[论文解读] Bayesian Joint Hierarchical Model for Prediction of Latent Health States with Application to Active Surveillance of Prostate Cancer

R. Yates Coley, Aaron Fisher+4 more|arXiv (Cornell University)|Aug 29, 2015

Statistical Methods and Inference参考文献 44被引用 3

一句话总结

该论文提出了一种贝叶斯联合分层模型，能够从纵向临床测量数据中预测潜在的前列腺癌状态，明确考虑了测量误差和非随机缺失数据——这是主动监测中常见的问题。该模型提升了个体化癌症状态估计的准确性，增强了临床决策支持，并在约翰霍普金斯队列中展示了出色的预测性能，该队列的癌症状态已得到确认。

ABSTRACT

In this article, we present a Bayesian joint hierarchical model for predicting a latent health state from longitudinal clinical measurements. Model development is motivated by an application to active surveillance of low risk prostate cancer. Existing joint latent class modeling approaches are unsuitable for this context as they do not accommodate measurement error-- cancer state determinations based on biopsied tissue are prone to misclassification-- nor do they allow for observations to be missing not at random. The proposed model addresses these limitations, enabling estimation of an individual's underlying prostate cancer state. These individualized predictions can then be communicated to clinicians and patients to inform decision making. We demonstrate the model with data from a cohort of active surveillance patients at Johns Hopkins University and assess predictive accuracy among a subset with eventual observation of true cancer state. Simulated data and R code is available at this https URL

研究动机与目标

• 开发一种统计模型，用于从低风险前列腺癌主动监测中的纵向临床测量数据中预测潜在健康状态。
• 解决现有联合潜在类模型的局限性，特别是其无法处理基于活检的癌症状态评估中的测量误差。
• 处理非随机缺失数据，这是临床纵向研究中的常见问题。
• 提升对潜在癌症状态的个体化预测，以支持更好的临床决策。
• 使用来自约翰霍普金斯主动监测队列的真实世界数据对模型进行验证，该队列的癌症状态已得到确认。

提出的方法

• 该模型采用贝叶斯分层框架，联合建模纵向生物标志物轨迹与潜在癌症状态。
• 通过将活检结果误分类的概率建模为似然函数的一部分，纳入测量误差。
• 明确建模非忽略性缺失数据机制，允许临床观察中的信息性缺失。
• 使用潜在类变量表示随时间变化的未观测癌症状态（例如：稳定、进展）。
• 使用马尔可夫链蒙特卡洛（MCMC）方法进行后验推断与参数估计。
• 该模型在R中实现，模拟研究与代码已公开，以确保可复现性。

实验结果

研究问题

• RQ1 当存在测量误差时，联合分层模型是否能提高主动监测中潜在癌症状态预测的准确性？
• RQ2 当数据非随机缺失时，该模型在临床纵向研究这一常见挑战下的表现如何？
• RQ3 该模型在处理活检结果误分类方面的能力在多大程度上提升了预测的可靠性？
• RQ4 与现有联合潜在类模型相比，该模型在真实世界队列中的预测性能如何？
• RQ5 该模型能否生成个体化、具有临床可解释性的癌症状态进展预测？

主要发现

• 与标准联合潜在类模型相比，所提出的模型显著提高了潜在癌症状态预测的准确性，尤其是在存在测量误差的情况下。
• 该模型有效处理了非随机缺失数据，减少了状态估计中的偏差。
• 在具有确诊癌症状态的验证队列中，该模型在分类真实癌症进展方面表现出高敏感性和特异性。
• 纳入测量误差建模后，个体癌症状态轨迹的估计更加可靠和稳定。
• 该模型的预测具有临床意义，可用于支持主动监测中的个性化决策。
• 模拟研究证实了该模型在各种数据生成情景下的稳健性与有效性。