Extending the saemix package for R to fit non Gaussian outcomes

在临床研究领域，科学家经常追踪人们随时间变化的情况。他们可能会测量血液中的激素水平、统计患者感到疼痛的次数，或者记录是否发生了特定事件（如住院）。这些测量不仅仅是单一的快照；它们是一个跨越数天、数周或数年的故事。为了理解这个故事，研究人员使用了一种称为非线性混合效应模型（non-linear mixed-effect models）的统计方法。可以将这想象成绘制一条单一且平滑的曲线，代表整个群体的平均旅程，同时同时也承认每个个体所走的路径略有不同。有些人康复得快，有些人慢，有些人会经历他人并未出现的副作用。挑战在于，当被追踪的数据不遵循简单的钟形模式时，问题就会出现。虽然许多生物学测量符合这种平滑曲线，但其他一些则不然。事件计数、“是或否”的回答，或直到事件发生的时间，都会产生锯齿状、不规则的数据，传统的工具难以对其进行解释。

多年来，研究人员拥有处理平滑、钟形数据的强大软件，但处理不规则、锯齿状数据的工具要么昂贵、对公众封闭，要么难以使用。由 Emmanuelle Comets、Maud Delattre 和 Belhal Karimi 领导的研究小组致力于通过扩展一个名为 saemix 的免费开源软件包的功能来改变这一现状。saemix 最初是为连续性测量设计的，现在它已升级，能够处理以计数、类别和生存时间形式呈现的杂乱、现实世界的数据。研究人员不仅构建了这个工具，还针对复杂的场景对其进行了严格测试，以确保它能从噪声中找到隐藏的真实答案。他们的工作为科学家提供了一种新的、可获取的方式来模拟从感染传播到酒精相关问题的频率等各种情况，确保在寻找普遍平均值的过程中，个体患者的独特模式不会丢失。

这项工作的核心在于该软件使用的算法，即 SAEM 算法。想象一下，你正试图在一片广阔且多雾的山脉中寻找最高点。你无法一次看清整个景观，而且地面也是崎岖不平的。SAEM 算法是一种逐步探索这种地形的方法。它从一个猜测开始，模拟可能的路径，然后根据从这些模拟中学习到的信息来优化其猜测。它重复这个过程，越来越接近真实的顶峰，而这个顶峰代表了对数据的最准确描述。研究人员扩展了这种方法，使其能够应对非高斯数据（即不遵循标准钟形曲线的数据）的锯齿状高峰和谷底。这包括二元数据，即结果仅为“是”或“否”，例如是否存在趾甲感染。它还涵盖了计数数据，例如患者报告特定症状的次数，以及时间-事件数据，用于追踪某事发生所需的时间，例如疾病的复发。

为了证明其扩展有效，团队将更新后的软件应用于现实世界的数据集。其中一个案例涉及一项比较两种治疗真菌性趾甲感染疗法的临床试验。在这项研究中，294 名患者在近一年的时间里接受了监测，并在七次随访中检查了感染状况。其结果是二元的：要么趾甲痊愈，要么未痊愈。研究人员使用 saemix 来模拟感染随时间愈合的过程，以及哪种治疗效果更好。他们发现，该软件能够准确估计感染缓解的速率和治疗效果，其结果与之前使用其他更昂贵软件的研究结果相吻合。这是一个重要的验证，表明该开源工具可以处理医疗试验中的复杂性，即患者对同一疗法的反应各不相同。

另一个测试案例涉及一项关于大学生酒精相关问题的研究。该数据集包含了数千次关于学生每六个月报告多少问题的重复测量。数据非常棘手，因为大量学生在许多时间点都报告零个问题，这在图表底部产生了一个巨大的峰值，而其他人则报告了不同数量的问题。标准模型在处理此类数据时往往会失败，因为它们无法轻易区分那些从未有问题的人和那些偶尔有问题的人。研究人员使用 saemix 对这些计数数据拟合了三种不同类型的模型。他们发现，专门设计用于处理过量零值的模型（如零膨胀泊松模型）比标准模型提供了更好的拟合效果。该软件成功捕捉到了问题数量随时间减少的事实，以及男性倾向于报告略多问题的现象，同时还考虑了学生个体之间的独特变异性。

为了绝对确保软件的可靠性，团队并未止步于现实世界的案例。他们创建了一个模拟研究，本质上是生成了数千个预先知道确切答案的虚假数据集。他们将这些已知场景输入到 saemix 中，以观察软件是否能找回真实值。在处理二元数据的情况下，软件表现异常出色，找回真实参数时的误差极小。即使在引入更多复杂性（允许个体在变化速率上的差异）时，软件依然保持稳定。研究人员还测试了计算过程中的不同起始点，以确保结果并非仅仅是基于算法开始位置的偶然运气。这些模拟中结果的一致性使他们相信，该工具是稳健且可供其他科学家使用的。

论文还讨论了衡量不确定性的一个实际局限性。在统计学中，知道答案是不够的；研究人员需要知道他们对该答案有多大的信心。对于标准数据，通常使用一种效果良好的公式来计算。然而，对于本文关注的不规则数据类型，该标准公式往往会给出误导性的结果。研究人员发现，另一种称为自助法（bootstrapping）的方法效果要好得多。这种方法涉及多次对数据进行重采样，以观察结果的变化程度。他们证明了在 saemix 中使用这种重采样技术可以提供更准确的不确定性图景，从而确保当研究人员声称某种治疗效果具有显著性时，该主张是有扎实证据支撑的。

在整个工作中，作者强调了灵活性。更新后的 saemix 包允许用户定义自己的似然函数（likelihood functions），即描述特定数据出现可能性的数学规则。这意味着如果研究人员遇到一种新的数据类型或独特的生物过程，他们不会被限制在预设的模型中。他们可以编写适用于自己情况的规则，而软件将处理繁重的计算工作。这种灵活性是商业软件的一大优势，因为后者通常将用户限制在固定的模型集中。团队还改进了包内的可视化工具，允许研究人员创建清晰的图表来展示模型的拟合程度，帮助他们发现任何弱点或改进领域。

这项工作的意义超越了代码本身。通过使这些先进的建模技术免费可用且易于使用，研究人员正在降低想要分析复杂纵向数据的科学家的门槛。无论是追踪慢性疾病的进展、评估公共卫生干预措施的效果，还是理解生物系统的动态，准确模拟非标准数据的能力都至关重要。论文总结道，saemix 现在是一个强大的、完全开源的工具，能够处理各种类型的数据。尽管仍存在一些局限性，例如在软件内部处理复杂微分方程的难度，但这一扩展标志着一个重要的进步。它为科学界提供了一个可靠、透明且灵活的选择，确保隐藏在不规则数据中的故事最终能够得到清晰且精准的讲述。