📊 statistics

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

本文提出了一种新颖的贝叶斯联合模型，通过将混合效应位置-尺度框架纳入个体内部变异性，将生存时间结局与多元纵向数据联系起来，从而克服了汇总统计量和回归稀释带来的局限性，并通过模拟实验以及在囊性纤维化死亡率数据上的应用证明了其有效性。

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

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

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

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，你正试图预测一辆汽车在发生故障前能维持多久。传统上，医生和统计学家会观察汽车随时间变化的平均速度。如果平均速度在下降，他们就会认为这辆车正在变旧，可能很快就会坏掉。

但这篇文章指出，仅仅观察平均值是不够的。有时，一辆以稳定的 60 英里/小时行驶的汽车没问题，而另一辆在 20 英里/小时到 100 英里/小时之间剧烈波动的汽车则处于严重麻烦之中——即便它们的平均速度是相同的。这种“波动”或变异性（variability）就是作者所说的“个体内部变异性”。

以下是该论文内容的拆解，使用了简单的类比：

1. 问题所在：“平均值”陷阱

过去，在研究像囊性纤维化（一种损伤肺部的疾病）这类疾病时，研究人员会获取患者的健康数据（如肺功能或体重），并计算一个简单的总结指标，例如标准差（即数值跳动得有多厉害）。

该论文指出了这种旧方法存在的两个重大问题：

“快照”问题： 简单的总结指标没有考虑到跳动发生的时间。患者是在去年剧烈波动、今年趋于稳定吗？简单的平均值会错过这种叙事。
“模糊透镜”问题： 当研究人员使用这些简单的总结指标来预测死亡或疾病进展时，结果往往是“模糊”或过于微弱的。这就像试图透过一层雾气弥漫的窗户看路标；你知道那里有东西，但你看不到细节。这被称为“回归稀释”（regression dilution）。

2. 解决方案：“双轨”模型

作者构建了一个新的数学工具（一种“联合模型”），它同时观察两条轨道，而不是仅观察一条。

轨道 A（平均值）： 追踪患者的整体健康趋势（例如，其肺功能是否在缓慢下降？）。
轨道 B（震颤）： 追踪围绕该趋势的变异性或“震颤”。它会问：“这个人的健康状况相对于其自身的平均值而言，上下波动了多少？”

把这想象成监测心跳。

轨道 A 是心率（每分钟 60 次）。
轨道 B 是节奏。它是稳定的（稳健的 60 次），还是不规则的（60，然后 40，然后 90，然后 50）？
作者的模型将“震颤”（变异性）视为一个真实的、重要的风险预测因子，而不仅仅是噪声。

3. 它是如何运作的：“共享秘密”

该模型使用了一种巧妙的技巧，称为随机效应（random effects）。想象每个患者都有一个隐藏的“个性”或“风格”，这种风格会影响他们的平均健康水平以及他们的波动程度。

模型学习了每个人的这种隐藏风格。
然后，它利用这种隐藏风格来预测不良事件（如死亡）的风险。
至关重要的是，它允许“震颤”（变异性）直接与死亡预测进行对话。

作者使用一种名为 Stan 的计算机语言编写了这个模型，Stan 就像是一个高功率的计算器，可以通过模拟成千上万种可能的场景来找到最可能的答案，从而解决这些复杂的谜题。

4. 测试理论：模拟实验

在处理真实的人类数据之前，作者先用虚构数据（模拟实验）测试了他们的模型。

他们创造了一个“震颤”一定会导致问题的世界。
他们将新模型与旧的标准模型进行了对比。
结果： 旧模型忽略了“震颤”与不良后果之间的联系。它们就像是一个忽略了冒烟的枪口的侦探。然而，新模型正确地识别出“震颤”是一个主要的警告信号。

5. 现实世界测试：囊性纤维化患者

作者将他们的模型应用于来自英国囊性纤维化登记系统的真实数据，追踪了 3,282 名女性。他们追踪了两个主要指标：

肺功能 (FEV1)： 患者能呼出的空气量。
身体质量指数 (BMI)： 衡量营养/体重的指标。

他们的发现是：

肺功能： 不仅仅是肺功能低很危险。肺功能不稳定同样危险。那些肺部数值剧烈波动的女性面临更高的死亡风险，即使她们的平均值并不糟糕。
体重 (BMI)： 虽然体重过低很危险，但在本项特定研究中，体重的“波动起伏”与死亡风险之间并没有表现出明确的联系。

核心结论

这篇论文介绍了一种更聪明的观察健康数据的方式。它不再仅仅询问：“患者的平均水平如何？”，而是询问：“患者的稳定性如何？”

通过将患者健康的“起伏波动”视为一个严肃的警告信号，而非仅仅作为背景噪声，该模型提供了一个更清晰、更准确的风险画像。它证明了对于某些疾病而言，稳定性与平均水平同样重要。

技术摘要：用于时间-事件与多元纵向数据的贝叶斯位置-尺度联合模型

问题陈述
在生物医学纵向研究中，个体内部变异性（Within-Individual Variability, WIV）的健康指标正日益被视为疾病进展和时间-事件结局（如死亡率）的关键预测因子。虽然研究者常使用简单的统计量（如标准差）来量化 WIV，但这些方法存在显著局限性：它们无法解释随时间变化的动态过程，对访问次数敏感，并可能引入诸如“不朽时间”（immortal time）之类的偏差。此外，当这些统计量作为生存模型的协变量时，所得出的风险比（hazard ratios）估计值会受到回归稀释偏差（regression dilution bias）的影响，导致关联性估计不准确。现有的联合模型方法已解决了单变量生物标志物的 WIV 问题，或采用了频率学方法，但很少有研究能成功地将 WIV 集成到多元（相关）生物标志物的贝叶斯联合模型框架中，并使变异性本身驱动与事件结局的关联。

方法论
作者提出了一种基于 WIV 关联的贝叶斯多元联合模型（JM-WIV）。该模型由两个相互关联的子模型组成：

纵向子模型（混合效应位置-尺度模型 - MELSM）：
- 该模型并非假设方差恒定，而是将 $K$ 个纵向生物标志物的均值 ( $\mu$ ) 和标准差 ( $\sigma$ ) 处理为时间、协变量及受试者特异性随机效应的函数。
- 其公式表达为：
  $y_{ijk} = \eta^{\mu}_{ik}(t_{ij}) + \varepsilon_{ijk}, \quad g(\sigma_{ijk}) = \eta^{\sigma}_{ik}(t_{ij})$
  其中 $g(\cdot) = \log(\cdot)$ 确保了方差的非负性。
- 一个共享的随机效应向量 $\mathbf{b}_i$ 将每个生物标志物的均值过程与变异性过程联系起来，并允许对不同生物标志物之间的相关性进行建模（例如，生物标志物 A 的均值与生物标志物 B 的变异性之间的相关性）。
- 协方差结构为无结构协方差，允许均值和标准差在多个生物标志物之间存在复杂的随机效应相关性。
事件子模型（比例风险模型）：
- 时间-事件通过 Cox 比例风险模型进行建模，并使用通过 B-样条（B-splines）指定的灵活基准风险函数。
- 至关重要的是，关联项 $\eta^{\alpha}_i$ 不仅通过均值的当前值获取信息，还通过标准差（变异性）的当前值从纵向子模型中获取信息。
- 作者定义了三种潜在的关联结构：均值和标准差的当前值（CV）、线性预测值（LP），或直接使用随机效应（RE）。
实现：
- 该模型使用 Stan 通过哈密顿蒙特卡洛（HMC）算法进行实现，以实现高效的参数探索。
- 似然函数在给定随机效应的情况下，分解为事件过程和纵向过程。
- 先验分布包括固定效应的正态分布、随机效应标准差的半 t 分布，以及用于相关矩阵的 LKJ 先验。

核心贡献

新颖框架： 本文引入了一个能够处理多元纵向数据的贝叶斯联合模型，在该模型中，与时间-事件结局的关联明确由生物标志物的个体内部变异性驱动。
解决回归稀释问题： 通过在联合框架内直接对 WIV 进行建模，而非使用两阶段总结统计量，该方法旨在减轻回归稀释偏差。
灵活的关联性： 该模型允许风险函数依赖于生物标志物的变异性，这一特性在标准的联合模型或未在生存子模型中包含 WIV 的既往位置-尺度扩展模型中并不存在。
软件可用性： 作者提供了在 Stan 中的开源实现（通过 rstanjmwiv 包），扩展了现有的联合建模工具，使其能够处理二元（及潜在的多元）位置-尺度设置。

结果

模拟研究：
- 一项模拟研究将提出的 JM-WIV 模型与假设方差恒定的标准联合模型（通过 JMbayes2 实现）进行了对比。
- 当真实的数据生成过程包含 WIV 与事件之间的关联时，标准联合模型产生的生存系数估计存在偏差，且覆盖概率远低于名义水平 95%。
- JM-WIV 模型提供的估计值偏差接近于零，且覆盖概率与名义水平一致，证明了其在 WIV 作为相关预测因子时的正确参数恢复能力。
囊性纤维化（CF）数据应用：
- 该模型应用于英国囊性纤维化登记处的数据（3,282 名女性，29,094 次访问），旨在评估肺功能（FEV1）、营养不良（BMI）与死亡率之间的关联。
- 纵向发现： 模型成功捕捉了 FEV1 随年龄下降以及 BMI 增加的过程。它还量化了 FEV1 的变异性随年龄增加而降低，同时 BMI 的变异性表现出与 F508 同型纯合性的特定关联。
- 生存发现：
  - 较低的平均 FEV1 和较低的平均 BMI 与较高的死亡风险相关（风险比 HR < 1）。
  - 较高的 FEV1 个体内部变异性与死亡风险增加显著相关（HR = 1.374, 95% CI: 1.268–1.499）。
  - 未发现 BMI 变异性与死亡率之间有明确的关联证据。
- 结果证实，独立于平均水平之外，肺功能的波动是囊性纤维化患者死亡的一个强力预测因子。

意义与主张
本文声称，JM-WIV 模型通过在多元环境下正确量化个体内部变异性，并将其直接与生存结局联系起来，从而实现了方法论上的进步，避免了总结统计量方法固有的偏差。作者指出，模拟结果表明，忽略 WIV 与事件的关联会导致生存系数的偏差和覆盖率损失。在临床应用中，该模型证实了较高的肺功能变异性是一个独立的死亡风险因素，强化了监测“波动”而非仅仅监测“平均趋势”的临床实用价值。

作者承认了局限性，指出在位置-尺度模型中，WIV 与测量误差难以区分，且随着生物标志物或随机效应数量的增加，计算负担会显著上升。他们建议未来的工作可以探索非正态分布、竞争风险（如移植）以及用于建模新疗法对变异性影响的变点结构。