基于多层反向联合模型的临床事件动态预测：用于混合类型的多变量纵向预测器
统计方法学
2025-05-27 v1
摘要
使用纵向数据进行时间-事件结果的动态预测在临床研究和实践中具有高度实用性。常见策略是对纵向数据和时间-事件数据进行联合建模。虽然已广泛研究了共享随机效应模型，但当涉及大量纵向预测变量，尤其是混合类型（连续和分类）变量时，其应用会遇到计算挑战。为解决这些限制，我们引入了一种新型的多层反向联合模型 (Multi-Layer Backward Joint Model, MBJM)。该模型结构由多个数据层组成，这些层通过一系列涉及纵向数据和时间-事件数据的条件分布进行协调集成，其中时间到临床事件是条件变量。该模型可使用标准统计软件进行估计，无论纵向预测变量的维度如何，都能实现快速稳健的计算。我们提供了理论和实证结果，表明MBJM 在充分考虑纵向特性的预测方面优于静态预测模型。在与共享随机效应联合模型的实证比较中，MBJM 在计算速度和鲁棒性方面表现出竞争力。仿真和来自原发性肝硬化研究的真实数据应用均使用了七个纵向生物标志物（其中五个为连续型，两个为分类型），超过了通常发表的联合建模问题的规模。
引用
@article{arxiv.2505.18768,
title = {Multi-Layer Backward Joint Model for Dynamic Prediction of Clinical Events with Multivariate Longitudinal Predictors of Mixed Types},
author = {Wenhao Li and Zhe Yin and Liang Li},
journal= {arXiv preprint arXiv:2505.18768},
year = {2025}
}