Latent Class Trajectory Phenotypes of Longitudinal Visit and Follow-up Patterns Among Patients with Hypertension

技术摘要：高血压患者纵向就诊与随访模式的潜在类别轨迹表型

问题陈述
高血压管理高度依赖于持续的护理留存，然而长期的随访模式具有异质性，许多患者在早期便停止了就诊。传统的汇总指标（如总就诊次数）假设人群是同质的，无法捕捉到截然不同的纵向亚组。此外，电子健康档案（EHR）数据捕捉的是“观察到的接触”（留存情况），但无法直接衡量患者的参与度或用药依从性。目前存在一个关键的研究空白，即如何表征高血压就诊留存的具体轨迹，以及行政性删失（变量观察窗口）如何影响这些模式及其与血压控制等临床结局的关联。

方法论
作者利用来自 EvidenceNOW 质量改进计划的去标识化 EHR 数据进行了一项回顾性队列研究。

• 队列： 26,710 名具有高血压且至少有两次记录就诊的患者。
• 建模方法： 研究采用潜在类别轨迹模型（LCTM），在 Bernoulli 有限混合框架下对重复的二元就诊指标进行建模。与拟合多项式曲线的经典基于组的轨迹模型（GBTM）不同，该方法在每个时间间隔独立估计类别特定的出席概率，从而允许非参数化的灵活形状。
• 时间分辨率： 模型使用 1 个月间隔（主要模型）和 3 个月间隔（稳健性检查）在 36 个月的周期内进行拟合。
• 模型选择： 使用贝叶斯信息准则（BIC）和 GRoLTS 推荐指标（平均后验概率 [APP]、相对熵和正确分类概率 [OCC]）来确定潜在类别的数量 ($K$)。
• 验证： 通过 200 次自助法重采样通过调整兰德指数（ARI）评估稳定性。敏感性分析将队列限制在随访时间 $\ge$ 24 个月的患者，以评估行政性删失的影响。
• 统计分析： 使用多变量线性回归检查轨迹表型与治疗记录/血压控制之间的关联，并对年龄、性别、种族、基线血压和共病负担进行了调整。

核心贡献与结果

1. 识别出四种表型： 研究识别出四种内部可重复的观察到的 EHR 接触潜在类别，且在 1 个月和 3 个月的分辨率下保持一致：
   • 低观察随访（67–68%）： 在首次就诊后接触迅速下降，到第 27 个月趋于零。
   • 稳定低观察留存（12–18%）： 初期大幅下降，随后维持稳定的低概率出席（约 0.2）。
   • 观察就诊延迟下降（11–15%）： 在约 12–18 个月内保持中度接触，随后逐渐下降。
   • 持续观察留存（2–6%）： 在整个 36 个月期间保持持续的高接触概率。
2. 可重复性与稳定性： 四类别结构表现出极佳的自助法可重复性（平均 ARI 为 0.966–0.969）。1 个月和 3 个月模型之间的符合度对于极端组（低随访组和持续留存组）较高，但对于中间组较低，表明其对时间聚合具有敏感性。
3. 行政性删失的影响： 一个主要发现是 79.2% 的队列随访时间少于 24 个月，且删失现象高度集中在低接触组。研究得出结论，这些组观察到的接触下降很可能反映了行政性观察限制，而非确定的患者脱离医疗行为。四类别结构在针对 $\ge$ 24 个月随访患者的敏感性分析中依然存在，尽管分离度指标有所下降。
4. 临床关联：
   • 治疗记录： 与“低观察随访”组相比，高接触表型的治疗记录率始终显著更高，即使在调整了共病和人口统计学特征后也是如此。
   • 血压控制： 在调整变量后，轨迹组与血压控制之间的关联较小且不一致。“持续观察留存”组尽管显示出最大的首次至末次血压降幅，但在固定时间点（12、24、36 个月）并未实现最低血压。作者将其归因于差异化观察窗口长度带来的偏差；固定时间分析显示，各组间的绝对血压水平差异微乎其微。

意义与主张
本文声称，对二元就诊指标进行潜在类别轨迹建模，为表征高血压观察到的 EHR 接触模式提供了一个稳健的框架。研究强调，这些表型具有内部可重复性，但受行政性删失的影响显著，因此警告不要将其解释为确定的行为性脱离，除非经过进一步验证。

作者断言，观察到的接触轨迹与医疗过程指标（特别是治疗记录）的关联，比与绝对血压结局的关联更为紧密。他们认为，在配对分析中观察到的血压改善是由于观察窗口较长而产生的伪影，而非更优的治疗反应。因此，研究得出结论，虽然这些表型有助于识别具有不同留存模式的亚组，但其在风险分层或针对性干预方面的效用，需要未来的研究来区分行政性删失与真实的失访情况，并将这些轨迹与硬性心血管终点联系起来。本文并不声称这些表型目前已准备好用于临床实施，而是建立了一个用于未来探索的方法论基础。