基于功能潜特质联合模型的帕金森病多变量纵向结局动态预测研究

《Statistics in Medicine》：Dynamic Prediction Using Functional Latent Trait Joint Models for Multivariate Longitudinal Outcomes: An Application to Parkinson's Disease

本研究针对帕金森病（PD）多类型纵向数据整合与终点事件联合建模的难题，提出了功能潜特质联合模型（FLTM-JM）。该模型通过非参数函数型回归框架，实现了对协变量与患者结局动态关系的灵活建模，并基于PPMI数据库的MDS-UPDRS数据验证了其在个体化预后预测中的临床价值，为精准医疗决策提供新工具。

　　

帕金森病（Parkinson's Disease, PD）作为一种进行性、多面向的神经系统疾病，其研究需要整合包括连续型、等级型和二元型在内的多类型纵向数据，以全面理解症状进展与疾病轨迹。鉴于严重残疾或死亡等显著终点事件的存在，亟需能够同步处理多变量结局与时间-事件数据的联合建模方法。

研究人员开发了功能潜特质模型-联合模型（Functional Latent Trait Model-Joint Model, FLTM-JM），这是一种基于功能潜特质模型（FLTM）的新型联合建模框架，用于共同分析多变量纵向数据和生存结局。其中，FLTM组件利用非参数性的函数对标量回归（function-on-scalar regression）框架，能够灵活地模拟协变量与患者结局随时间推移的复杂关系。

这一联合建模方法支持动态的、个体特异性的预测，为个性化治疗策略提供了宝贵见解。应用至帕金森病进展标志物倡议（Parkinson's Progression Markers Initiative, PPMI）中的运动障碍学会统一帕金森病评定量表（Movement Disorder Society Unified Parkinson's Disease Rating Scale, MDS-UPDRS）数据后，该模型有效识别了关键协变量的影响，并展示了动态预测在临床决策中的实用性。大量的模拟研究验证了FLTM-JM的准确性、鲁棒性和计算效率，即使在模型设定存在错误的情况下也表现稳定。