[论文解读] Bayesian inference on the number of recurrent events: A joint model of recurrence and survival

Willem van den Boom, Maria De Iorio+1 more|arXiv (Cornell University)|May 14, 2020

Bayesian Methods and Mixture Models参考文献 52被引用 3

一句话总结

本文提出了一种新颖的贝叶斯联合模型，用于分析重复事件与生存数据，明确建模终止事件（如死亡）前的重复事件次数，采用条件指定框架，结合自回归的事件间隔时间、共享脆弱性（frailty）以及狄利克雷过程混合，以捕捉异质性。其主要贡献在于实现了对重复次数的直接推断，克服了以往模型在终止后仍假设不切实际的大量或持续重复事件的局限性。

ABSTRACT

10.1177/09622802211048059

研究动机与目标

• 为解决现有模型在终止后假设任意或不切实际的重复事件数量所带来的局限，从而阻碍对终止前实际重复次数的推断。
• 通过共享脆弱性项及脆弱性分量的联合分布，建模重复与生存过程之间的依赖关系，反映如生物学脆弱性等共同未观测因素。
• 通过事件间隔时间的自回归结构，捕捉重复事件轨迹中的时间依赖性，提升事件序列的建模能力。
• 通过脆弱性项的非参数狄利克雷过程混合，实现基于数据的受试者聚类，捕捉未观测到的群体异质性。
• 开发一种定制化的MCMC算法，结合可逆跳跃与截断抽样，用于复杂高维模型参数的后验推断。

提出的方法

• 将终止前的重复事件次数建模为感兴趣的随机变量，实现对该计数的直接推断。
• 采用具有恒定均值和回归系数的自回归模型对事件间隔时间进行建模，既保持时间依赖性的刻画，又保证可解释性。
• 引入重复与生存过程的共享脆弱性项，通过脆弱性分量的联合分布诱导两者的依赖关系。
• 对脆弱性项应用狄利克雷过程混合先验，实现灵活的、基于数据的受试者聚类，无需预先指定聚类数量。
• 采用定制化的吉布斯采样器，结合可逆跳跃MCMC与截断抽样步骤，以探索模型空间并估计后验分布，包括聚类数量与事件计数。
• 在终止事件（如死亡）处截断重复过程，避免对终止后未观测或删失事件的假设。

实验结果

研究问题

• RQ1 如何将终止事件（如死亡）前的重复事件次数建模为感兴趣的随机变量，而非假设终止后存在任意或无限数量的重复事件？
• RQ2 在重复事件间隔时间序列中引入时间依赖性，对模型拟合与推断有何影响？
• RQ3 通过共享脆弱性项联合建模重复与生存过程，如何改善对两过程间依赖关系的估计？
• RQ4 使用非参数狄利克雷过程混合对脆弱性项建模，在多大程度上能捕捉到群体中未观测到的异质性？
• RQ5 与现有的联合脆弱性模型及基于copula的重复事件与生存模型相比，所提出的模型在性能与推断质量方面表现如何？

主要发现

• 该模型成功实现了对终止前重复事件次数的直接推断，而这是以往模型因假设终止后重复过程持续存在而无法实现的。
• 对脆弱性分布中聚类数量的后验推断显示，存在一个主导聚类，后验众数为一个聚类，表明结直肠癌与心房颤动数据中未观测异质性有限。
• 对新患者重复事件数（Ni）的后验预测分布呈右偏分布，众数位于4–5之间，与观察到的数据模式一致。
• 方差参数σ²的后验分布众数位于4.0–5.0之间，表明个体间事件间隔时间存在中等程度的变异性。
• 唯一一个95%可信区间不包含零的协变量是阵发性心房颤动对事件间隔时间的影响，表明其与再入院率降低存在显著关联。
• 与Cox模型、联合脆弱性模型及贝叶斯半参数模型的比较显示结果一致：大多数协变量无显著影响，但均一致发现阵发性AF具有保护作用；在年龄作用上存在分歧，联合脆弱性模型检测到显著的年龄效应，而本模型未发现。