Recurrent 二元结果的潜在时刻模型：贝叶斯与准分布方法

个体内部的 recurrent 二元结果（如住院再入院）往往反映随时间演变的潜在风险过程。常用方法如广义线性混合模型和广义估计方程只能估计平均风险，无法捕捉随时间变化的变异性、非对称性和尾部行为。我们引入两种统计框架，将每个二元事件建模为从由位置、尺度、偏度和峰度定义的时变潜在分布中抽取的阈值值。我们不将这些四个量当作非参数时刻估计量，而是将其建模为灵活潜在分布中的可解释潜在时刻。第一种方法是 BLaS-Recurrent，一种采用 sinh-arcsinh 分布（一种提供对非对称性和尾部重量显式控制的参数化分布族）来估计潜在时刻轨迹的贝叶斯模型；第二种方法是 QuaD-Recurrent，一种将模拟的时刻向量映射到事件概率的准分布方法。两种模型均支持时变协变量、序列相关性和多成员结构。模拟研究表明，这两种方法在校准性、可解释性和鲁棒性方面优于标准模型。应用于来自 MIMIC-IV 数据库的 ICU 再入院数据后，两种方法发现了潜在风险中右偏斜的升级和扩散变宽等临床上有意义的模式，这些模式传统方法无法捕捉。这些模型为健康领域的纵向二元结果提供了可解释的、分布敏感的工具，同时明确说明潜在“时刻”仅概括但不唯一确定底层分布。