[论文解读] The R Package JMbayes for Fitting Joint Models for Longitudinal and Time-to-Event Data using MCMC

Dimitris Rizopoulos|EUR Research Repository (Erasmus University Rotterdam)|Apr 30, 2014

Statistical Methods and Inference参考文献 27被引用 38

一句话总结

本文介绍了 R 包 JMbayes，该包在贝叶斯框架下使用马尔可夫链蒙特卡洛（MCMC）方法拟合纵向数据与生存时间数据的联合模型。它支持对结果之间的关联进行灵活建模，对纵向过程和生存过程进行动态预测，并通过区分度和校准度量对预测结果进行全面验证，相关方法在原发性胆汁性肝硬化数据上得到验证。

ABSTRACT

Joint models for longitudinal and time-to-event data constitute an attractive modeling framework that has received a lot of interest in the recent years. This paper presents the capabilities of the R package JMbayes for fitting these models under a Bayesian approach using Markon chain Monte Carlo algorithms. JMbayes can fit a wide range of joint models, including among others joint models for continuous and categorical longitudinal responses, and provides several options for modeling the association structure between the two outcomes. In addition, this package can be used to derive dynamic predictions for both outcomes, and offers several tools to validate these predictions in terms of discrimination and calibration. All these features are illustrated using a real data example on patients with primary biliary cirrhosis.

研究动机与目标

• 开发一个灵活的 R 包，用于在贝叶斯框架下拟合纵向与生存时间数据的联合模型。
• 通过 MCMC 抽样实现对纵向和生存结局的动态预测。
• 提供通过区分度和校准度量进行预测验证的工具。
• 支持纵向与生存过程之间多种关联结构，包括连续和分类响应变量。
• 通过网络界面和与现有 R 建模工作流的集成，促进实际应用。

提出的方法

• 采用贝叶斯方法，结合 MCMC 算法，估计纵向与生存时间数据的联合模型。
• 在初始调整阶段使用自适应调优的随机游走 Metropolis-Hastings 算法。
• 利用独立的混合效应模型和 Cox 模型来构建提议分布，以提高 MCMC 抽样的效率。
• 实施单链 MCMC 策略，包含烧尽期、调整期和稀释处理，以确保收敛性和效率。
• 支持灵活的关联结构，包括在生存子模型中对纵向变量项进行变换。
• 支持贝叶斯模型平均，用于组合多个联合模型的预测结果。

实验结果

研究问题

• RQ1 如何在 R 中使用贝叶斯 MCMC 方法高效拟合纵向与生存时间数据的联合模型？
• RQ2 对时间变化的纵向过程与时间-事件结局之间的关联，最有效的建模方式是什么？
• RQ3 在联合建模框架下，如何生成并验证纵向和生存结局的动态预测？
• RQ4 基于 MCMC 的推断在联合模型中的性能特征如何，特别是在收敛性和计算效率方面？
• RQ5 如何使用区分度和校准度量在联合建模中量化预测准确性？

主要发现

• JMbayes 包成功实现了多种联合模型的拟合，包括连续和分类纵向响应变量，在贝叶斯 MCMC 框架下表现良好。
• 对纵向和生存结局的动态预测是可行的，并可借助区分度和校准工具进行验证。
• MCMC 算法通过自适应调优和烧尽期实现稳定收敛，使用默认设置（n.adapt=3000，n.burnin=3000，n.iter=20000）可确保可靠的推断。
• 利用由独立混合效应模型和 Cox 模型提供的提议分布，显著提升了 MCMC 的效率和混合效果。
• 该包支持高级功能，如用于预测组合的贝叶斯模型平均，并提供网络界面以实现实际部署。
• 该方法论框架在真实 PBC 数据上得到验证，展示了其在临床研究中的实用性，数据包含 312 名患者和 1945 次纵向观测。