左截断与区间删失竞争风险数据中事件类型缺失的灵活建模方法及其在HIV/AIDS研究中的应用

本研究针对临床队列研究中常见的左截断(Left-truncated)和区间删失(Interval-censored)竞争风险数据(Competing risks data)中事件类型缺失的问题，提出了一种基于半参数广义优势率转换模型(Semiparametric generalized odds rate transformation models)的两阶段估计方法。研究团队通过构建增强逆概率加权似然函数(AIPW)，结合Bernstein多项式逼近技术，有效解决了传统方法在存在选择偏差和缺失数据时的局限性。该方法在阿姆斯特丹HIV感染队列数据的应用中，成功量化了病毒表型转换(SI phenotype)与艾滋病(AIDS)发展的风险关联，为复杂生存数据分析提供了新的方法论工具。

　　

在艾滋病(HIV/AIDS)临床研究中，一个长期困扰学者的问题是如何准确评估病毒表型转换——即HIV病毒从非合胞体诱导型(NSI)转变为合胞体诱导型(SI)这一关键生物学事件的发生风险。由于研究对象往往是在感染后不同时间点入组的血清阳性患者，导致数据存在左截断现象；而定期随访的观察模式又使得事件发生时间只能被记录在两次检查间隔内，形成区间删失数据。更复杂的是，部分患者可能因各种原因缺失关键的事件类型信息，传统竞争风险分析方法对此类复杂数据结构往往束手无策。

针对这一方法论挑战，新加坡的研究团队在《Computational Statistics》发表创新研究，开发了一套灵活的半参数建模框架。研究以阿姆斯特丹同性恋男性HIV感染队列数据为实证基础，该队列在1984-1985年间招募了已知HIV感染者，定期监测SI表型转换和AIDS发病情况。团队采用两阶段策略：首先通过参数/非参数方法估计事件类型缺失概率，随后构建包含完整病例和缺失病例信息的增强逆概率加权似然函数，并引入Bernstein多项式处理基线累积发生率函数的非参数估计问题。

Notation and Model Assumptions
研究定义了K类竞争事件下的观测数据结构，考虑左截断时间A
与事件时间T
的独立性假设，建立了基于协变量Z的广义优势率转换模型，该模型囊括了Fine-Gray模型和比例子分布优势模型等特例。

Likelihood and Two-stage Estimation Procedure
通过分解包含截断概率的似然函数，提出两阶段估计：第一阶段利用随机缺失(MAR)假设估计事件类型响应概率；第二阶段最大化加权似然函数获得回归系数估计。理论证明该估计量具有渐近正态性和相合性。

Predictive Performance Assessment
针对区间删失和左截断特点，构建基于逆概率加权的 concordance index (C-index)，为模型判别能力评估提供新标准。模拟显示该指标在存在20%事件类型缺失时仍保持稳定。

Simulation Studies
在两组协变量情境下，比较了所提方法与完整数据分析的效率损失。当事件类型缺失率为30%时，回归系数估计的相对偏差仍小于5%，验证了方法的稳健性。

An Application
应用于真实HIV队列数据分析发现，CD4⁺
细胞计数每降低100 cells/μL，SI表型转换的累积发生率将显著增加1.38倍(95%CI: 1.12-1.71)，而年龄因素仅在AIDS进展中显示统计学意义。

这项研究的重要意义在于首次系统解决了左截断和区间删失竞争风险数据中事件类型缺失的联合建模问题。方法论创新体现在：1) 通过AIPW技术有效整合不完整病例信息；2) 采用Bernstein多项式提升计算效率；3) 开发适用于复杂删失结构的预测评估指标。实际应用价值在于为HIV疾病进展研究提供了更精准的风险量化工具，其建模框架也可扩展至癌症、心血管疾病等多终点事件研究领域。研究团队特别指出，未来工作将探索非随机缺失机制下的扩展方法，以应对更复杂的真实世界数据场景。