Functional forms in joint models for longitudinal and time-to-event data: A practical guide with application and interpretation
本文提供了一份实践指南，通过对应用于胶质母细胞瘤临床试验数据的各种关联结构的对比分析，证明了在纵向与生存时间数据联合模型中，函数形式的选择是一个至关重要的建模决策，它从根本上塑造了生物标志物与风险之间关联性的解释。
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
在现代医学领域，医生经常追踪患者多年的变化，观察其血液或组织中特定数值的日日变化。这些被称为生物标志物的数值，讲述了一个关于疾病如何演变的故事。与此同时，研究人员正试图理解患者何时可能面临严重的健康事件，例如复发或死亡。长期以来，科学家们将这两个故事分开对待：一个关于数值变化的故事，另一个关于事件发生时机的故事。但实际上，这两个故事是深度交织在一起的。患者面临不良结局的风险不仅取决于他们现在的数值是多少，还取决于他们是如何达到这个数值的。数值是在数月内缓慢上升的，还是在上周突然飙升的？数值是剧烈波动，还是保持稳定？理解这一旅程的精确形状对于预测未来至关重要，然而，如何将复杂的医疗史转化为风险预测，一直是一个困难的难题。
一个研究小组致力于通过创建一个实用的指南来解决这个难题，即如何将这两个故事连接起来。他们专注于一种被称为“联合模型”的特定统计工具，该工具旨在同时观察重复测量值和生存时间。他们工作的核心并非发明新的数学公式，而是明确如何选择观察数据的正确“透镜”。他们认为，研究人员决定如何将生物标志物的历史与患者风险联系起来的方式，是一个关键的科学选择，而非仅仅是一个技术细节。如果选择了错误的透镜，所得出的关于疾病驱动因素的结论可能会产生误导。为了证明这一点，他们将该指南应用于一项涉及一种名为胶质母细胞瘤（一种类型的脑癌）患者的大型临床试验的真实数据。他们使用了白细胞计数——衡量免疫功能的一项标准指标——来展示观察相同数据的不同方式如何导致对患者风险产生不同且有时相互矛盾的理解。
研究人员确定了几种描述患者生物标志物历史的不同方式，每种方式都捕捉了其医疗旅程的不同方面。最常见的方法仅仅观察生物标志物在任何给定时刻的当前水平。它询问：“现在的白细胞计数是多少？”并假设这单一的数值决定了风险。然而，该团队表明，这种视角忽略了更宏大的图景。两名患者在特定日期的白细胞计数可能完全相同，但其中一人可能在数周内稳步上升，而另一人则在下降。如果这种变化的速率很重要，那么简单的当前水平视图就无法区分他们。
为了解决这个问题，研究人员探索了更具动态性的透镜。一种方法观察变化的速率，即“速度”，询问生物标志物在此时此刻是在攀升还是在下降。另一种方法观察“加速度”，即速度变化的快慢，从而捕捉上升是在加速还是在减速。他们还研究了“累积方法”，即观察患者在一段时间内的总暴露量。这就像计算曲线下的总面积，代表了数月或数年间疾病带来的负担，而不仅仅是一个快照。他们还测试了关注特定窗口期内（例如过去三十天）近期变化的方法，以观察近期的恶化是否比长期趋势更危险。最后，他们研究了“变异性”，即测量患者的数值围绕其平均值的波动程度。一个数值剧烈波动的患者可能比一个具有相同平均值但曲线平稳的患者面临更高的风险，因为这种不稳定性可能预示着身体正在挣扎着进行自我调节。
当团队将这些不同的透镜应用于脑癌试验的数据时，结果强调了所选方法的重要性，尽管统计证据往往具有不确定性。当他们仅观察当前的白细胞计数时，与生存率的联系暗示了一种可能的正相关，但由于置信区间包含零，因此存在相当大的不确定性。同样，当他们观察累积暴露量（即白细胞随时间推移的总负担）时，其关联具有统计学意义，但效应的大小需要仔细解读。在其他情况下，观察变化率或变异性提供了不同的数值估计，但这些度量的宽泛置信区间表明，在该特定数据集中存在显著的不确定性和对明确关联的微弱证据。研究发现，这些不同的函数形式是不可互换的；它们测量的是不同的生物学现实。一个模型中的大数值并不意味着另一个模型中的大数值具有相同的含义，因为它们测量的是不同的东西，例如当前水平与总历史记录。
研究人员强调，不存在一种单一的“最佳”方式来连接这些数据点。正确的选择完全取决于所提出的生物学问题。如果一种疾病是由突然的飙升驱动的，那么观察当前水平可能是最好的；如果它是由长年的暴露驱动的，那么累积测量是必要的；如果系统的稳定性才是危险所在，那么测量变异性就是关键。论文结论指出，研究人员必须仔细将其统计选择与对疾病的科学理解相对齐。通过将“如何连接数据”这一选择视为科学探究的基本组成部分，而非一个隐藏的技术步骤，医生和科学家可以避免得出误导性的结论。这种清晰度确保了当模型预测患者风险时，它是基于患者健康史中真正重要的特定特征，从而实现更准确的预测和更好的护理。
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。