📊 statistics

Landmarking with Latent Class Mixed Models for Dynamic Prediction of Time-to-event Data with Heterogeneous Biomarker Trajectories

本文提出了一种与潜类别混合模型相结合的高效地标法（landmarking approach），并通过 R 语言包 `landmaRk` 实现，旨在通过解释传统方法无法捕捉的异质性生物标志物轨迹，来改进大规模电子健康记录（EHR）数据的动态生存时间预测。

原作者： Víctor Velasco-Pardo, Nathan Constantine-Cooke, Charlie W. Lees, Catalina A. Vallejos

发布于 2026-06-24

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Víctor Velasco-Pardo, Nathan Constantine-Cooke, Charlie W. Lees, Catalina A. Vallejos

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

大局观：从混乱的过去预测未来

想象一下，你正在尝试预测谁会赢得一场长跑比赛。你有一份庞大的参赛选手（患者）名单，并且在他们每次经过检查点时，你都在追踪他们的速度（生物标志物）。

在医学领域，医生可以接触到包含成千上万人的这些“速度检查”记录的海量数字档案（电子健康记录）。目标是利用这段历史，来预测谁可能在未来“退出比赛”（发生健康事件）。

然而，问题在于：并非所有的跑者都是一样的。
有些跑者起步很快，随后减速；有些起步很慢，最后却冲刺。有些跑者身上带有我们看不见的隐性伤病。传统的预测工具通常假设所有人都在同一条赛道上以相同的风格奔跑，只是根据我们能看到的东西（如年龄或性别）进行调整。但实际上，存在着具有完全不同模式的隐藏“亚群组”。

本文介绍了一种预测比赛结果的新方法，它考虑了这些隐藏群体，并且不会因为陷入沉重的数学计算而导致计算机崩溃。

旧方法：“最后一次观测”与“超级计算机”

在本文发表之前，主要有两种进行此类预测的方法：

“最后一次观测”法 (LOCF)：
想象一位教练看着一名跑者说：“好吧，上次我看到你时，你的速度是每小时 5 英里。我会假设你在下一个检查点之前一直保持 5 英里的速度。”
- 缺陷： 这忽略了跑者在两次检查之间可能摔倒、加速或减速的事实。这是一种粗略的猜测，忽略了测量误差。
“超级计算机”法 (联合模型/Joint Models)：
这种方法试图同时为每一位跑者的路径及其退赛概率构建一个完美的、复杂的 3D 地图。
- 缺陷： 它极其沉重。如果你有 10 万人的数据，这种方法就像是用计算器去解一个有百万块拼图碎片的谜题。它耗时过长，且在处理大规模数据集时经常失败。

还曾有一种被称为联合潜在类别模型 (Joint Latent Class Models) 的方法，试图寻找隐藏的群体（例如“冲刺型”与“马拉松型”），但它和“超级计算机”法一样，既沉重又缓慢。

新解决方案：“智能地标”

作者提出了一种名为基于地标的潜在类别混合模型 (Landmarking with Latent Class Mixed Models, LCMM) 的新策略。可以将其理解为一个模块化、智能的检查点系统。

1. 地标概念（检查点）

与其试图一次性预测整场比赛，不如选择特定的时间点（地标），例如“第 6 个月”或“第 2 年”。

在第 6 个月时，你只观察那些仍在比赛中的人。
你查看他们截至那一刻的历史记录。
你对接下来的几个月做出预测。
然后，你移动到第 7 个月，并重复此过程。

这种方法非常灵活。它处理了人们在不同时间加入或离开研究的情况，这在现实世界的医院数据中非常普遍。

2. 核心秘诀：寻找隐藏群体 (LCMM)

这是本文的亮点。在查看截至某个检查点的历史记录时，新方法会询问：“这个跑者是否属于一个隐藏的群体？”

想象这些跑者实际上是三种不同的动物物种：

A 组： 起步高，下降低，然后飙升。
B 组： 保持稳定在中等水平。
C 组： 起步高，然后缓慢下降。

旧方法可能会直接将所有人平均化。而新方法使用潜在类别混合模型 (LCMM) 来判断：“啊，这个跑者看起来属于 A 组动物。”然后，它利用 A 组特有的模式来进行预测。

至关重要的是，论文发现知道群体的标签比精确计算路径的数学过程更重要。 即使预测精确速度的数学方法与旧方法相似，知道这个人属于“哪个群体”也会带来巨大的准确度提升。

3. 工具：`landmaRk`

作者不仅提出了理论，还打造了一把瑞士军刀。他们开发了一个名为 landmaRk 的免费软件包。

模块化： 你可以更换部件。想用简单的“最后一次观测”法？没问题。想用新的“隐藏群体”法？也可以。想尝试不同的生存分析计算器？你可以直接插入。
快速： 它的设计旨在处理大规模数据集（如医院记录）而不会崩溃，不像那些沉重的“超级计算机”方法。

他们测试了什么？

他们通过两种方式进行了测试：

模拟实验（练习赛）：
他们创建了已知“真相”（恰好有 3 个隐藏群体）的虚假数据。
- 结果： 新方法（地标 + 隐藏群体）在预测结果方面明显优于旧的“最后一次观测”法或沉重的“超级计算机”法。它也更快。
- 关键发现： 最大的提升来自于告诉模型该人属于哪个组，而不仅仅是其速度的数学表现。
真实数据（艾滋病数据集）：
他们使用了关于 HIV/AIDS 患者的一项临床试验中的真实历史数据，通过追踪 CD4 计数（衡量免疫健康的标准）来预测死亡情况。
- 结果： 新方法再次超越了旧方法。它发现了患者免疫系统变化过程中被旧方法遗漏的隐藏模式。
- 注： “超级计算机”类方法（联合模型）速度较慢，且在校准度（获取准确概率的能力）方面实际上不如新的模块化方法。

总结

本文声称，通过将地标法 (Landmarking)（在特定时间检查比赛进度）与潜在类别模型 (Latent Class Models)（寻找相似的隐藏群体）相结合，我们可以比以前更准确、更快速地预测健康结果。

他们还向医学界提供了一个免费、灵活的工具 (landmaRk)，让研究人员可以轻松实现这一点，无需成为编程高手即可混合使用不同的数学策略。

简而言之：他们找到了一种方法，通过识别杂乱医疗数据中的隐藏模式来做出更好的预测，并构建了一个用户友好的工具包，让这一切在不拖慢计算机速度的情况下得以实现。

技术摘要：基于潜类别混合模型的动态预测地标法（Landmarking）

问题陈述
电子健康档案（EHR）的日益普及为利用随时间变化的协变量（如生物标志物）的重复测量进行事件发生时间的动态风险预测提供了机遇。然而，现有的动态预测方法在应用于真实世界的生物医学数据时面临显著局限性。

同质性假设： 传统的纵向数据与生存数据联合建模（JMLS）的地标法和联合模型通常假设纵向轨迹在个体间是同质的，仅通过观测到的协变量或细尾随机效应（如正态分布）来捕捉异质性。当存在潜在群体结构时，这一假设会失效——即存在无法通过观测协变量解释的、具有独特轨迹模式和风险特征的亚群个体。
计算可扩展性： 虽然联合潜类别模型（JLCM）可以考虑这种潜在的异质性，但其计算强度极高，往往难以扩展到大规模 EHR 数据集。此外，JLCM 和 JMLS 通常要求所有个体具有共同的基线时间（ $t=0$ ），这与 EHR 环境中典型的随访时间差异以及患者流入流出的情况不相符。
软件局限性： 现有的地标分析软件通常较为僵化，通常限制用户使用“最后一次观测值结转法”（LOCF）或线性混合效应（LME）模型来总结轨迹，并使用 Cox 比例风险模型进行生存分析。这限制了实现更灵活、具备异质性感知能力策略的能力。

方法论
作者提出了一种创新的具备异质性感知能力的地标法，将潜类别混合模型（LCMM）集成到地标框架中。该方法的操作流程如下：

地标框架（Landmarking Framework）： 该方法在预设的地标时间（ $s$ ）处依次拟合生存模型。在每个 $s$ 时刻，识别风险集（ $R_s$ ，即截至 $s$ 时尚未发生事件的个体）。
通过 LCMM 进行纵向总结： 该方法不使用 LOCF 或标准的 LME，而是采用 LCMM 来对截至时间 $s$ $s$ 时观察到的个体纵向轨迹 $Y_i(s)$ $Y_{i} (s)$ 进行建模。
- LCMM 假设总体由 $G$ 个潜类别组成，每个类别具有独特的轨迹模式。
- 类别归属通过多项逻辑回归进行建模。
- 对于每个个体，该方法根据观测数据计算类别归属的后验概率（ $\hat{\pi}_{ig}$ ）。
- 轨迹总结（ $\hat{y}_i(s)$ ）： 为了考虑类别分配的不确定性，该方法通过后验概率对类别特异性轨迹预测进行加权平均： $\hat{y}_i(s) = \sum \hat{\pi}_{ig} \hat{y}_i(s | c_i=g)$ 。
- 类别标签输入： 该方法还考虑将预测的类别标签（ $\hat{c}_i$ ）作为生存模型的协变量，从而提供轨迹形状的精简总结。
生存建模： 使用总结后的轨迹 $\hat{y}_i(s)$ 以及可选的预测类别标签 $\hat{c}_i$ ，拟合特定地标的生存模型（如 Cox PH），以估计在 $s+w$ 时刻仍未发生事件的条件概率。
实现工具（landmaRk）： 作者开发了模块化的 R 语言包 landmaRk，该包在 CRAN 上可用。它实现了一个包含以下步骤的流水线：
1. 定义风险集和地标时间。
2. 拟合纵向子模型（支持 LOCF、LME 和 LCMM）。
3. 拟合生存子模型。
4. 通过交叉验证评估预测性能（使用时间依赖性 AUC 和 Brier 分数）。
  其模块化设计允许用户更换组件并定义自定义的纵向或生存模型。

关键结果
通过模拟研究和使用 AIDS 数据集的案例研究，对所提方法的性能进行了评估。

模拟研究：
- 数据根据联合潜类别模型（JLCM）的规范生成，涉及不同的样本量、误差分布（正态 vs. 重尾）和 Weibull 分布形状参数。
- 性能表现： 包含预测类别标签（例如 LCMM2cl）的基于 LCMM 的地标模型在区分度（tdAUC）和校准度（Brier 分数）方面一致优于传统的的地标法（LOCF、LME）和标准 JLCM。
- 类别标签 vs. 轨迹重建： 预测能力的提升主要由类别标签的引入驱动，而非轨迹本身的重建。来自 LCMM 的预测值 $\hat{y}_i(s)$ 通常与来自 LME 的预测值相似，但类别标签捕捉到了关于轨迹形状的额外预后信息。
- 稳健性： 与拟合单一全局模型相比，拟合特定地标的 LCMM（在每个 $s$ 时重新估计类别）在应对类别数量（ $G$ ）过度设定时表现得更为稳健。
- 效率： 所提方法在计算上比 JLCM 更高效，使其适用于更大规模的数据集。
案例研究（AIDS 数据集）：
- 使用 CD4 计数轨迹来预测死亡时间，具备异质性感知能力的地标法（特别是早期地标处的 LCMM2cl）在区分度上通常高于 LOCF 和 LME。
- 联合模型（JLCM）表现出较差的区分度和显著较差的校准度，逊于地标法。
- 性能随地标时间和预测时界的变化而变化，虽然没有哪种模型在所有情况下都是最优的，但具备异质性感知能力的方法始终优于静态模型和 LOCF 基准模型。

意义与主张
本文提出了两个主要贡献：

方法论创新： 它引入了一种计算高效、具备异质性感知能力的动态风险预测策略，将 LCMM 集成到地标范式中。这解决了在处理 EHR 数据时，对于能够考虑潜在群体结构的规模化方法的需求，克服了 JLCM 的计算瓶颈和传统地标法的同质性假设。
软件开发： landmaRk 包提供了一个标准化的、模块化的地标分析框架。通过将地标分析形式化为一个可互换组件的流水线，它促进了不同模型规范（如 LME 与 LCMM）的比较，并加速了动态风险预测策略的开发与可重复性。

作者强调，该方法在异质性较高且计算规模化至关重要的 EHR 环境中特别具有价值。他们指出，尽管必须指定类别数量（ $G$ ），但该方法在面对轻微的模型误设定时表现出了稳健性，且引入预测类别标签是捕捉有助于提高预后准确性的轨迹形状信息的关键机制。