[论文解读] Regression Modeling for Recurrent Events Using R Package reReg

Sy Han Chiou, Gongjun Xu+2 more|arXiv (Cornell University)|Apr 23, 2021

Statistical Methods and Inference参考文献 37被引用 5

一句话总结

本文介绍了 R 包 reReg，用于对复发事件进行回归分析，采用灵活的尺度变化模型，通过个体特异性脆弱性（frailty）处理信息性终事件。该方法无需参数假设即可联合建模复发事件与终事件，为生物医学和公共卫生研究提供稳健且用户友好的工具。

ABSTRACT

Recurrent event analyses have found a wide range of applications in biomedicine, public health, and engineering, among others, where study subjects may experience a sequence of event of interest during follow-up. The R package reReg (Chiou and Huang 2021) offers a comprehensive collection of practical and easy-to-use tools for regression analysis of recurrent events, possibly with the presence of an informative terminal event. The regression framework is a general scale-change model which encompasses the popular Cox-type model, the accelerated rate model, and the accelerated mean model as special cases. Informative censoring is accommodated through a subject-specific frailty without no need for parametric specification. Different regression models are allowed for the recurrent event process and the terminal event. Also included are visualization and simulation tools.

研究动机与目标

• 解决在纵向研究中分析复发事件的挑战，其中终事件（如死亡）可能与复发事件过程相关且具有信息性。
• 开发一个统一的回归框架，推广现有模型（如 Cox 型、加速率模型和加速均值模型）。
• 提供计算高效且用户友好的 R 包，支持复发事件与终事件的联合建模，且无需对基线风险函数做参数假设。
• 通过引入个体特异性脆弱性，提升统计推断能力，以应对复发事件数据中的信息性删失。
• 包含可视化与模拟工具，以支持实际研究中的模型诊断与方法探索。

提出的方法

• 提出一种通用的尺度变化模型，将 Cox 型、加速率和加速均值模型作为特例统一起来。
• 使用个体特异性脆弱性项来建模复发事件过程与终事件之间的依赖关系，且无需对基线强度做参数化设定。
• 采用伪得分估计方程方法，在尺度变化模型框架下高效估计回归参数。
• 允许为复发事件过程与终事件过程分别指定不同的回归模型，从而灵活建模二者之间的关联。
• 集成模拟工具，可在各种模型假设下生成复发事件数据，支持方法验证与研究设计规划。
• 提供可视化函数，用于评估模型拟合度、估计基线强度以及展示估计的回归效应。

实验结果

研究问题

• RQ1 如何构建一个统一的回归框架，以在考虑信息性终事件的同时建模复发事件？
• RQ2 在不作参数假设的前提下，尺度变化模型在处理复发事件与终事件之间依赖关系方面的表现如何？
• RQ3 在存在信息性删失的情况下，引入个体特异性脆弱性如何提升估计精度？
• RQ4 reReg 包在支持不同类型复发事件与终事件过程的灵活建模方面，其能力达到何种程度？
• RQ5 可视化与模拟工具在辅助模型诊断与方法探索方面的有效性如何？

主要发现

• reReg 包成功实现了灵活的尺度变化模型，可推广现有复发事件模型，包括 Cox 型、加速率和加速均值模型。
• 个体特异性脆弱性方法在不需对基线强度函数做参数假设的前提下，有效处理了信息性删失。
• 通过伪得分估计方程方法，该方法实现了回归参数的一致且高效的估计。
• 该包支持对复发事件与终事件分别建模，允许采用不同的回归结构，从而提升建模精度。
• 集成的模拟与可视化工具使研究人员能够有效验证模型、探索数据并评估模型拟合度。
• 该框架计算高效且用户友好，适用于生物医学、公共卫生及工程等实际应用。