基于群层异质性的面向自适应邻域聚类的惩罚似然优化
统计计算
2026-01-13 v1 应用统计
摘要
识别具有可比较事件风险动力学的患者亚群是支撑临床研究中知情决策的关键。在此类情境下，重要的是要account for当个体嵌套于更高层次单位（如医院）时所产生的内在依赖性。现有的生存模型通过frailty 项来考虑群层异质性，但未揽示潜在患者亚群；而大多数聚类方法忽略了层次结构，且未与生存结果联合估计。在本工作中，我们引入了一种新框架，通过惩罚似然方法同时执行患者聚类和共享-frailty 生存建模。所提出的方法通过修改的谱聚类适应性学习患者间相似度矩阵，从而在考虑群体成员身份的同时，直接从估计的风险概况中实现聚类形成。模拟研究表明，所提模型能够恢复潜在聚类，并正确估计风险参数。我们将该方法应用于意大利罗马巴地区2020至2021年因新冠肺炎住院的心力衰竱患者大型队列，识别出由不同风险概况特征的临床上有意义的亚群，突显呼吸合并症和医院层次变异在塑造死亡结果中的作用。该框架为风险分层数据情境下的灵活且可解释的患者分层工具提供了支持。
关键词
引用
@article{arxiv.2601.07446,
title = {Penalized Likelihood Optimization for Adaptive Neighborhood Clustering in Time-to-Event Data with Group-Level Heterogeneity},
author = {Alessandra Ragni and Lara Cavinato and Francesca Ieva},
journal= {arXiv preprint arXiv:2601.07446},
year = {2026}
}