📊 statistics

FastJM: An R Package for Efficient Implementation of Semiparametric Joint Models for Longitudinal and Survival Data

Este artículo presenta FastJM, un paquete de R eficiente que utiliza algoritmos de escaneo lineal personalizados dentro de un marco de esperanza-maximización para proporcionar estimación frecuentista computacionalmente escalable y herramientas de análisis exhaustivas para tres clases de modelos conjuntos semiparamétricos que manejan datos longitudinales y de supervivencia.

Autores originales: Shanpeng Li, Emily Ouyang, Ace Isabel Mejia-Sanchez, Xinping Cui, Gang Li

Publicado 2026-08-17

📖 11 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Shanpeng Li, Emily Ouyang, Ace Isabel Mejia-Sanchez, Xinping Cui, Gang Li

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagine que es un detective intentando resolver un misterio sobre la salud de un paciente. Tiene dos tipos de pistas: una larga lista de chequeos diarios (como la presión arterial o los niveles de colesterol tomados a lo largo de años) y un evento único y crítico (como un ataque al corazón o la necesidad de un trasplante). En el pasado, los científicos solían observar estas pistas por separado, como si leyeran el diario diario en una habitación y el veredicto final en otra. Pero la vida no es tan ordenada. Las fluctuaciones diarias de la salud de un paciente a menudo susurran secretos sobre sus riesgos futuros, y una crisis de salud inminente puede alterar sus mediciones diarias. Para obtener la imagen completa, es necesario conectar los puntos entre los altibajos diarios y el evento importante. Este es el trabajo de los "modelos conjuntos", una poderosa herramienta estadística que vincula estas dos historias. Sin embargo, cuando se tienen miles de pacientes y millones de puntos de datos, intentar conectar estos puntos con los métodos antiguos es como intentar resolver un rompecabezas masivo usando guantes de cocina: es lento, torpe y, a menudo, imposible de terminar.

Aquí es donde entra una nueva herramienta llamada FastJM, introducida por un equipo de estadísticos en un artículo reciente. Piense en FastJM como un solucionador de rompecabezas robótico superpotente, diseñado específicamente para estos complejos misterios médicos. El artículo explica cómo este nuevo paquete de software puede procesar enormes cantidades de datos médicos mucho más rápido que antes, sin perder precisión. Maneja tres escenarios complicados: rastrear un marcador de salud, rastrear varios marcadores a la vez e incluso detectar cuándo las fluctuaciones diarias de la salud de un paciente oscilan salvajemente (lo que suele ser una señal de problemas). Los autores demuestran, mediante simulaciones por computadora, que sus nuevos algoritmos de "escaneo lineal" actúan como un escáner de alta velocidad, saltándose pasos innecesarios para actualizar el modelo de manera eficiente. También introducen un ingenioso truco de "punto de referencia" (landmark), que permite a los médicos pausar el análisis en un momento específico (como un chequeo de 5 años) para realizar mejores predicciones sobre lo que sucederá después, sin estancarse en las matemáticas. El resultado es una herramienta que hace posible el uso de estos modelos sofisticados en conjuntos de datos masivos, como los que se encuentran en los hospitales modernos y los biobancos, ayudando a los investigadores a comprender la progresión de las enfermedades y a predecir riesgos con mayor velocidad y claridad.

El dilema del detective: Dos historias, un paciente

En el mundo de la investigación médica, los científicos suelen recopilar dos tipos de datos muy diferentes de un mismo grupo de personas. Primero, están los datos longitudinales: piense en esto como un diario de mediciones repetidas. Un paciente puede tener su nivel de azúcar en sangre controlado cada mes durante cinco años, o su presión arterial medida en cada visita al médico. Estos números suben y bajan, creando una "trayectoria" o camino único para cada persona. Segundo, están los datos de tiempo hasta el evento: este es el "gran momento". Podría ser el día en que un paciente sufre un ataque al corazón, necesita un trasplante de órganos o, lamentablemente, fallece. A veces, existen riesgos competitivos, lo que significa que un paciente puede enfrentarse a diferentes tipos de "grandes momentos" (como un ataque al corazón o un derrame cerebral), y solo uno puede ocurrir primero.

Durante mucho tiempo, los estadísticos analizaron estas dos historias por separado. Utilizaron un conjunto de matemáticas para estudiar el diario (los datos longitudinales) y un conjunto diferente para estudiar el gran momento (los datos de supervivencia). Pero este enfoque tiene un fallo. Si un paciente se enferma, es posible que deje de acudir al médico, dejando huecos en su diario. O, si sus mediciones diarias son ruidosas o erráticas, ese ruido puede ser en realidad una señal de advertencia del evento principal. Si se ignora la conexión entre el diario diario y el evento final, se pierde la historia completa.

Entran los Modelos Conjuntos. Estos son marcos estadísticos sofisticados que intentan contar ambas historias al mismo tiempo. Asumen que las fluctuaciones diarias y el gran evento están vinculados por algo oculto dentro del paciente, como una "huella digital" compartida de su salud. Al modelarlos juntos, los investigadores pueden obtener una imagen más clara de cómo progresa una enfermedad y predecir quién está en riesgo de un desenlace desfavorable.

El problema: El rompecabezas es demasiado grande

Aunque los modelos conjuntos son poderosos, son notablemente difíciles de usar con grandes conjuntos de datos. Imagine intentar resolver un rompecabezas donde cada pieza cambia de forma mientras la observa, y tiene que hacer esto para 100,000 personas. Los métodos tradicionales para ajustar estos modelos son computacionalmente pesados. A menudo requieren que la computadora recalcule enormes listas de "conjuntos de riesgo" (grupos de personas que aún están en riesgo de un evento) una y otra vez. A medida que el número de pacientes crece, el tiempo necesario para resolver el rompecabezas crece exponencialmente. Es como intentar contar cada grano de arena en una playa recogiéndolos uno por uno; simplemente toma demasiado tiempo.

Además, los datos del mundo real son desordenados. A veces, un paciente tiene múltiples marcadores (como la presión arterial y el colesterol) que deben rastrearse juntos. Otras veces, las mediciones de un paciente pueden ser increíblemente inconsistentes: algunos días muy estables, otros días saltando de un lado a otro. Los modelos estándar suelen asumir que las mediciones de todos son igualmente estables, lo cual no es cierto. Si el modelo no tiene en cuenta esta "variabilidad heterogénea", podría perderse pistas importantes.

La solución: FastJM y la magia del "escaneo lineal"

El artículo presenta FastJM, un paquete de R (una herramienta para estadísticos) diseñado para resolver estos problemas de velocidad y complejidad. Los autores, un equipo de investigadores de universidades de China y EE. UU., desarrollaron una nueva forma de ejecutar las matemáticas detrás de los modelos conjuntos.

1. El impulso de velocidad: Algoritmos de escaneo lineal
La innovación central de FastJM es un conjunto de "algoritmos de escaneo lineal". Para entender esto, imagine que está organizando una fila de personas por altura. La forma antigua era comparar a cada persona con todas las demás para encontrar el orden. Eso toma una eternidad si tiene una multitud. La nueva forma, utilizada por FastJM, es escanear la fila una sola vez, manteniendo un recuento acumulativo. No necesita volver a revisar a todos cada vez que añade a una persona nueva; simplemente actualiza su recuento. En el mundo de los modelos conjuntos, esto significa que el software puede actualizar los "riesgos base" (el riesgo subyacente de un evento) mucho más rápido. En lugar de que el trabajo de la computadora crezca con el cuadrado del número de pacientes (lo que se vuelve enorme rápidamente), crece en línea recta. Esto hace posible analizar conjuntos de datos con decenas de miles de participantes en un tiempo razonable.

2. Manejo de los tres casos complicados
FastJM no es solo rápido; es flexible. El artículo detalla tres tipos específicos de modelos que puede manejar:

Biomarcador Único: El caso estándar, rastreando un marcador de salud (como la presión arterial) frente al riesgo de un evento.
Múltiples Biomarcadores: Rastrear varios marcadores a la vez (como la presión arterial, el colesterol y el peso). El desafío aquí es que estos marcadores suelen estar relacionados entre sí. FastJM utiliza un método de "aproximación normal" para manejar las matemáticas de múltiples marcadores sin quedarse atrapado en una pesadilla computacional.
Variabilidad Heterogénea: Esto es para cuando los pacientes son "comodines". Algunos pacientes tienen mediciones muy consistentes, mientras que otros oscilan salvajemente. FastJM utiliza un modelo de "efectos mixtos de localización-escala" para dar cuenta de esto. No solo mira el promedio de salud, sino que también observa qué tan inestable es la salud de un paciente, porque esa inestabilidad misma puede ser un predictor de riesgo.

3. El truco del "Punto de Referencia" para mejores predicciones
El artículo también introduce una extensión ingeniosa llamada modelado conjunto multivariante de punto de referencia (landmark). En los modelos conjuntos tradicionales, la predicación del riesgo se basa en toda la historia del paciente hasta el momento presente. Esto es excelente, pero matemáticamente pesado si se quiere predecir qué pasará mañana basándose en los datos de hoy.

El enfoque de "punto de referencia" es como pausar la película en una escena específica (por ejemplo, a los 5 años de estudio). El software solo observa a los pacientes que siguen sanos en ese punto de los 5 años. Luego utiliza la salud del paciente en ese momento exacto para predecir lo que sucederá en el futuro. Esto es computacionalmente mucho más ligero y permite realizar predicciones "dependientes del tiempo" que son más fáciles de interpretar. El artículo muestra que este método puede combinarse con los algoritmos rápidos para dar a los médicos una forma de actualizar las predicciones de riesgo en chequeos específicos sin esperar a que una supercomputadora termine sus cálculos.

Lo que el artículo realmente encontró

Los autores no solo construyeron la herramienta; la probaron. Realizaron extensas simulaciones por computadora para ver cómo se desempeñaba FastJM en comparación con los métodos existentes.

Velocidad: Las simulaciones mostraron que FastJM es significativamente más rápido que otros paquetes, especialmente a medida que aumentan el número de pacientes y el número de biomarcadores. Por ejemplo, en una prueba con 5,000 pacientes y tres biomarcadores, el modelo terminó en unos 7.38 minutos utilizando computación paralela.
Precisión: A pesar de la velocidad, el artículo encontró que las estimaciones (los números que arroja el modelo) siguieron siendo precisas. Los algoritmos de "escaneo lineal" no tomaron atajos que arruinaran los resultados; simplemente encontraron un camino más inteligente.
Flexibilidad: El paquete manejó con éxito los tres tipos de modelos diferentes, incluyendo el caso complejo donde la variabilidad del paciente difiere. Los autores demostraron que ignorar esta variabilidad (usando un modelo estándar) podría llevar a gráficos de diagnóstico engañosos, mientras que el modelo especializado de FastJM identificó correctamente el problema.
Predicción: El artículo mostró que las herramientas de predicción dinámica (que indican la probabilidad de que ocurra un evento en el futuro) funcionaron bien. Utilizaron la validación cruzada (un método para probar el modelo en diferentes fragmentos de datos) para demostrar que las predicciones eran fiables, proporcionando métricas como el "C-index" (una medida de qué tan bien el modelo clasifica a los pacientes por riesgo) y los "Brier scores" (una medida de la precisión de la predicción).

Lo que NO hace (todavía)

Es importante saber qué es lo que FastJM no hace, según el artículo. Se enfoca específicamente en datos longitudinales continuos (números como la presión arterial) y riesgos competitivos (diferentes tipos de eventos). Todavía no maneja otros tipos de datos, como conteos de eventos (por ejemplo, número de convulsiones) o resultados binarios (sí/no), aunque los autores mencionan esto como un objetivo para el desarrollo futuro. Además, aunque maneja el análisis de "punto de referencia", no reemplaza la necesidad de un diseño de estudio cuidadoso; solo hace que las matemáticas sean más fáciles.

Por qué esto es importante

El punto fundamental es que FastJM elimina un cuello de botella importante en la investigación médica. Durante años, los investigadores han querido utilizar estos modelos conjuntos sofisticados para comprender enfermedades complejas, pero la potencia de cómputo requerida era a menudo inalcanzable. Al hacer que estos modelos sean rápidos y accesibles, FastJM abre la puerta para analizar los enormes conjuntos de datos que se están volviendo comunes en la medicina moderna, como los registros de salud electrónicos y los grandes biobancos.

El artículo sugiere que, con esta herramienta, los investigadores finalmente pueden hacer preguntas más matizadas: "¿Cómo la variabilidad en el azúcar en sangre de un paciente predice un ataque al corazón?" o "Si observamos el colesterol y la presión arterial de un paciente juntos en la marca de los 5 años, ¿cómo cambia su riesgo de sufrir un derrame cerebral?". Los autores no pretenden haber resuelto todos los problemas de la estadística, pero han proporcionado un nuevo motor poderoso que permite a la comunidad científica avanzar más allá en los datos, con mayor rapidez y con mayor claridad que nunca.

Resumen Técnico de "FastJM: Un paquete de R para la implementación eficiente de modelos conjuntos semiparamétricos para datos longitudinales y de supervivencia"

Planteamiento del problema
Los modelos conjuntos proporcionan un marco flexible para caracterizar la asociación entre biomarcadores longitudinales y resultados de tiempo hasta el evento, abordando las limitaciones de los análisis separados, tales como la pérdida de seguimiento informativa y el error de medición en covariables que varían en el tiempo. Si bien los paquetes de R existentes (por ejemplo, JM, JMbayes, joineRML) se han expandido para manejar múltiples biomarcadores, riesgos competitivos y variabilidad heterogénea, a menudo enfrentan cuellos de botella computacionales significativos cuando se aplican a conjuntos de datos biomédicos a gran escala (por ejemplo, registros de salud electrónicos o biobancos con decenas o cientos de miles de participantes). Específicamente, la integración numérica sobre efectos aleatorios de alta dimensión y los cálculos repetidos del conjunto de riesgo para riesgos base no paramétricos resultan en complejidades computacionales que escalan pobremente (por ejemplo, $O(n^2)$ o $O(n^3)$ ), lo que dificulta la aplicación de modelos conjuntos semiparamétricos a los datos modernos de gran escala.

Metodología
El artículo presenta FastJM, un paquete de R que implementa la estimación frecuentista para tres clases de modelos conjuntos semiparamétricos dentro de un marco unificado de Esperanza–Maximización (EM):

Biomarcador longitudinal único: Modelos conjuntos estándar que vinculan un biomarcador con resultados de riesgos competitivos.
Múltiples biomarcadores longitudinales: Modelos conjuntos para biomarcadores correlacionados con riesgos competitivos.
Variabilidad heterogénea intra-sujeto (WS): Modelos conjuntos que incorporan submodelos de localización-escala de efectos mixtos para permitir que la varianza residual varíe entre sujetos y en el tiempo.

Estrategias computacionales clave
Para abordar la escalabilidad, FastJM emplea algoritmos personalizados adaptados a la estructura específica de efectos aleatorios de cada clase de modelo:

Optimización del paso E (E-Step):
- Para modelos de un solo biomarcador, utiliza cuadratura de Gauss–Hermite pseudo-adaptativa, recentrando y reescalando los nodos basándose en los modos posteriores específicos de cada sujeto para reducir el número de puntos requeridos.
- Para modelos de múltiples biomarcadores, evita el crecimiento exponencial de la cuadratura de producto tensorial empleando una aproximación normal de la distribución posterior (centrada en el modo posterior con una covarianza determinada por la curvatura local), evitando así la integración numérica de alta dimensión.
- Para los modelos de variabilidad WS heterogénea, utiliza cuadratura de Gauss–Hermite adaptativa para manejar la naturaleza no gaussiana de los efectos aleatorios de la varianza.
Optimización del paso M (M-Step):
- El paquete implementa algoritmos de escaneo lineal personalizados para actualizar los riesgos base específicos de la causa no paramétricos. Al ordenar a los sujetos por el tiempo del evento y utilizar sumas acumuladas, estos algoritmos reducen la complejidad computacional de los cálculos del conjunto de riesgo de $O(n^2)$ a $O(n)$ .
- Del mismo modo, el enfoque de máxima verosimilitud perfilada para la estimación de errores estándar, que típicamente implica una complejidad de $O(n^3)$ , se optimiza a $O(n)$ mediante la reutilización de cantidades acumuladas y la eliminación de sumatorias redundantes.
Extensión multivariante de punto de referencia (Landmark):
- Para acomodar estructuras de asociación latente dependientes del tiempo (por ejemplo, valores actuales o parametrizaciones de procesos latentes) que son computacionalmente exigentes en los modelos conjuntos estándar, FastJM introduce un enfoque de modelado conjunto multivariante de punto de referencia (landmark). Este restringe el análisis a sujetos libres de eventos en un tiempo de referencia $s$ preespecificado y modela el riesgo post-referencia condicionado a los resúmenes de biomarcadores latentes evaluados en $s$ . Esto mantiene la escalabilidad de los algoritmos subyacentes al tiempo que permite una predicción dinámica flexible e interpretable.

Implementación de software y características
FastJM proporciona una interfaz unificada basada en fórmulas para la especificación, estimación, inferencia y predicción de modelos.

Funciones principales: jmcs() (biomarcador único), mvjmcs() (múltiples biomarcadores) y JMMLSM() (variabilidad WS heterogénea).
Post-estimación: El paquete incluye herramientas para diagnósticos de modelos (plot(), timeplot()), predicción dinámica de probabilidades de incidencia acumulada (survfitJM()) y evaluación del desempeño de la predicción utilizando métricas de validación cruzada como AUC dependiente del tiempo, C-index, puntuación de Brier y Error Absoluto Medio entre Cuantiles (MAEQ).
Paralelización: Se integra el soporte para computación paralela, particularmente para el paso E en modelos de múltiples biomarcadores y de variabilidad heterogénea.

Resultados y validación
El artículo demuestra la funcionalidad de FastJM a través de ejemplos reproducibles utilizando conjuntos de datos simulados.

Biomarcador único: El paquete ajusta con éxito modelos conjuntos con riesgos competitivos, proporcionando estimaciones de parámetros, errores estándar y gráficos diagnósticos que revelan problemas de ajuste del modelo (por ejemplo, variabilidad WS heterogénea).
Múltiples biomarcadores: La función mvjmcs() maneja eficientamente modelos trivariantes con 5,000 sujetos y aproximadamente 30,000 observaciones, completando el proceso en aproximadamente 7.4 minutos utilizando computación paralela.
Variabilidad heterogénea: La función JMMLSM() modela eficazmente la varianza residual como una función de covariables y del tiempo, identificando las insuficiencias de las suposiciones de varianza homogénea mediante gráficos diagnósticos.
Extensión de punto de referencia (Landmark): El marco multivariante de punto de referencia ajusta con éxito modelos condicionados a la supervivencia en un tiempo de referencia, estimando las asociaciones latentes para los sujetos que permanecen libres de eventos.

Significancia y pretensiones
Los autores afirman que FastJM aborda el obstáculo central de la escalabilidad computacional al ajustar complejos modelos conjuntos semiparamétricos. Al combinar métodos de aproximación específicos del modelo para el paso E con algoritmos de escaneo lineal para el paso M, el paquete hace que sea factible aplicar estos modelos a estudios biomédicos a gran escala que involucran registros de salud electrónicos y biobancos. La introducción de la extensión multivariante de punto de referencia amplía aún más el alcance de los problemas de predicción dinámica abordables dentro de un entorno de software unificado, cerrando la brecha entre la estimación escalable y las estructuras de asociación latente dependientes del tiempo. El artículo posiciona a FastJM como una herramienta necesaria para investigadores que trabajan con datos longitudinales y de supervivencia grandes y complejos donde el software existente puede ser computacionalmente prohibitivo.