Improved prediction of extreme random effects in joint models: WRaPs

技术摘要：改进联合模型中极端随机效应的预测：WRaPs

问题陈述
在个性化医疗领域，特别是在肿瘤学和重症监护领域，对于识别面临严重预后风险（不仅定义为生存问题，还包括生活质量 [QoL] 低下的问题）的患者，存在着日益增长的需求。标准的联合模型（同时对纵向结局和生存进行建模）预测工具通常依赖于最佳线性无偏预测量 (BLUPs) 或经验贝叶斯估计来处理随机效应。然而，BLUPs 存在已知的“收缩”（shrinkage）现象，即将极端的随机效应值向总体均值拉拢。在旨在标记健康状况极差或生存概率极低的患者的临床背景下，这种收缩会导致预测过于乐观，从而造成高风险个体的识别不足。虽然已有研究针对线性混合模型提出了加权随机效应估计方法以缓解这一问题，但这些方法尚未扩展到通过共享随机效应将纵向过程与生存过程相联系的联合模型框架中。

方法论
作者提出了 WRaPs（加权随机效应预测器），这是将加权估计方法扩展到具有共享随机效应的联合模型中的一种方法。

• 框架： 该方法运行在一个联合模型内，其中纵向结局 ($Y_{ij}$) 和生存时间 ($T_i$) 通过共享的受试者特定随机效应 ($U_i$) 相联系。生存风险被建模为基线协变量和共享随机效应的函数。
• 核心创新： WRaPs 不再通过最小化标准的均方误差 (MSE) 来获得 BLUPs，而是最小化一种加权均方误差，其形式为 $E((\tilde{U} - U)'W(U; \lambda)(\tilde{U} - U))$。权重函数 $W(U; \lambda)$ 被设计用于在随机效应分布的尾部对误差施加更重的惩罚。
• 权重函数： 本文采用了改编自 McCulloch 和 Neuhaus (2023) 的几种权重函数，包括：
  • 平方型 ($SQ$)：$W(u) = \exp(\lambda u^2)$
  • 绝对值型 ($AB$)：$W(u) = \exp(\lambda |u|)$
  • 截断阈值型 ($CT$)：$W(u) = I(|u| > \lambda)$
  • 非对称型 ($AS$)：$W(u) = \exp(-\lambda u)$（专门针对低值）。
• 实现方式：
  • 解析解： 对于基础模型（例如带有随机截距的对数正态生存模型），作者推导出了 WRaPs 的闭式解析表达式。
  • 贝叶斯数值解： 对于复杂模型（例如带有随机截距和斜率的比例风险模型），作者利用 rjags 包通过马尔可夫链蒙特卡洛 (MCMC) 方法采用贝叶斯框架进行计算。WRaPs 被计算为加权随机效应与其权重之比的后验均值。
• 标记策略： 该方法被应用于“标记”预期在未来时间范围内死亡或生存质量低下的患者。如果患者的预测生存概率低于阈值 $c$，或者其预测平均 QoL 低于特定百分位数，则将其标记。通过调节参数 $\lambda$ 来平衡真阳性率 (TPR) 和假阳性率 (FPR)。

主要贡献

1. 扩展至联合模型： 本文将加权随机效应预测的概念从线性混合模型扩展到了联合模型，从而能够处理纵向 QoL 与生存之间的依赖关系。
2. 处理极端结局： 它提供了一种机制来减少 BLUPs 固有的收缩偏差，特别是在提高对随机效应分布尾部（即结局最差的患者）的预测准确性方面。
3. 灵活调节： 引入调节参数 $\lambda$ 允许临床医生或研究人员对预测模型进行自我校准，通过牺牲整体 MSE 来换取识别高风险患者的敏感度。
4. 计算框架： 本文既提供了简单情况下的解析推导，也为高维随机效应结构提供了稳健的贝叶斯计算策略。

结果
作者通过 Type I 模拟研究以及使用 EORTC 胶质母细胞瘤试验数据（Stupp 等人, 2005; Taphoorn 等人, 2005）进行的案例研究评估了 WRaPs。

• 模拟研究：
  • 在带有随机截距和斜率的模型中，WRaPs 在极端随机效应亚组（如 $|z_i| > 1.5$）中始终表现出比 BLUPs 更低的均方误差 (MSE)，而 BLUPs 在整个总体中保持了较低的整体 MSE。
  • 在“标记”模拟中，WRaPs 显著提高了识别死亡或 QoL 低下的患者的真阳性率 (TPR)。例如，在 5% 的假阳性率 (FPR) 场景下，取决于权重函数和阈值的不同，WRaPs 将 TPR 从约 58% (BLUP) 提高到了约 65–80%。
  • 非对称 (AS) 权重函数在识别低 QoL 患者方面特别有效，在适中的 FPR 下实现了超过 75% 的 TPR。
• 案例研究（胶质母细胞瘤）：
  • 应用于 573 名患者，该方法标记了在第 33 周至 46 周之间面临死亡或低 QoL 风险的患者。
  • 对于 25th 百分位数的 QoL 阈值，WRaPs 将 TPR 从 32% (BLUP) 提高到超过 50%（跨越各种权重函数），且 FPR 保持在 10–20% 之间。
  • 对于更严格的 5th 百分位数阈值，BLUPs 的表现非常保守（TPR = 5.7%），而 WRaPs（特别是 AS 方法）在 25% 的 FPR 下实现了约 75% 的 TPR。
  • 正预测值 (PPV) 和负预测值 (NPV) 通常随 WRaPs 的使用较 BLUPs 有所改善。

意义与主张
本文声称，WRaPs 提供了一种实用且有效的方法，通过减轻随机效应在分布尾部的收缩，来增强对面临严重结局风险患者的检测。作者将 WRaPs 定位为并非在所有场景下都取代标准 BLUPs，而是一种专门用于识别极端负面结局关键场景（如“高风险标记”）的工具。

其意义在于将关注点从纯粹基于生存的指标转向二维结局（生存 + QoL），解决了生存获益可能无法抵消治疗相关副作用或生活质量下降这一临床现实。通过允许调节 $\lambda$ 以平衡敏感性和特异性，WRaPs 提供了一个灵活且具有临床解释性的工具，作为标准联合模型预测的补充，支持向以患者为中心的肿瘤学和重症监护护理模式转变。作者指出，虽然通过使用插件估计值处理了参数不确定性以降低计算负担，但未来的工作可以探索通过完全贝叶斯集成参数不确定性，或结合 WRaPs 和 BLUPs 在不同分布区域的混合预测器。