📊 statistics

Landmarking with Latent Class Mixed Models for Dynamic Prediction of Time-to-event Data with Heterogeneous Biomarker Trajectories

Questo articolo propone un approccio di landmarking computazionalmente efficiente integrato con modelli a classi latenti miste, implementato nel pacchetto R `landmaRk`, per migliorare la previsione dinamica del tempo all'evento per dati EHR su larga scala, tenendo conto di traiettorie di biomarcatori eterogenee che i metodi tradizionali non riescono a catturare.

Autori originali: Víctor Velasco-Pardo, Nathan Constantine-Cooke, Charlie W. Lees, Catalina A. Vallejos

Pubblicato 2026-06-24

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Víctor Velasco-Pardo, Nathan Constantine-Cooke, Charlie W. Lees, Catalina A. Vallejos

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Quadro Generale: Prevedere il Futuro da un Passato Disordinato

Immaginate di cercare di prevedere chi vincerà una corsa di resistenza. Avete una lista enorme di corridori (pazienti) e avete monitorato la loro velocità (biomarcatori) ogni volta che passano un checkpoint.

Nel mondo medico, i medici hanno accesso a enormi registri digitali (Cartelle Cliniche Elettroniche) contenenti questi controlli di velocità per migliaia di persone. L'obiettivo è usare questa storia per prevedere chi potrebbe abbandonare la corsa (subire un evento sanitario) in futuro.

Tuttavia, c'è un problema: non tutti i corridori sono uguali.
Alcuni corridori partono veloci e rallentano. Altri partono lenti e scattano alla fine. Altri hanno infortuni nascosti che non possiamo vedere. Gli strumenti di previsione tradizionali spesso assumono che tutti corrano sulla stessa pista con lo stesso stile, limitandosi ad aggiustare le variabili che possiamo vedere (come l'età o il genere). Ma nella realtà, ci sono "sottogruppi" nascosti di corridori con schemi completamente diversi.

Questo articolo introduce un nuovo modo per prevedere gli esiti della corsa che tiene conto di questi gruppi nascosti, e lo fa senza incastrarsi in calcoli matematici pesanti che mandano in crash i computer.

I Vecchi Metodi: L' "Ultima Veduta" e il "Super-Computer"

Prima di questo articolo, c'erano due modi principali per fare queste previsioni:

Il Metodo dell' "Ultima Veduta" (LOCF):
Immaginate un allenatore che guarda un corridore e dice: "Ok, l'ultima volta che ti ho visto correvi a 5 mph. Assumerò che continuerai a correre a 5 mph fino al prossimo checkpoint".
- Il Difetto: Questo ignora il fatto che il corridore potrebbe essere inciampato, aver accelerato o rallentato tra un controllo e l'altro. È una stima approssimativa che ignora gli errori di misurazione.
Il Metodo del "Super-Computer" (Modelli Congiunti/Joint Models):
Questo metodo cerca di costruire una mappa 3D perfetta e complessa del percorso di ogni singolo corridore e della sua probabilità di abbandonare, tutto in una volta.
- Il Difetto: È incredibilmente pesante. Se hai dati su 100.000 persone, questo metodo è come cercare di risolvere un puzzle da un milione di pezzi usando una calcolatrice. Richiede troppo tempo e spesso fallisce su grandi set di dati.

Esisteva anche un metodo chiamato Modelli a Classe Latente Congiunti (Joint Latent Class Models) che cercava di trovare gruppi nascosti (come "velocisti" vs "maratoneti"), ma era altrettanto pesante e lento del metodo del Super-Computer.

La Nuova Soluzione: Il "Landmark Intelligente"

Gli autori propongono una nuova strategia chiamata Landmarking con Modelli Misti a Classe Latente (LCMM). Pensatela come un sistema di checkpoint modulare e intelligente.

1. Il Concetto di Landmark (I Checkpoint)

Inveve di cercare di prevedere l'intera corsa in una volta sola, si scelgono momenti specifici nel tempo (landmark), come "Mese 6" o "Anno 2".

Al Mese 6, guardate solo le persone che sono ancora in gara.
Guardate la loro storia fino a quel punto.
Fate una previsione per i mesi successivi.
Poi passate al Mese 7, e ripetete.

Questo è flessibile. Gestisce il fatto che le persone entrino e lascino lo studio in momenti diversi, cosa comune nei dati ospedalieri del mondo reale.

2. Il Tocco Magico: Trovare Gruppi Nascosti (LCMM)

È qui che l'articolo brilla. Guardando la storia fino a un checkpoint, il nuovo metodo si chiede: "Questo corridore fa parte di un gruppo nascosto?"

Immaginate che i corridori siano in realtà tre specie diverse di animali:

Gruppo A: Parte alto, scende basso, poi ha un picco verso l'alto.
Gruppo B: Rimane costante nel mezzo.
Gruppo C: Parte alto e declina lentamente.

I vecchi metodi potrebbero semplicemente fare una media di tutti. Il nuovo metodo usa i Modelli Misti a Classe Latente (LCMM) per dire: "Ah, questo corridore somiglia a un animale del Gruppo A". Poi usa lo schema specifico del Gruppo A per fare la previsione.

Fondamentalmente, l'articolo ha scoperto che conoscere l'etichetta del gruppo è più importante della matematica esatta del percorso. Anche se la matematica che predice la velocità esatta è simile ai vecchi metodi, sapere a quale gruppo appartiene la persona fornisce una spinta enorme all'accuratezza.

3. Lo Strumento: `landmaRk`

Gli autori non hanno scritto solo una teoria; hanno costruito un Coltellino Svizzero per questo. Hanno creato un pacchetto software gratuito chiamato landmaRk.

Modulare: Potete sostituire le parti. Volete usare un semplice metodo "Ultima Veduta"? Bene. Volete usare il nuovo metodo dei "Gruppi Nascosti"? Bene. Volete provare un diverso calcolatore di sopravvivenza? Potete inserirlo.
Veloce: È progettato per girare su enormi dataset (come i record ospedalieri) senza crashare, a differenza dei metodi pesanti del "Super-Computer".

Cosa Hanno Testato?

Hanno testato questo approccio in due modi:

La Simulazione (La Gara di Prova):
Hanno creato dati finti dove conoscevano la "verità" (c'erano esattamente 3 gruppi nascosti).
- Risultato: Il nuovo metodo (Landmarking + Gruppi Nascosti) era molto più bravo a prevedere l'esito rispetto al vecchio metodo "Ultima Veduta" o ai pesanti metodi del "Super-Computer". Era anche più veloce.
- Risultato Chiave: Il vantaggio maggiore è derivato dal dire al modello a quale gruppo appartiene la persona, non solo dalla matematica della sua velocità.
I Dati Reali (Il Dataset AIDS):
Hanno utilizzato dati storici reali da un trial clinico su pazienti con HIV/AIDS, monitorando i conteggi CD4 (una misura della salute immunitaria) per prevedere il decesso.
- Risultato: Il nuovo metodo ha superato nuovamente i vecchi modelli. Ha trovato schemi nascosti nel modo in cui il sistema immunitario dei pazienti cambiava, che i vecchi metodi avevano mancato.
- Nota: I metodi "Super-Computer" (Modelli Congiunti) erano più lenti e meno accurati nella calibrazione (nel centrare le probabilità corrette) rispetto al nuovo approccio modulare.

In Sintesi

L'articolo sostiene che, combinando il Landmarking (controllare la corsa in momenti specifici) con i Modelli a Classe Latente (trovare gruppi nascosti di corridori simili), possiamo prevedere gli esiti sanitari molto meglio e più velocemente di prima.

Hanno inoltre fornito alla comunità medica uno strumento gratuito e flessibile (landmaRk) per farlo facilmente, permettendo ai ricercatori di mescolare e abbinare diverse strategie matematiche senza dover essere maghi della programmazione.

In breve: Hanno trovato un modo per individuare schemi nascosti nei dati medici disordinati per fare previsioni migliori, e hanno costruito un toolkit facile da usare per renderlo possibile senza rallentare il computer.

Sintesi Tecnica: Landmarking con Modelli a Classi Latenti Misti per la Predizione Dinamica

Definizione del Problema
La crescente accessibilità delle cartelle cliniche elettroniche (EHR) offre opportunità per la predizione dinamica del rischio di eventi nel tempo utilizzando misurazioni ripetute di covariate tempo-varianti, come i biomarcatori. Tuttavia, gli esistenti metodi di predizione dinamica affrontano limitazioni significative quando applicati a dati biomedici del mondo reale.

Assunzione di Omogeneità: Il landmarking tradizionale e i modelli congiunti per dati longitudinali e di sopravvivenza (JMLS) tipicamente assumono che le traiettorie longitudinali siano omogenee tra gli individui, con l'eterogeneità catturata solo da covariate osservate o effetti casuali a coda sottile (es. distribuzioni normali). Questa assunzione fallisce quando esistono strutture latenti della popolazione: sottogruppi di individui che condividono modelli di traiettoria e profili di rischio distinti che non possono essere spiegati dalle covariate osservate.
Scalabilità Computazionale: Sebbene i Modelli a Classi Latenti Congiunti (JLCM) possano tenere conto di tale eterogeneità latente, essi sono computazionalmente intensivi e spesso non riescono a scalare su grandi dataset EHR. Inoltre, i JLCM e i JMLS spesso richiedono un tempo basale comune ( $t=0$ ) per tutti gli individui, il che è incompatibile con i periodi di follow-up variabili e l'entrata/uscita dei pazienti tipica degli ambienti EHR.
Limitazioni del Software: I software esistenti per l'analisi di landmarking sono spesso rigidi, limitando tipicamente gli utenti all'uso di "Last Observation Carried Forward" (LOCF) o modelli Lineari a Effetti Misti (LME) per riassumere le traiettorie, e modelli di rischi proporzionali di Cox per la sopravvivenza. Ciò limita la capacità di implementare strategie più flessibili e consapevoli dell'eterogeneità.

Metodologia
Gli autori propongono un nuovo approccio di landmarking consapevole dell'eterogeneità che integra i Modelli a Classi Latenti Misti (LCMM) nel framework di landmarking. La metodologia opera come segue:

Framework di Landmarking: L'approccio adatta modelli di sopravvivenza sequenzialmente in tempi di landmark ( $s$ ) pre-specificati. Ad ogni $s$ , viene identificato il set di rischio ( $R_s$ ) (individui privi di evento fino a $s$ ).
Riassunto Longitudinale tramite LCMM: Invece di utilizzare LOCF o standard LME, il metodo utilizza LCMM per modellare la traiettoria longitudinale $Y_i(s)$ $Y_{i} (s)$ osservata fino al tempo $s$ $s$ per gli individui in $R_s$ $R_{s}$ .
- L'LCMM assume che la popolazione sia composta da $G$ classi latenti, ciascuna con modelli di traiettoria distinti.
- L'appartenenza al cluster è modellata tramite regressione logistica multinomiale.
- Per ogni individuo, il metodo calcola le probabilità a posteriori di appartenenza al cluster ( $\hat{\pi}_{ig}$ ) basandosi sui dati osservati.
- Riassunto della Traiettoria ( $\hat{y}_i(s)$ ): Per tenere conto dell'incertezza nell'allocazione dei cluster, il metodo media le predizioni delle traiettorie specifiche per cluster pesandole con le probabilità a posteriori: $\hat{y}_i(s) = \sum \hat{\pi}_{ig} \hat{y}_i(s | c_i=g)$ .
- Input dell'Etichetta del Cluster: Il metodo considera anche l'inclusione dell'etichetta del cluster predetta ( $\hat{c}_i$ ) come una covariata nel modello di sopravvivenza, fornendo un riassunto parsimonioso della forma della traiettoria.
Modellazione della Sopravvivenza: Un modello di sopravvivenza specifico per il landmark (es. Cox PH) viene adattato utilizzando la traiettoria riassunta $\hat{y}_i(s)$ e, opzionalmente, l'etichetta del cluster predetta $\hat{c}_i$ per stimare la probabilità condizionata di essere privi di evento a $s+w$ .
Implementazione (landmaRk): Gli autori hanno sviluppato landmaRk, un pacchetto R modulare disponibile su CRAN. Esso implementa una pipeline per:
1. Definire i set di rischio e i tempi di landmark.
2. Adattare i submodelli longitudinali (supportando LOCF, LME e LCMM).
3. Adattare i submodelli di sopravvivenza.
4. Valutare le prestazioni predittive (usando l'AUC tempo-dipendente e i punteggi Brier) tramite cross-validazione.
  La modularità permette agli utenti di scambiare i componenti e definire modelli longitudinali o di sopravvivenza personalizzati.

Risultati Chiave
Le prestazioni del metodo proposto sono state valutate attraverso studi di simulazione e un caso studio utilizzando il dataset AIDS.

Studi di Simulazione:
- I dati sono stati generati sotto specifiche di Modello a Classi Latenti Congiunte con variabili dimensioni campionarie, distribuzioni di errore (normale vs. a coda pesante) e parametri di forma di Weibull.
- Prestazioni: I modelli di landmarking basati su LCMM che includevano le etichette dei cluster predette (es. LCMM2cl) hanno superato costantemente il landmarking tradizionale (LOCF, LME) e i JLCM standard in termini di discriminazione (tdAUC) e calibrazione (punteggio Brier).
- Etichette dei Cluster vs. Ricostruzione della Traiettoria: Il miglioramento nella predizione è stato guidato principalmente dall'inclusione delle etichette dei cluster predette piuttosto che dalla ricostruzione della traiettoria stessa. I valori predetti $\hat{y}_i(s)$ dall'LCMM erano spesso simili a quelli dell'LME, ma le etichette dei cluster catturavano informazioni prognostiche aggiuntive riguardanti la forma della traiettoria.
- Robustezza: L'adattamento di LCMM specifici per il landmark (ri-stimando i cluster ad ogni $s$ ) si è dimostrato più robusto alla sovra-specificazione del numero di cluster ( $G$ ) rispetto all'adattamento di un singolo modello globale.
- Efficienza: L'approccio proposto è stato computazionalmente più efficiente dei JLCM, rendendolo adatto a dataset più ampi.
Caso Studio (Dataset AIDS):
- Utilizzando le traiettorie del conteggio CD4 per predire il tempo al decesso, l'approccio di landmarking consapevole dell'eterogeneità (specificamente LCMM2cl ai primi landmark) ha generalmente ottenuto una discriminazione superiore rispetto a LOCF e LME.
  - I modelli congiunti (JLCM) hanno mostrato una discriminazione inferiore e una calibrazione decisamente peggiore rispetto agli approcci di landmarking.
- Le prestazioni sono variate in base al tempo di landmark e all'orizzonte temporale, senza che un singolo modello fosse uniformemente il migliore, ma l'approccio consapevole dell'eterogeneità ha costantemente migliorato i baselines statici e LOCF.

Significatività e Rivendicazioni
L'articolo rivendica due contributi primari:

Innovazione Metodologica: Introduce una strategia di predizione del rischio dinamica, computazionalmente efficiente e consapevole dell'eterogeneità, che sfrutta gli LCMM all'interno del paradigma di landmarking. Questo risponde alla necessità insoddisfatta di metodi scalabili che tengano conto della struttura latente della popolazione nei dati EHR, superando i colli di bottiglia computazionali dei JLCM e le assunzioni di omogeneità del landmarking tradizionale.
Sviluppo del Software: Il pacchetto landmaRk fornisce un framework standardizzato e modulare per l'analisi di landmarking. Formalizzando il landmarking come una pipeline di componenti intercambiabili, esso facilita il confronto tra diversi modelli (es. LME vs. LCMM) e accelera lo sviluppo e la riproducibilità delle strategie di predizione del rischio dinamico.

Gli autori sottolineano che il loro approccio è particolarmente prezioso per gli ambienti EHR dove l'eterogeneità dei dati è alta e la scalabilità computazionale è critica. Notano che, sebbene il numero di cluster ( $G$ ) debba essere specificato, il metodo dimostra robustezza alla leggera misspecificazione, e l'inclusione delle etichette dei cluster predette funge da meccanismo chiave per catturare le informazioni sulla forma della traiettoria che migliorano l'accuratezza prognostica.