[论文解读] A Latent Gaussian Process Model with Application to Monitoring Clinical Trials

Yanxun Xu, Yuan Ji|arXiv (Cornell University)|Mar 31, 2014

Gaussian Processes and Bayesian Inference参考文献 33被引用 3

一句话总结

本文提出一种贝叶斯潜变量高斯过程（LGP）模型，用于监测具有重复性、周期性二值结果（如疾病复发与缓解）的临床试验，通过建模潜在的连续疾病进展过程。该方法可实现对无效性的早期试验终止，预测个体患者反应，并通过混合蒙特卡罗推断和后验一致性保证比较治疗效果。

ABSTRACT

In many clinical trials treatments need to be repeatedly applied as diseases relapse frequently after remission over a long period of time (e.g., 35 weeks). Most research in statistics focuses on the overall trial design, such as sample size and power calculation, or on the data analysis after trials are completed. Little is done to improve the efficiency of trial monitoring, such as early termination of trials due to futility. The challenge faced in such trial monitoring is mostly caused by the need to properly model repeated outcomes from patients. We propose a Bayesian trial monitoring scheme for clinical trials with repeated and potentially cyclic binary outcomes. We construct a latent Gaussian process (LGP) to model discrete longitudinal data in those trials. LGP describes the underlying latent process that gives rise to the observed longitudinal binary outcomes. The posterior consistency property of the proposed model is studied. Posterior inference is conducted with a hybrid Monte Carlo algorithm. Simulation studies are conducted under various clinical scenarios, and a case study is reported based on a real-life trial.

研究动机与目标

• 解决临床试验中缺乏针对重复性、周期性二值结果（如疾病复发与缓解）的自适应监测方法的问题。
• 建模产生离散二值纵向观测的潜在连续疾病进展过程。
• 开发一种贝叶斯框架用于中期监测，允许因无效性或疗效不足而提前终止试验。
• 基于观测到的周期性模式，实现对个体患者未来反应的个性化预测。
• 通过同时建模群体水平趋势和受试者特异性周期动态，比较不同治疗组的治疗效果。

提出的方法

• 将观测到的二值结果视为潜变量上阈值化后的实现，其中二值响应由潜变量上的阈值决定。
• 将潜变量过程分解为群体水平治疗效应 $\mu(t)$ 和受试者特异性周期成分 $\tau_j(t)$，并将其建模为高斯过程。
• 采用具有非信息性超参数先验的分层贝叶斯模型，以实现灵活且数据驱动的推断。
• 使用混合蒙特卡罗（HMC）算法实现后验推断，以高效探索高维参数空间。
• 结合后验一致性理论，确保随着样本量增加，模型收敛至真实潜在过程。
• 基于观测值与预测值之间的差异构建检验统计量，以评估模型拟合度并支持无效性监测。

实验结果

研究问题

• RQ1 潜变量高斯过程模型能否有效捕捉长期临床试验中二值结果的周期性和重复性特征？
• RQ2 如何为应用于离散纵向二值数据的潜变量高斯过程模型建立后验一致性？
• RQ3 该模型在基于早期阶段观测数据的基础上，能在多大程度上预测未来患者反应？
• RQ4 该模型能否支持一种自适应监测方案，实现因无效性而提前终止试验？
• RQ5 不同治疗组中，治疗效应与受试者特异性周期模式如何比较？

主要发现

• 所提出的潜变量高斯过程模型展现出后验一致性，确保随着观测数量增加，估计的潜变量过程收敛至真实潜在过程。
• 模拟研究显示，该模型能准确捕捉二值结果中的周期性模式，并提供可靠的个体化未来反应预测。
• 该模型通过更早检测到治疗无益性，实现有效的无效性监测，从而减少不必要的试验持续时间。
• 混合蒙特卡罗算法确保了在高维参数空间中高效后验抽样与稳定收敛。
• 基于真实临床试验的案例研究证实了该模型在长期随访期间监测治疗反应的实际应用价值。
• 该模型在捕捉非线性和周期性疾病进展模式方面优于标准逻辑回归和线性状态空间模型。