[论文解读] Predicting Smoking Events with a Time-Varying Semi-Parametric Hawkes Process Model

Matthew Engelhard, Hongteng Xu+4 more|PubMed|Sep 5, 2018

Point processes and geometric inequalities参考文献 26被引用 5

一句话总结

本文提出一种时变半参数霍克斯过程（TV-SPHP），用于将吸烟建模为自触发点过程，其中先前的吸烟事件会增加当前的吸烟风险。该模型在预测吸烟事件方面优于现有方法，揭示了与尼古丁代谢和日常规律相关的新型时间动态特征。

ABSTRACT

Health risks from cigarette smoking - the leading cause of preventable death in the United States - can be substantially reduced by quitting. Although most smokers are motivated to quit, the majority of quit attempts fail. A number of studies have explored the role of self-reported symptoms, physiologic measurements, and environmental context on smoking risk, but less work has focused on the temporal dynamics of smoking events, including daily patterns and related nicotine effects. In this work, we examine these dynamics and improve risk prediction by modeling smoking as a self-triggering process, in which previous smoking events modify current risk. Specifically, we fit smoking events self-reported by 42 smokers to a time-varying semi-parametric Hawkes process (TV-SPHP) developed for this purpose. Results show that the TV-SPHP achieves superior prediction performance compared to related and existing models, with the incorporation of time-varying predictors having greatest benefit over longer prediction windows. Moreover, the impact function illustrates previously unknown temporal dynamics of smoking, with possible connections to nicotine metabolism to be explored in future work through a randomized study design. By more effectively predicting smoking events and exploring a self-triggering component of smoking risk, this work supports development of novel or improved cessation interventions that aim to reduce death from smoking.

研究动机与目标

• 通过建模超越静态风险因素的吸烟事件时间动态，提升对吸烟事件的预测能力。
• 探究吸烟行为是否表现出自触发特性，即先前事件是否增加未来事件的可能性。
• 探讨时变预测因子（如昼夜节律和尼古丁代谢）在延长预测时间窗口内对提升预测准确性的贡献。
• 利用非参数、灵活的点过程模型，揭示此前未知的吸烟风险时间模式。
• 通过更精确地识别高复吸风险时刻，支持即时数字干预措施的开发。

提出的方法

• 作者采用时变半参数霍克斯过程（TV-SPHP），将吸烟事件的强度建模为过去事件和时变协变量的函数。
• 基线强度通过核平滑进行非参数建模，以灵活捕捉复杂的时间模式，而无需假设特定的参数形式。
• 激发（影响）函数（表示过去事件对当前风险的影响）通过非参数方法估计，以揭示动态的自触发效应。
• 将时变协变量（如一天中的时间、星期几以及自我报告的渴求感）纳入强度函数，以提升预测性能。
• 基于 42 名吸烟者的自我报告吸烟事件数据，采用基于似然的估计框架并引入惩罚似然以避免过拟合来拟合该模型。
• 对影响函数进行分析，识别出吸烟后不久出现的峰值，提示可能与尼古丁水平下降和渴求感增加有关。

实验结果

研究问题

• RQ1 先前的吸烟事件在多大程度上影响后续吸烟事件的即时风险？这种自触发效应是否可量化？
• RQ2 时变预测因子（如昼夜节律、自我报告的渴求感）在多长的预测窗口内能显著提升预测性能？
• RQ3 吸烟风险的潜在时间动态是什么？它们是否与尼古丁代谢等已知生理过程一致？
• RQ4 非参数、半参数霍克斯过程模型是否能在预测吸烟事件方面优于现有的参数化或静态模型？
• RQ5 个体间估计的影响函数有何差异？它们揭示了从单次复吸到复发的进展过程的哪些信息？

主要发现

• TV-SPHP 模型在较长预测窗口内，相较于相关及现有模型，表现出更优的预测性能，尤其在引入时变预测因子后。
• 影响函数揭示了在吸烟事件后约 30 分钟出现的吸烟风险峰值，可能对应尼古丁水平下降和渴求感增强，提示存在自我强化的循环。
• 在吸烟后 1–2 天出现的第二个、较不明显的峰值，可能反映稳定的日常模式或行为偏好，而非直接的尼古丁效应。
• 该模型成功捕捉到吸烟风险中的强烈日周期性，与先前研究结果一致，即个体吸烟者表现出稳定且可重复的日常模式。
• 引入时变预测因子（尤其是与一天中时间及行为情境相关的因子）在延长预测时间范围内显著提升了预测准确性。
• 本研究凸显了 TV-SPHP 在建模行为健康中自触发动态方面的潜力，为未来干预设计和生理机制探索奠定了基础。