Extending the saemix package for R to fit non Gaussian outcomes

臨床研究の世界では、科学者たちは人々が時間の経過とともにどのように変化するかを追跡することがよくあります。彼らは、血液中のホルモン値の測定、患者が感じる痛みの回数のカウント、あるいは特定のイベント（例えば、病院への受診など）が発生したかどうかの記録などを行います。これらの測定値は単なる一瞬の切り取りではありません。それは、数日、数週間、あるいは数年にわたって展開される物語なのです。この物語を理解するために、研究者たちは非線形混合効果モデルと呼ばれる統計的手法を用います。これは、集団全体の平均的な歩みを表す単一の滑らかな曲線を描きつつ、同時に、一人ひとりが少しずつ異なる経路を辿ることも認める方法だと考えてください。回復が早い人もいれば、遅い人もいます。また、ある人が副作用を経験する一方で、他の人は経験しないこともあります。課題が生じるのは、追跡されているデータが単純なベル型のパターンに従わない場合です。多くの生物学的測定値はこの滑らかな曲線に適合しますが、それ以外もあります。イベントのカウント、はい・いいえの回答、あるいはイベントが発生するまでの時間などは、従来のツールでは解釈が困難な、ギザギザとした不規則なデータを生み出します。

長年、研究者たちは滑らかなベル型のデータを扱う強力なソフトウェアを保有してきましたが、不規則でギザギザしたデータを扱うためのツールは、高価であるか、一般に公開されていないか、あるいは使いにくいものでした。エマニュエル・コメ、モード・デラトレ、ベルハル・カリミ率いる研究チームは、saemixと呼ばれる無料のオープンソース・ソフトウェアパッケージの機能を拡張することで、この状況を変えようと試みました。もともとは連続的な測定値のために設計されたこのツールは、現在、カウント、カテゴリー、生存時間といった、よりらます（messy）実世界のデータを扱えるようにアップグレードされました。研究者たちは単にツールを構築しただけでなく、データの中に隠された真の答えを見つけ出せるよう、複雑なシナリオに対して厳格にテストを行いました。彼らの研究は、感染症の拡大からアルコール関連の問題の頻度に至るまで、あらゆるものをモデル化するための、新しいアクセシブルな方法を提供し、個々の患者のユニークなパターンが一般的な平均を探す過程で失われないようにしています。

この研究の核心は、SAEMアルゴリズムとして知られる、ソフトウェアが使用するアルゴリズムにあります。広大で霧に包まれた山脈の中で、最も高い地点を探そうとしているところを想像してみてください。あなたは地形全体を一度に見ることはできませんし、地面は平坦ではありません。SAEMアルゴリズムは、この地形をステップ・バイ・ステップで探索する方法です。それは推測から始まり、起こりうる経路をシミュレーションし、それらのシミュレーションから学んだことに基づいて推測を洗練させていきます。このプロセスを繰り返すことで、データの最も正確な記述を表す「真の頂点」へと、ますます近づいていくのです。研究者たちは、この手法を拡張し、非ガウス型データ（標準的なベルカーブに従わないデータ）のギザギザとしたピークや谷をナビゲートできるようにしました。これには、爪の感染症の有無のように、結果が単に「はい」か「いいえ」であるバイナリデータが含まれます。また、患者が報告する特定の症状の回数のようなカウントデータや、疾患の再発など、何かが起こるまでの時間を追跡するタイム・トゥ・イベント（イベント発生までの時間）データも含まれます。

この拡張が機能することを証明するために、チームは更新されたソフトウェアを実世界のデータセットに適用しました。一つの例は、真菌による爪感染症の2つの治療法を比較する臨床試験です。この研究では、294人の患者が約1年間にわたってモニタリングされ、7回の受診ごとに感染状態が確認されました。結果はバイナリであり、爪がクリアであるか、そうでないかのいずれかでした。研究者たちは、saemixを使用して、感染が時間の経過とともにどのように解消されるか、そしてどちらの治療法がより効果的であるかをモデル化しました。彼らは、ソフトウェアが感染の解消率と治療の効果を正確に推定できることを見出し、それは異なる、より高価なソフトウェアを用いた過去の研究結果とも一致していました。これは、患者が同じ療法に対して異なる反応を示す医学的試験の複雑さを、このオープンソースのツールが扱えることを示す重要な検証となりました。

別のテストケースは、大学生におけるアルコール関連の問題に関する研究です。このデータセットには、学生が6ヶ月ごとに報告した問題の回数に関する、数千件の反復測定が含まれていました。このデータは、多くの学生が多くの時点で「問題ゼロ」と報告しているため、チャートの底部に巨大なスパイク（突出）が生じており、非常に扱いが難しいものでした。標準的なモデルは、このようなデータでは、問題を一度も抱えない人と、時々抱える人を容易に区別できないため、失敗することがよくあります。研究者たちは、このカウントデータに対して3種類の異なるモデルを適合させるためにsaemixを使用しました。その結果、ゼロ過剰ポアソンモデルのような、過剰なゼロを扱うために特別に設計されたモデルが、標準的なモデルよりもはるかに優れた適合性を示すことがわかりました。ソフトウェアは、問題の数が時間の経過とともに減少することや、男性の方が女性よりもやや多くの問題を報告する傾向があることを、個々の学生のユニークな変動性を考慮に入れながら、見事に捉えました。

ソフトウェアが信頼できるものであることを完全に確信するために、チームは実世界の例だけで終わらせませんでした。彼らは、あらかじめ正解を知っている状態で、数千の偽のデータセットを生成するというシミュレーション研究を行いました。これらの既知のシナリオをsaemixに投入し、ソフトウェアが真の値を回収できるかを確認しました。バイナリデータの場合、ソフトウェアは極めて優れた性能を発揮し、誤差をほとんど出すことなく真のパラメータを回収しました。変化の率に個別の変動性を許容するという、より複雑な条件を導入した場合でも、ソフトウェアは安定していました。研究者たちは、計算の開始点が単なる「運の良い推測」に基づいたものではないことを確認するために、異なる開始点についてもテストを行いました。これらのシミュレーションにおける結果の一貫性は、このツールが堅牢であり、他の科学者が使用する準備ができているという自信を与えました。

この論文はまた、不確実性の測定方法における実用的な限界についても触れています。統計学において、答えを知るだけでは不十分です。研究者は、その答えに対してどの程度の確信が持てるかを知る必要があります。標準的なデータの場合、これはうまく機能する公式を用いて計算されます。しかし、本稿が焦点を当てているような不規則なデータについては、その標準的な公式はしばしば誤解を招く結果をもたらします。研究者たちは、「ブートストラップ法」と呼ばれる異なるアプローチがはるかに適していることを見出しました。この手法は、結果がどのように変化するかを見るために、データを何度も再サンプリングするものです。彼らは、saemixにおけるこの再サンプリング技術の使用が、より正確な不確実性のイメージを提供し、研究者が「治療効果が有意である」と言うとき、その主張が確かな証拠に裏付けられていることを保証できることを実証しました。

研究全体を通じて、著者たちは柔軟性を強調しました。更新されたsaemixパッケージを使用すると、ユーザーは独自の尤度関数（特定のデータセットが起こる確率を記述する数学的ルール）を定義できます。これは、もし研究者が新しいタイプのデータやユニークな生物学的プロセスに遭遇したとしても、あらかじめ設定されたモデルに縛られることはないことを意味します。彼らは自分の状況に合わせたルールを書くことができ、ソフトウェアが計算の重労働を担ってくれます。この柔軟性は、ユーザーを固定されたモデルのセットに制限することが多い商用ソフトウェアに対する大きな利点です。チームはパッケージ内の視覚的ツールも改善しており、モデルがデータにどの程度適合しているかを示す明確なグラフを作成できるため、弱点や改善すべき領域を特定するのに役立ちます。

彼らの仕事の影響は、単なるコードの範囲を超えています。これらの高度なモデリング手法を無料で利用可能にし、使いやすくすることで、研究者たちは複雑な縦断的データを分析したい科学者の障壁を下げています。慢性疾患の進行を追跡する場合でも、公衆衛生上の介入の有効性を評価する場合でも、あるいは生物学的システムのダイナミクスを理解する場合でも、非標準的なデータを正確にモデル化する能力は極めて重要です。論文は、saemixが現在、幅広いデータタイプを扱える強力で完全にオープンソースのツールであることを結論づけています。ソフトウェア内で複雑な微分方程式を扱うことの難しさといった課題は依然として存在するものの、この拡張は重要な前進を意味します。それは信頼性が高く、透明性があり、柔軟な選択肢を科学界に提供し、不規則なデータの中に隠された物語が、明晰さと精密さをもって語られることを確実にしています。