用于异质性患者亚组预测的加权 Cox 回归

临床医学中的一项重要任务，是基于基因表达数据等高分子量分子测量，为特定患者亚组构建风险预测模型。对高维数据建模的主要目标是良好的预测性能与特征选择，以找出真正与临床结局（如时间至事件终点）相关的预测因子子集。在临床实践中，该任务具有挑战性，因为患者队列通常较小，且预测因子与结局间的关系可能具有异质性。当可获得患有相同或相似疾病的若干患者亚组数据时，将其合并以增加样本量颇具吸引力，例如多中心研究。然而，亚组间的异质性可导致偏倚结果，且亚组特异性效应可能未被检出。针对此情形，我们提出一种带加权 Cox 偏似然的惩罚 Cox 回归模型，该似然纳入所有亚组患者，但依据其亚组归属分配个体权重。在亚组特定模型中，可能属于目标亚组的患者获得更高权重。我们提出的方法通过模拟与真实肺癌队列应用进行了评估。模拟结果表明，相较于标准方法，我们的模型可取得改进的预测与变量选择准确性。