使用适用于多个数据流的多状态半马尔可夫模型来评估区间截尾终点的治疗效果

《Biostatistics》：Assessing treatment efficacy for interval-censored endpoints using multistate semi-Markov models fit to multiple data streams

利用多流（可能含间隔截断）数据构建半马尔可夫模型研究生物医学终点，在REGEN-2069试验中验证REGEN-COV降低无症状感染风险及病毒脱落持续时间，同时导致血清转化率下降。算法结合蒙特卡洛期望最大化与重要性采样，显著提升计算效率并支持复杂截断数据的半参数模型拟合。

　　

摘要

我们提出了一种计算效率高且通用的方法，该方法利用多个可能被区间删失的数据流，通过多状态半马尔可夫模型来研究复杂的生物医学终点。我们的应用案例是REGEN-2069试验，该试验研究了单克隆抗体组合REGEN-COV在高风险家庭中对个体进行预防性给药时对抗SARS-CoV-2的保护效果（PE）。通过分析症状出现时间、间歇性RT-qPCR检测结果和血清学检测数据，我们评估了REGEN-COV对无症状感染的保护效果、感染后的血清转化情况以及病毒排毒持续时间。研究结果表明，REGEN-COV降低了无症状感染的风险和病毒排毒持续时间，并减少了无症状感染者的血清转化率。我们用于将半马尔可夫模型拟合到区间删失数据上的算法采用了蒙特卡洛期望最大化算法，并结合了重要性抽样技术，有效解决了数据间歇性观测时边际似然函数难以处理的问题。与现有方法相比，我们的算法在计算效率上有了显著提升，并且即使在数据严重失真的情况下也能成功拟合半参数模型。