基于贝叶斯的预valence-发病-治愈模型用于估计电子健康记录中的生存率
统计方法学
2026-02-03 v1 应用统计
摘要
可以从电子健康记录（Electronic Health Records, EHR）中提取回溯性队列，以研究患病率、疾病或事件发生的时间以及治愈比例。然而，EHR是为患者护理而非研究而收集的，通常具有复杂性，例如存在缺失基线疾病状态的患者。预valence-发病（Prevalence-Incidence, PI）模型已提出，用于account于这种缺失数据，但在某些个体永远不会经历终点（即“治愈”）的情形下，PI模型会受到偏差。为此，我们提出了预valence-发病-治愈（Prevalence Incidence Cure, PIC）模型，这是一个三组分混合模型，将PI模型框架与治愈模型结合。我们的PIC模型使我们能够估计预valence、发病时间和治愈比例，并且允许协变量影响这些参数。我们采用贝叶斯推断方法，关注先验的可解释性。在模拟研究中，我们表明PIC模型对于生存概率的偏差小于PI模型；并比较在含糊先验、信息性先验和误指定先验下的推断。我们使用1964名接受糖尿病水肿病治疗的患者数据集进行建模，展示了PIC模型拟合优于PI模型。
引用
@article{arxiv.2602.00291,
title = {A Bayesian Prevalence Incidence Cure model for estimating survival using Electronic Health Records with incomplete baseline diagnoses},
author = {Matilda Pitt and Robert J. B. Goudie},
journal= {arXiv preprint arXiv:2602.00291},
year = {2026}
}
备注
29 pages, 2 figures