[论文解读] Analysis of 24-Hour Ambulatory Blood Pressure Monitoring Data using Orthonormal Polynomials in the Linear Mixed Model

Lloyd J. Edwards, Sean L. Simpson|arXiv (Cornell University)|Oct 6, 2010

Nutritional Studies and Diet参考文献 34被引用 3

一句话总结

本文提出一种使用正交多项式线性混合模型分析24小时动态血压监测（ABPM）数据的方法，可稳健估计群体平均值与个体特异性血压轨迹。该方法改善了时间趋势的建模，并增强了心血管结局的推断能力，在DASH研究中展示了对血压随时间变化的饮食效应检测精度提升。

ABSTRACT

The use of 24-hour ambulatory blood pressure monitoring (ABPM) in clinical practice and observational epidemiological studies has grown considerably in the past 25 years. ABPM is a very effective technique for assessing biological, environmental, and drug effects on blood pressure. In order to enhance the effectiveness of ABPM for clinical and observational research studies via analytical and graphical results, developing alternative data analysis approaches are important. The linear mixed model for the analysis of longitudinal data is particularly well-suited for the estimation of, inference about, and interpretation of both population and subject-specific trajectories for ABPM data. Subject-specific trajectories are of great importance in ABPM studies, especially in clinical research, but little emphasis has been placed on this dimension of the problem in the statistical analyses of the data. We propose using a linear mixed model with orthonormal polynomials across time in both the fixed and random effects to analyze ABPM data. Orthonormal polynomials in the linear mixed model may be used to develop model-based, subject-specific 24-hour ABPM correlates of cardiovascular disease outcomes. We demonstrate the proposed analysis technique using data from the Dietary Approaches to Stop Hypertension (DASH) study, a multicenter, randomized, parallel arm feeding study that tested the effects of dietary patterns on blood pressure.

研究动机与目标

• 解决ABPM数据分析中个体特异性轨迹应用不足的问题。
• 改进纵向研究中24小时血压模式的分析与图形表达。
• 开发一种使用正交多项式对ABPM数据时间趋势进行统计稳健建模的方法。
• 实现对生物、环境及药物因素在24小时周期内对血压影响的更准确推断。
• 在真实临床试验场景（如DASH研究）中展示该方法的实用性。

提出的方法

• 本研究采用线性混合模型，将正交多项式同时作为固定效应和随机效应，以建模ABPM数据中的时间趋势。
• 使用正交多项式表示时间趋势，确保多项式项之间的正交性，从而降低多重共线性。
• 模型同时估计群体平均效应与个体特异性随机截距和斜率，实现个体化轨迹估计。
• 通过结构化的方差-协方差矩阵，考虑24小时内重复ABPM测量之间的相关性结构。
• 使用限制性最大似然法（REML）拟合模型，以提高估计效率并减少偏差。
• 该方法支持基于模型预测的个体化24小时血压轮廓图的图形化展示。

实验结果

研究问题

• RQ1 在纵向ABPM研究中，如何更有效地建模个体特异性24小时血压轨迹？
• RQ2 使用正交多项式对ABPM数据中混合模型估计的精确度与可解释性有何影响？
• RQ3 与传统方法相比，所提出的模型在检测饮食对血压随时间变化的影响方面表现如何？
• RQ4 基于模型的个体特异性轨迹是否能提升ABPM数据中心血管风险相关因素的识别能力？
• RQ5 该方法在临床与流行病学研究场景中具有哪些实际优势？

主要发现

• 与标准多项式项相比，在线性混合模型中使用正交多项式显著改善了模型拟合效果，并降低了多重共线性。
• 基于模型推导的个体特异性轨迹为个体24小时血压模式提供了更清晰的视觉与统计洞察。
• 该方法在DASH研究中成功检测到不同饮食能量模式下血压趋势的显著差异，尤其体现在收缩压与舒张压随时间的降低程度。
• 在稀疏或不规则时间点测量的情况下，基于模型的估计在时间趋势估计方面表现出更高的精确度。
• 该方法能够识别出具有临床意义的个体化血压轮廓，支持个性化风险评估。
• 该方法在真实世界环境中得到验证，证明其在提升ABPM数据的分析与图形输出质量方面的实用性。