事件序列中转移时间的学习：基于事件的疾病进展隐马尔可夫模型

进展性疾病随时间恶化，其特征是追踪疾病进展的特征发生单调变化。在此，我们将两种以往独立的方法论——基于事件和隐马尔可夫建模——的思想联系起来，推导出一种疾病进展的新生成模型。我们的模型能独特地从有限数据集中推断出最可能的组级事件序列与时机（自然史）。此外，即使数据缺失，它也能推断并预测个体级轨迹（预后），使其具有很高的临床效用。在此我们推导该模型并提供基于期望最大化算法的推断方案。我们使用来自阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative）的临床、影像和生物流体数据来证明我们模型的有效性与实用性。首先，我们训练模型以揭示阿尔茨海默病在约 17.3 年内的新组级特征变化序列。接下来，我们证明相比连续时间隐马尔可夫模型，我们的模型在受试者工作特征曲线下面积上提高了约 0.23。最后，我们证明即使多达 50% 数据缺失，我们的模型仍保持预测精度。这些结果支持我们模型的临床有效性及其在资源有限医疗应用中的更广泛效用。