[论文解读] Dynamic Predictions with Time-Dependent Covariates in Survival Analysis using Joint Modeling and Landmarking

Dimitris Rizopoulos, Magdalena Murawska+4 more|arXiv (Cornell University)|Jun 27, 2013

Statistical Methods and Inference参考文献 22被引用 15

一句话总结

本文提出并比较了联合建模与分层建模在利用时变生物标志物进行生存概率动态预测中的应用。结果表明，联合建模通过整合纵向轨迹特征（如斜率和当前值）在区分度和校准度方面优于分层建模，尤其在建模复杂的生物标志物动态变化时表现更优。

ABSTRACT

A key question in clinical practice is accurate prediction of patient prognosis. To this end, nowadays, physicians have at their disposal a variety of tests and biomarkers to aid them in optimizing medical care. These tests are often performed on a regular basis in order to closely follow the progression of the disease. In this setting it is of medical interest to optimally utilize the recorded information and provide medically-relevant summary measures, such as survival probabilities, that will aid in decision making. In this work we present and compare two statistical techniques that provide dynamically-updated estimates of survival probabilities, namely landmark analysis and joint models for longitudinal and time-to-event data. Special attention is given to the functional form linking the longitudinal and event time processes, and to measures of discrimination and calibration in the context of dynamic prediction.

研究动机与目标

• 开发并比较基于重复生物标志物测量的生存结局动态预测方法。
• 探究在预测模型中引入纵向轨迹特征（如斜率、累积变化）是否能提升预测准确性，相较于仅基于当前值的模型。
• 在具有时变协变量的动态预测场景中，评估区分度与校准度。
• 在现实的生物标志物与事件时间数据结构下，评估联合建模与分层建模的性能表现。
• 基于模型假设、计算成本与预测性能，为方法选择提供实用指导。

提出的方法

• 采用纵向数据与生存时间数据的联合模型，通过共享随机效应结构将生物标志物轨迹与事件风险关联起来。
• 采用灵活的关联结构，使风险函数依赖于当前生物标志物值、其变化速率，或其历史数据的汇总统计量。
• 通过在固定时间点（分层点）对仍处于风险中的患者拟合Cox模型来实施分层建模。
• 通过基于新患者在给定时间点前的观测生物标志物数据进行条件推断，推导动态生存预测。
• 使用限制性立方样条与参数模型，灵活建模纵向过程与生存过程之间关联的函数形式。
• 实施适用于动态预测的校准与区分度度量，包括时间特定的Brier评分与时间依赖的c-index。

实验结果

研究问题

• RQ1 在具有重复生物标志物的生存时间结局预测中，联合建模与分层建模在预测准确性方面如何比较？
• RQ2 在动态预测模型中，包含纵向轨迹特征（如斜率、曲线下方面积）与仅使用当前生物标志物值相比，其影响如何？
• RQ3 纵向过程与生存过程之间关联的函数形式差异，如何影响区分度与校准度？
• RQ4 在何种情况下，联合建模在预测性能与模型假设方面优于分层建模？
• RQ5 在实际应用中，联合建模与分层建模在计算需求与模型复杂度方面如何比较？

主要发现

• 联合建模在区分度与校准度方面始终优于分层建模，尤其当真实关联涉及生物标志物变化速率时表现更优。
• 与仅基于当前值的模型相比，引入生物标志物轨迹斜率可显著提升预测准确性。
• 模拟研究显示，联合模型在各时间点均保持更优的校准度，Brier评分更低，尤其在生物标志物趋势非线性的情境下表现更佳。
• 当生物标志物过程稳定且当前值具有高度预测力时，分层建模表现良好，但无法捕捉疾病进展中的动态变化。
• 在联合模型中，包含整个生物标志物历史的汇总度量（如累积面积）可提升预测性能，尤其当事件风险依赖于长期暴露时。
• 联合建模比分层建模计算更复杂，但其在建模生物标志物与生存之间复杂且时变的关系时，展现出更高的灵活性与鲁棒性。