📊 statistics

A Bayesian location-scale joint model for time-to-event and multivariate longitudinal data with association based on within-individual variability

Dieses Paper schlägt ein neuartiges bayesianisches Verknüpfungsmodell vor, das Zeit-bis-zum-Ereignis-Ergebnisse mit multivariaten longitudinalen Daten verknüpft, indem es die innerhalb-individueller Variabilität durch ein Mixed-Effect-Location-Scale-Framework einbezieht und dadurch die Einschränkungen von Zusammenfassungsstatistiken und Regressionsdilution überwindet, während es seine Wirksamkeit durch Simulationen und eine Anwendung auf Cystische-Fibrose-Mortalitätsdaten demonstriert.

Ursprüngliche Autoren: Marco Palma, Ruth H Keogh, Siobhán B Carr, Rhonda Szczesniak, David Taylor-Robinson, Angela M Wood, Graciela Muniz-Terrera, Jessica K Barrett

Veröffentlicht 2026-06-02

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Marco Palma, Ruth H Keogh, Siobhán B Carr, Rhonda Szczesniak, David Taylor-Robinson, Angela M Wood, Graciela Muniz-Terrera, Jessica K Barrett

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 vorherzusagen, wie lange ein Auto hält, bevor es liegen bleibt. Traditionell haben Ärzte und Statistiker auf die Durchschnittsgeschwindigkeit des Autos über die Zeit geachtet. Wenn die Durchschnittsgeschwindigkeit sinkt, gehen sie davon aus, dass das Auto älter wird und bald kaputtgehen könnte.

Aber dieses Paper argumentiert, dass das Betrachten des Durchschnitts nicht ausreft. Manchmal ist ein Auto, das stetig mit 60 mph fährt, völlig in Ordnung, während ein anderes Auto, das wild zwischen 20 mph und 100 mph hin- und herspringt, in ernsthafter Gefahr ist – selbst wenn ihr Durchschnitt derselbe ist. Dieses „Hin- und Herspringen“ oder die Variabilität ist das, was die Autoren als „Variabilität innerhalb eines Individuums“ bezeichnen.

Hier ist eine Aufschlüsselung dessen, was das Paper macht, unter Verwendung einfacher Analogien:

1. Das Problem: Die „Durchschnitts-Falle“

In der Vergangenheit, wenn Forscher Krankheiten wie Mukoviszidose (eine Erkrankung, die die Lunge schädigt) untersuchten, nahmen sie die Gesundheitsdaten eines Patienten (wie Lungenfunktion oder Gewicht) und berechneten eine einfache Zusammenfassung, wie zum Beispiel die Standardabweichung (wie stark die Zahlen umherspringen).

Das Paper weist auf zwei große Probleme mit dieser alten Arbeitsweise hin:

Das „Schnappschuss-Problem“: Einfache Zusammenfassungen berücksichtigen nicht, wann die Sprünge stattfanden. Gab es im letzten Jahr starke Schwankungen und hat sich der Patient in diesem Jahr stabilisiert? Eine einfache Zusammenfassung übersieht diese Geschichte.
Das „unscharfe Objektiv-Problem“: Wenn Forscher diese einfachen Zusammenfassungen nutzten, um den Tod oder das Fortschreiten der Krankheit vorherzusagen, waren die Ergebnisse oft „verschwommen“ oder zu schwach. Es ist, als würde man versuchen, ein Schild durch ein beschlagenes Fenster zu lesen; man weiß, dass dort etwas ist, aber man kann die Details nicht klar erkennen. Dies wird als „Regressionsverwässerung“ bezeichnet.

2. Die Lösung: Ein „Zwei-Spur-Modell“

Die Autoren entwickelten ein neues mathematisches Werkzeug (ein „Joint Model“), das zwei Spuren gleichzeitig betrachtet, anstatt nur einer.

Spur A (Der Durchschnitt): Diese verfolgt den allgemeinen Gesundheitstrend des Patienten (z. B. sinkt die Lungenfunktion langsam?).
Spur B (Das Zittern): Diese verfolgt die Variabilität oder das „Zittern“ um diesen Trend herum. Sie fragt: „Wie stark schwankt die Gesundheit dieser Person von ihrem eigenen Durchschnitt ab?“

Stellen Sie sich das wie die Überwachung eines Herzschlags vor.

Spur A ist die Herzfrequenz (60 Schläge pro Minute).
Spur B ist der Rhythmus. Ist er stetig (stetige 60) oder unregelmäßig (60, dann 40, dann 90, dann 50)?
Das Modell der Autoren behandelt das „Zittern“ (Spur B) als einen echten, wichtigen Prädiktor für das Risiko, nicht bloß als Rauschen.

3. Wie es funktioniert: Das „gemeinsame Geheimnis“

Das Modell nutzt einen cleveren Trick namens Random Effects (zufällige Effekte). Stellen Sie sich vor, jeder Patient hat eine verborgene „Persönlichkeit“ oder einen „Stil“, der sowohl seinen durchschnittlichen Gesundheitszustand als auch die Art und Weise beeinflusst, wie sehr er schwankt.

Das Modell lernt diesen verborgenen Stil für jeden einzelnen Patienten.
Es nutzt diesen verborgenen Stil dann, um das Risiko eines schlechten Ereignisses (wie des Todes) vorherzusagen.
Entscheidend ist, dass es dem „Zittern“ (der Variabilität) ermöglicht, direkt mit der Vorhersage des Todes zu kommunizieren.

Die Autoren haben dieses Modell in einer Programmiersprache namens Stan geschrieben, was wie ein Hochleistungsrechner ist, der diese komplexen Rätsel lösen kann, indem er tausende mögliche Szenarien simuliert, um die wahrscheinlichste Antwort zu finden.

4. Die Theorie testen: Die Simulation

Bevor die Autoren echte Menschen einbezogen, testeten sie ihr Modell mit künstlichen Daten (einer Simulation).

Sie erschufen eine Welt, in der „Zittern“ definitiv Probleme verursachte.
Sie verglichen ihr neues Modell mit den alten, Standard-Modellen.
Das Ergebnis: Die alten Modelle übersehen den Zusammenhang zwischen „Zittern“ und dem schlechten Ausgang. Sie waren wie ein Detektiv, der eine rauchende Pistole ignoriert. Das neue Modell hingegen identifizierte korrekt, dass das „Zittern“ ein wichtiger Warnhinweis war.

5. Real-World-Test: Patienten mit Mukoviszidose

Die Autoren wandten ihr Modell auf Realdaten aus dem britischen Mukoviszidose-Register an und betrachteten dabei 3.282 Frauen. Sie verfolgten zwei Hauptaspekte:

Lungenfunktion (FEV1): Wie viel Luft sie ausatmen können.
Body-Mass-Index (BMI): Ein Maß für Ernährung/Gewicht.

Was sie fanden:

Lungenfunktion: Es war nicht nur die niedrige Lungenfunktion, die gefährlich war. Es war auch eine instabile Lungenfunktion. Frauen, deren Lungenwerte wild umher sprangen, hatten ein höheres Sterberisiko, selbst wenn ihr Durchschnitt gar nicht schlecht war.
Gewicht (BMI): Während ein niedriges Gewicht gefährlich war, zeigte das „Herumspringen“ der Gewichtswerte in dieser spezifischen Studie keinen klaren Zusammenhang mit dem Sterberisiko.

Das Fazit

Dieses Paper führt eine intelligentere Art vor, Gesundheitsdaten zu betrachten ein. Anstatt nur zu fragen: „Wie geht es dem Patienten im Durchschnitt?“, fragt es: „Wie stabil ist der Patient?“

Indem es die „Auf und Abs“ der Gesundheit eines Patienten als ein ernstes Warnsignal statt als bloßes Hintergrundrauschen behandelt, liefert dieses Modell ein klareres und genaueres Bild darüber, wer gefährdet ist. Es beweist, dass bei einigen Krankheiten Stabilität genauso wichtig ist wie der Durchschnitt.

Technisches Resümee: Ein bayesianisches Location-Scale-Gemeinsames Modell für Zeit-bis-Ereignis- und multivariate longitudinale Daten

Problemstellung
In biomedizinischen Längsschnittstudien wird die Variabilität innerhalb eines Individuums (Within-Individual Variability, WIV) von Gesundheitsindikatoren zunehmend als kritischer Prädiktor für die Krankheitsprogression und Zeit-bis-Ereignis-Ergebnisse, wie etwa die Mortalität, anerkannt. Während häufig einfache Zusammenfassungsstatistiken (z. B. die Standardabweichung) verwendet werden, um die WIV zu quantifizieren, weisen diese signifikante Einschränkungen auf: Sie berücksichtigen keine zeitabhängigen Veränderungen, sind sensitiv gegenüber der Anzahl der Besuche und können Verzerrungen wie „Immortal Time Bias“ einführen. Zudem führen sie, wenn diese Zusammenfassungsstatistiken als Kovariaten in Überlebensmodellen verwendet werden, zu einer Regressionsdilutionsverzerrung (Regression Dilution Bias) der geschätzten Hazard Ratios, was zu ungenauen Assoziationen führt. Bestehende Joint-Modeling-Ansätze haben die WIV für einzelne Biomarker adressiert oder frequentistische Methoden verwendet, aber nur wenige haben es bisher geschafft, die WIV für multivariate (korrelierte) longitudinale Biomarker in ein bayesianisches Joint-Model-Framework zu integrieren, bei dem die Variabilität selbst die Assoziation mit dem Ereignis steuert.

Methodik
Die Autoren schlagen ein Bayesianisches Multivariates Gemeinsames Modell mit WIV-basierter Assoziation (JM-WIV) vor. Das Modell besteht aus zwei miteinander verknüpften Submodellen:

Longitudinales Submodell (Mixed-Effect Location-Scale Model - MELSM):
- Anstatt eine konstante Varianz anzunehmen, behandelt das Modell sowohl den Mittelwert ( $\mu$ ) als auch die Standardabweichung ( $\sigma$ ) von $K$ longitudinalen Biomarkern als Funktionen von Zeit, Kovariaten und individuellen zufälligen Effekten (Random Effects).
- Die Formulierung lautet:
  $y_{ijk} = \eta^{\mu}_{ik}(t_{ij}) + \varepsilon_{ijk}, \quad g(\sigma_{ijk}) = \eta^{\sigma}_{ik}(t_{ij})$
  wobei $g(\cdot) = \log(\cdot)$ eine nicht-negative Varianz gewährleistet.
- Ein gemeinsamer Zufalls-Effekt-Vektor $\mathbf{b}_i$ verknüpft die Mittelwert- und Variabilitätsprozesse für jeden Biomarker und ermöglicht die Modellierung der Korrelationen zwischen verschiedenen Biomarkern (z. B. zwischen dem Mittelwert von Biomarker A und der Variabilität von Biomarker B).
- Die Kovarianzstruktur ist unstrukturiert, was komplexe Korrelationen zwischen den Random Effects für Mittelwerte und Standardabweichungen über mehrere Biomarker hinweg erlaubt.
Ereignis-Submodell (Proportional Hazards Modell):
- Die Zeit bis zum Ereignis wird mittels eines Cox-Proportional-Hazards-Modells mit einer flexiblen Baseline-Hazard-Funktion modelliert, die mittels B-Splines spezifiziert wird.
- Entscheidend ist, dass der Assoziationsterm $\eta^{\alpha}_i$ Informationen aus dem longitudinalen Submodell nicht nur über die aktuellen Werte der Mittelwerte, sondern auch über die aktuellen Werte der Standardabweichungen (Variabilität) einbezieht.
- Die Autoren definieren drei potenzielle Assoziationsstrukturen: Funktionen der aktuellen Werte (CV) von Mittelwert und SD, der linearen Prädiktoren (LP) von Mittelwert und SD oder der Random Effects (RE) direkt.
Implementierung:
- Das Modell wird in Stan unter Verwendung von Hamiltonian Monte Carlo (HMC) implementiert, um eine effiziente Parameterexploration zu ermöglichen.
- Die Likelihood wird in Ereignis- und Longitudinalprozesse abhängig von den Random Effects faktorisiert.
- Die Priors umfassen Normalverteilungen für Fixed Effects, Half-t-Verteilungen für die Standardabweichungen der Random Effects und einen LKJ-Prior für Korrelationsmatrizen.

Zentrale Beiträge

Neuartiges Framework: Die Arbeit stellt ein bayesianisches Joint Model vor, das in der Lage ist, multivariate longitudinale Daten zu handhaben, bei denen die Assoziation mit dem Zeit-bis-Ereignis-Ergebnis explizit durch die Variabilität innerhalb des Individuums der Marker getrieben wird.
Adressierung der Regressionsdilution: Durch die direkte Modellierung der WIV innerhalb des Joint-Modells anstelle von zweistufigen Zusammenfassungsstatistiken zielt die Methode darauf ab, die Regressionsdilutionsverzerrung zu mildern.
Flexible Assoziation: Das Modell ermöglicht es, dass die Hazard-Funktion von der Variabilität der Biomarker abhängt – ein Merkmal, das in Standard-Joint-Modellen oder früheren Location-Scale-Erweiterungen, die keine WIV im Überlebenssubmodell enthielten, nicht vorhanden ist.
Softwareverfügbarkeit: Die Autoren stellen eine Open-Source-Implementierung in Stan (über das Paket rstanjmwiv) bereit, welche bestehende Joint-Modeling-Werkzeuge um die Handhabung von bivariaten (und potenziell multivariaten) Location-Scale-Settings erweitert.

Ergebnisse

Simulationsstudie:
- In einer Simulationsstudie wurde das vorgeschlagene JM-WIV-Modell gegen ein Standard-Joint-Modell (implementiert in JMbayes2) verglichen, das eine konstante Varianz annimmt.
- Als der wahre Datengenerierungsprozess eine Assoziation zwischen WIV und dem Ereignis enthielt, lieferte das Standard-Joint-Modell verzerrte Schätzungen für die Überlebenskoeffizienten und Coverage-Wahrscheinlichkeiten, die weit unter dem nominalen 95%-Niveau lagen.
- Das JM-WIV-Modell lieferte Schätzungen mit einer Verzerrung nahe Null und Coverage-Wahrscheinlichkeiten, die konsistent mit dem nominalen Niveau waren, was seine Fähigkeit demonstriert, Parameter korrekt zu rekonstruieren, wenn die WIV ein relevanter Prädiktor ist.
Anwendung auf Cystische Fibrose (CF) Daten:
- Das Modell wurde auf Daten aus dem UK Cystic Fibrosis Registry (3.282 Frauen, 29.094 Besuche) angewendet, um die Assoziation zwischen Lungenfunktion (FEV1), Malnutrition (BMI) und Mortalität zu evaluieren.
- Longitudinale Befunde: Das Modell erfasste erfolgreich den Rückgang der FEV1 mit dem Alter sowie den Anstieg des BMI. Es quantifizierte zudem, dass die FEV1-Variabilität mit dem Alter abnimmt, während die BMI-Variabilität eine spezifische Assoziation mit der F508-Homozygotie zeigte.
- Überlebensbefunde:
  - Ein niedrigerer mittlerer FEV1-Wert und ein niedrigerer mittlerer BMI-Wert waren mit einem höheren Mortalitätsrisiko assoziiert (Hazard Ratios < 1).
  - Eine höhere Variabilität innerhalb des Individuums der FEV1 war signifikant mit einem erhöhten Mortalitätsrisiko assoziiert (HR = 1,374, 95% KI: 1,268–1,499).
  - Es wurde keine eindeutige Evidenz für eine Assoziation zwischen der BMI-Variabilität und der Mortalität gefunden.
- Die Ergebnisse bestätigen, dass Fluktuationen der Lungenfunktion, unabhängig vom durchschnittlichen Niveau, ein starker Prädiktor für den Tod bei CF-Patienten sind.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass das JM-WIV-Modell einen methodischen Fortschritt darstellt, indem es die Variabilität innerhalb des Individuums in einem multivariaten Setting korrekt quantifiziert und sie direkt mit Überlebensergebnissen verknüpft, ohne die Verzerrungen, die bei Ansätzen mit Zusammenfassungsstatistiken auftreten. Die Autoren geben an, dass ihre Simulationsergebnisse zeigen, dass die Vernachlässigung der Assoziation der WIV mit dem Ereignis zu einer Verzerrung und einem Verlust der Coverage der Überlebenskoeffizienten führt. In der klinischen Anwendung bestätigt das Modell, dass eine höhere Variabilität der Lungenfunktion ein eigenständiger Risikofaktor für die Mortalität ist, was die klinische Relevanz der Überwachung von Fluktuationen anstelle von reinen Trend-Mittelwerten unterstreicht.

Die Autoren räumen Einschränkungen ein und merken an, dass die WIV in Location-Scale-Modellen nicht von Messfehlern zu unterscheiden ist und dass die Rechenlast mit einer großen Anzahl von Biomarkern oder Random Effects signifikant ansteigt. Sie schlagen vor, dass zukünftige Arbeiten nicht-normale Verteilungen, konkurrierende Risiken (z. B. Transplantation) und Change-Point-Strukturen untersuchen könnten, um die Auswirkungen neuer Therapien auf die Variabilität zu modellieren.