A joint model of the individual mean and within-subject variability of a longitudinal outcome with a competing risks time-to-event outcome
本文提出了一种可扩展的半参数联合模型，该模型能够同时估计纵向生物标志物的均值与受试者内变异性，以及竞争风险下的生存时间结局，并通过模拟实验和 MESA 队列研究证明，与经典模型相比，考虑异质性变异性能显著提高推断质量和风险预测能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图预测某个城市的的天气。大多数气象学家通过观察上个月的平均气温来猜测明天是否会下雨。但如果气温每天都在冰点与酷暑之间剧烈波动，即便其平均值保持不变又会怎样呢？那种混沌——数据的“抖动”——可能才是最重要的线索。在医学领域，研究人员长期以来一直在研究人体如何随时间变化，追踪诸如血压或血糖之类的指标。传统上，他们关注的是“平均”水平：你的血压是高还是低？但越来越多的研究表明，这种“变异性”——即你的数值每天跳动得有多厉害——与平均值本身一样至关重要。如果你的身体是一辆汽车，平均速度告诉你行驶得有多快，但变异性则告诉你引擎是在剧烈抖动还是运行平稳。理解这些“抖动”可以帮助医生在危机发生前很久，就预测出谁面临着严重健康事件（如心力衰竭或死亡）的风险。
这正是 Shanpeng Li 及其团队的一篇新论文所切入的点。他们解决了一个棘手的问题：当人们因为生病或去世而退出研究时，该如何研究这些“抖动”（科学家称之为受试者内变异性）。想象一下，你试图在汽车行驶时测量引擎的震动，但有些车在测试中途发生了碰撞并停止了运行。如果你只观察那些完成了比赛的汽车，你可能会错过这样一个事实：那些发生碰撞的汽车震动得最为剧烈。作者们意识到，旧的方法要么忽略了这个“退出”问题，要么假设每个人的身体都在以同样可预测的方式震动，而事实并非如此。为了解决这个问题，他们构建了一个全新的数学工具——一个“联合模型”——它就像一个超级聪明的侦探。这个工具同时观察两件事：一个健康指标（如血压）的平均水平以及它的剧烈波动程度，同时还时刻留意时间，以观察何时会发生严重的事件。
该团队使用了一个名为 MESA 的庞大数据集测试了他们的这个新工具，该数据集追踪了超过 6,700 名来自不同背景且最初健康的受访者。他们想看看血压中的“抖动”是否与心力衰竭和死亡有关，即使在考虑了平均血压水平之后也是如此。他们的模拟显示，与旧工具相比，他们的新方法能更好地捕捉到真相。当他们将此应用于真实的 MESA 数据时，发现了一些令人兴奋的结果：即使人们的平均血压看起来正常，但那些血压跳动剧烈的人确实面临着更高的心力衰竭和死亡风险。这表明，“抖动”是一个适用于广泛人群的真实预警信号，而不仅仅适用于那些处于严格临床试验中的人群。此外，通过将这些波动纳入预测，该模型能够更准确地判断谁会生病以及谁不会生病，从而提高了其识别危险的能力。作者还发布了一个免费的软件包，以便其他科学家可以在自己的数据上使用这个新的侦探工具，帮助让每个人的健康预测都更加准确。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。