📊 statistics

A Bayesian Prevalence Incidence Cure model for estimating survival using Electronic Health Records with incomplete baseline diagnoses

本文提出了一种贝叶斯患病率-发病率-治愈（PIC）模型，这是一个旨在从存在缺失基线诊断的电子健康记录中准确估计生存率、患病率和治愈比例的三成分混合框架，通过模拟实验以及在糖尿病性黄斑水肿上的实际应用，证明了其相较于传统患病率-发病率模型的优越性。

原作者： Matilda Pitt, Robert J. B. Goudie

发布于 2026-02-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Matilda Pitt, Robert J. B. Goudie

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

想象一下你是一名试图破解一群患者失踪之谜的侦探。你拥有一本厚重的病历笔记（电子健康记录，简称 EHR），但由于这本笔记非常凌乱：有些页面被撕掉了，有些条目缺失了，而且你并不总是清楚某个患者的病情究竟是从何时开始的，或者他们是否最终会康复。

Pitt 和 Goudie 的论文介绍了一种新的“侦探工具”，叫做 PIC 模型（患病率-发病率-治愈率），用于理清这些凌乱的数据。以下是该模型的运作方式，通过简单的概念进行了拆解。

三种类型的患者

在许多医学研究中，研究人员通常假设所有人最初都是“健康的”，然后等待观察谁会生病。但在现实世界中，情况要复杂得多。作者指出，你需要将患者分为三个不同的“桶”：

“已患病者”（患病组/Prevalent）： 这些患者在第一次走进诊所时就已经患有该问题。也许是因为那天没有进行相关检测，所以医生直到下次就诊时才知道他们已经病了。
“新发病者”（发病组/Incident）： 这些患者在开始时是健康的，但后来发展出了该问题。
“无法触及者”（治愈组/Cured）： 这些是最棘手的群体。无论你观察多久，他们都永远不会出现该问题（或永远不会对治疗产生反应）。他们本质上是“免疫”或“无反应者”。

旧工具的问题

在此论文之前，研究人员使用一种叫做 PI 模型（患病率-发病率）的工具。

缺陷： 旧工具假设如果等待足够长的时间，所有人最终都会生病。它没有为“无法触及者”（治愈组）设置专门的桶。
结果： 如果你对一个包含部分“免疫”人群的群体使用旧工具，该工具会感到困惑。它会试图将这些“免疫”的人强行归入“新发病者”类别，从而使结果看起来像是他们会在很晚的时候才发病。这会导致对生存率和治疗成功率的错误预测。

新的解决方案：PIC 模型

作者构建了一个三部分混合模型（即 PIC 模型），它就像一个更智能的分拣机。

它能处理缺失的页面： 它利用数学方法来推测，对于那些初始检测数据缺失的患者，他们究竟是“已患病”还是“新发病”，而不是进行随机猜测。
它能处理“无法触及者”： 它能够明确计算出比例有多少人永远不会经历该事件（即“治愈”比例）。
它利用“专家直觉”（贝叶斯先验/Bayesian Priors）： 该模型允许研究人员输入他们从以往研究中获得的已知信息（例如，“我们预期康复的中位时间为 10 个月”）。这就像一个指南针，引导数学运算，尤其是在数据量较少的情况下。

侦探故事：糖尿病黄斑水肿 (DMO)

为了测试这个新工具，作者研究了一个包含 1,964 名患有特定眼科疾病——糖尿病黄斑水肿（DMO）患者的真实世界数据集。目标是观察患者视力恢复到“良好”水平需要多长时间。

凌乱的数据： 一些患者在开始时没有进行眼科检查。一些人立即拥有良好的视力（他们是“已患病”且视力良好）。一些人无论如何也无法好转（“无法触及者”）。
对比分析：
- 旧工具 (PI 模型) 说： “每个人最终都会获得良好的视力，只是可能需要很长时间。”它预测在 4 年后，只有 8% 的人仍会有视力障碍。
- 新工具 (PIC 模型) 说： “等等，这些人中大约有 18% 是‘无法触及’的——他们永远不会通过这种治疗获得良好的视力。”它预测在 4 年后，仍有 18% 的人会有视力障碍。

为什么这很重要

论文表明，新的 PIC 模型更加准确。

它停止了“虚假的希望”： 旧模型因为忽略了那些永远不会产生反应的人，使得看起来治疗对所有人都有更好的效果。
它解决了“缺失数据”带来的混乱： 它能正确识别谁在开始时就已经表现良好，而不是将他们误计为“后来康复”的人。

核心结论

你可以把旧模型想象成一个天气预报，它假设最终每个人都会淋雨，即使有些人住在沙漠里。而新的 PIC 模型 是一个更聪明的预报，它意识到：

有些人已经湿透了（患病组）。
有些人稍后会变湿（发病组）。
有些人住在沙漠里，永远不会淋雨（治愈组）。

通过承认这三类人群，该模型能为医生和患者提供更清晰的预期，尤其是在医疗记录不完整的情况下。

技术摘要：一种用于估计具有不完整基线诊断的电子健康记录中生存率的贝叶斯患病率-发病率-治愈模型

问题陈述
源自电子健康记录（EHR）的回顾性队列为研究现实场景中的疾病患病率、发病率和治愈比例提供了一种具有成本效益的手段。然而，EHR 数据面临特定的分析挑战：(1) 缺失基线状态： 患者在治疗开始时（ $t=0$ ）往往缺乏记录的诊断测试，这使得区分现患病例（即在基线时已患病）和新发病例（即随后才发病）变得不可能。(2) 治疗无反应（治愈）： 在许多疾病中，一部分患者永远不会经历感兴趣的事件（例如，达到特定的视力阈值），这使得标准的渐近于零的生存函数变得不再适用。

现有的患病率-发病率（PI）模型通过使用两成分混合模型来解决缺失基线数据的问题，但当存在“治愈”比例时，这些模型会失效，因为它们错误地假设所有未被治愈的个体最终都会经历该事件。相反，标准的治愈模型则假设不存在基线现患病例。因此，没有一种方法能同时处理缺失的基线诊断和治愈比例，这会导致对生存概率、患病率和发病时间的估计产生偏差。

方法论
作者提出了一种**患病率-发病率-治愈（PIC）**模型，这是一种专为具有缺失基线状态的区间删失数据设计的三成分混合模型。

模型结构： 人群被划分为三个潜在组别：
- 现患病例： 在基线时已经经历过事件的个体（ $t < 0$ ）。
- 新发病例： 基线时未患病但在未来会经历事件的个体（ $0 < t < \infty$ ）。
- 治愈病例： 永远不会经历该事件的个体（ $t = \infty$ ）。
似然函数构建： 模型根据诊断测试的时机考虑了四种可观测的数据模式：
- $c_i=1$ ：基线时检测呈阳性（现患）。
- $c_i=2$ ：区间删失的新发病例（在 $l_i$ 时为阴性，在 $r_i$ 时为阳性）。
- $c_i=3$ ：在检测呈阳性前被删失（在 $l_i$ 时为阴性，在随访结束时仍未检测出阳性）。该组是治愈者与删失新发病例的混合。
- $c_i=4$ ：缺失基线检测但在首次随访时呈阳性。该组是现患病例与新发病例的混合。
参数化形式：
- 成分分配： 多项逻辑回归模型决定了作为现患病例（ $\pi_i$ ）或治愈病例（ $\delta_i$ ）的概率。新发病例的概率为 $1 - \pi_i - \delta_i$ 。
- 生存时间： 对于新发病例，使用 Weibull 分布来模拟生存函数 $S(t|xi)$，并通过比例风险参数化引入协变量效应。
贝叶斯推断与先验分布： 作者采用基于 MCMC（通过 JAGS）的贝叶斯框架。其核心方法论贡献在于指定了基于专家启发式或既往文献的信息性先验。作者并非直接对回归系数设置先验，而是对概率的比率（例如，治愈者与新发者的比率）以及协变量的优势比设置先验。这些参数随后被转化为逻辑参数的对数正态先验，以及 Weibull 参数（形状参数 $\alpha$ 和中位事件时间）的对数正态先验。这种方法旨在纳入领域知识，同时保持解释性。

主要结果
论文通过模拟研究和实际应用验证了该模型：

模拟研究： 在一个宫颈癌筛查场景下，将 PIC 模型与标准 PI 模型进行了比较，模拟设置了不同的样本量（ $n=40, 400, 4000$ ）和先验设定（信息性、无信息、误设先验）。
- 偏差减少： 与 PI 模型相比，PIC 模型在生存概率估计方面表现出更小的偏差，特别是在后期时间点，PI 模型会错误地强制生存率趋于零。
- 先验影响： 在小样本量（ $n=40$ ）下，信息性先验比无信息先验显著降低了偏差，尽管这以较宽的置信区间为代价。在较大样本量（ $n=400+$ ）下，如果信息性先验被轻微误设，无信息先验的表现可能相当甚至优于信息性先验，这表明数据最终会主导先验。
- PI 模型失效： PI 模型一致地高估了患病率并低估了长期生存率，因为它无法解释治愈比例，导致其生存函数在零处发生平台期，而非真实的治愈比例。
糖尿病黄斑水肿（DMO）的应用： 该模型应用于来自 Moorfields 眼科医院的 2,614 只眼的数据库。
- 拟合度： PIC 模型对非参数 Turnbull 估计值的拟合效果显著优于 PI 模型，特别是在捕捉 48 个月时的生存概率平台期方面（PIC 为 18%，PI 为 8%）。
- 估计值： PIC 模型估计约 33% 的患者在基线时为现患病例，且有 18% 的患者为无反应者（治愈者）。对于非现患患者，实现“良好”视力（VA $\ge$ 70）的中位时间在 PIC 模型下估计为 6.44 个月，而在 PI 模型下为 7.32 个月。

意义与主张
作者声称，PIC 模型为分析同时存在缺失基线诊断和治愈比例的 EHR 数据提供了必要的扩展。通过显式地对“治愈”状态进行建模（并将其与现患状态和新发状态并列），该模型防止了在应用于具有无反应者疾病时 PI 模型所产生的偏差。

论文强调了通过可解释的比率来整合先验知识的贝叶斯方法的效用，这在样本量有限或存在既往临床试验数据的情况下尤为重要。作者指出，如果治愈比例微乎其微或随访时间过短导致无法观察到平台期，该模型的益处将有限，但对于人群规模的筛查服务（如乳腺癌、宫颈癌和糖尿病眼底筛查）以及基线症状数据通常不完整的二级护理设置而言，该模型具有高度相关性。

作者对模型的适用范围保持了审慎态度，承认该模型将眼睛视为独立个体（忽略了患者内的相关性），并将连续尺度上的问题简化为二元阈值模型。他们建议未来的扩展可以包括敏感性和特异性、非参数生存分布（如 Cox 模型）以及随时间变化的协变量。