A joint model of the individual mean and within-subject variability of a longitudinal outcome with a competing risks time-to-event outcome
Dieses Paper schlägt ein skalierbares, semiparametrisches Joint-Modell vor, das gleichzeitig den Mittelwert und die innerhalb eines Subjekts variierende Variabilität longitudinaler Biomarker neben konkurrierenden Zeit-bis-Ereignis-Ergebnissen schätzt, wobei durch Simulationen und die MESA-Kohorte demonstriert wird, dass die Berücksichtigung heterogener Variabilität die Inferenz und Risikoprädiktion im Vergleich zu klassischen Modellen signifikant verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, das Wetter für eine bestimmte Stadt vorherzusagen. Die meisten Meteorologen schauen auf die Durchschnittstemperatur des letzten Monats, um zu erraten, ob es morgen regnen wird. Aber was wäre, wenn die Temperatur jeden Tag wild zwischen Frost und Hitze schwanken würde, selbst wenn der Durchschnitt gleich bliebe? Dieses Chaos – das „Zittern“ der Daten – könnte tatsächlich der wichtigste Hinweis von allen sein. In der medizinischen Wissenschaft untersuchen Forscher schon lange, wie sich unser Körper im Laufe der Zeit verändert, indem sie Dinge wie Blutdruck oder Blutzucker verfolgen. Traditionell konzentrierten sie sich auf den „Durchschnittswert“: Ist Ihr Blutdruck hoch oder niedrig? Aber eine wachsende Zahl von Forschungsarbeiten deutet darauf hin, dass die Variabilität – wie stark Ihre Werte von Tag zu Tag hin und her springen – genauso entscheidend ist wie der Durchschnitt selbst. Wenn Ihr Körper ein Auto wäre, sagt Ihnen die Durchschnittsgeschwindigkeit, wie schnell Sie fahren, aber die Variabilität verrät Ihnen, ob der Motor stottert oder reibungslos läuft. Das Verständnis dieser „Zitterbewegungen“ könnte Ärzten helfen, vorherzusagen, wer einem ernsten Gesundheitsereignis wie Herzinsuffizienz oder Tod nahesteht, noch bevor eine Krise eintritt.
Hier setzt eine neue Arbeit von Shanpeng Li und seinem Team an. Sie gingen ein schwieriges Problem an: Wie untersucht man dieses „Zittern“ (was Wissenschaftler als intra-individuelle Variabilität bezeichnen), wenn Menschen aus Studien ausscheiden, weil sie krank werden oder versterben? Stellen Sie sich vor, Sie versuchen, das Zittern eines Automotors zu messen, während das Auto fährt, aber einige Autos verunfallen und mitten im Test stehen bleiben. Wenn man nur die Autos betrachtet, die das Rennen beendet haben, übersieht man vielleicht die Tatsache, dass die, die verunglückt sind, am stärksten gezittert haben. Die Autoren erkannten, dass alte Methoden dieses „Drop-out“-Problem oft ignorierten oder davon ausgingen, dass sich aller Körper auf die gleiche vorhersehbare Weise bewegen, was jedoch nicht wahr ist. Um dies zu beheben, entwickelten sie ein brandneues mathematisches Werkzeug – ein „Joint Model“ –, das wie ein superintelligenter Detektiv fungiert. Dieses Werkzeug betrachtet zwei Dinge gleichzeitig: das durchschnittliche Niveau eines Gesundheitsmarkers (wie den Blutdruck) und wie stark dieser schwankt, während es gleichzeitig die Uhr im Auge behält, um zu sehen, wann schwerwiegende Ereignisse eintreten.
Das Team testete sein neues Werkzeug mit einem massiven Datensatz namens MESA, der über 6.700 Menschen aus unterschiedlichen Hintergründen folgte, die ursprünglich gesund waren. Sie wollten sehen, ob das „Zittern“ des Blutdrucks mit Herzinsuffizienz und Tod zusammenhing, selbst wenn man den durchschnittlichen Blutdruck berücksichtigt. Ihre Simulationen zeigten, dass ihre neue Methode viel besser darin ist, die Wahrheit zu erfassen, als ältere Werkzeuge. Als sie es auf die realen MESA-Daten anwandten, fanden sie etwas Aufregendes: Menschen, deren Blutdruck stark schwankte, hatten tatsächlich ein höheres Risiko für Herzinsuffizienz und Tod, selbst wenn ihr durchschnittlicher Blutdruck normal aussah. Dies deutet darauf hin, dass das „Zittern“ ein echtes Warnsignal ist, das für eine Vielzahl von Menschen gilt, nicht nur für diejenigen in streng kontrollierten klinischen Studien. Darüber hinaus verbesserte das Modell durch die Einbeziehung dieser Schwankungen seine Vorhersagen darüber, wer krank werden würde und wer nicht, was seine Fähigkeit verbesserte, die Gefahr zu erkennen. Die Autoren stellten auch ein kostenloses Softwarepaket zur Verfügung, damit andere Wissenschaftler dieses neue Detektivwerkzeug auf ihren eigenen Daten nutzen können, was dazu beiträgt, Gesundheitsvorhersagen für alle genauer zu machen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.