基于部分线性转换模型的区间删失失效时间数据变点分析与治愈亚组识别研究

为解决临床研究中疾病风险在生物标志物阈值突变时的动态变化问题，来自国际生物统计学会的研究团队创新性地将变点分析引入区间删失(interval-censored)数据框架，通过部分线性转换模型(partly linear transformation model)结合Bernstein多项式与分段线性函数的筛估计(sieve estimation)方法，成功建立了包含治愈亚组(cured subgroup)的混合治愈模型(mixture cure model)，为乳腺癌等疾病的动态风险评估提供了新范式。

　　

在临床研究领域，当生物标志物突破特定临界值时，疾病风险往往会发生突变式变化——这种被称为"变点(change point)"的现象给传统生存分析带来挑战。针对同时存在区间删失(interval-censored)数据和治愈亚组(cured subgroup)的复杂场景，研究者构建了革命性的分析框架：将部分线性转换模型(partly linear transformation model)嵌入混合治愈模型(mixture cure model)，采用Bernstein多项式逼近非线性成分，配合分段线性函数捕捉变点效应。

通过创新的筛估计(sieve estimation)方法，该研究不仅实现了模型参数的精准估计，还开发出自适应算法自动识别变点数量与位置。理论分析证实了估计量的渐近性质，模拟研究验证了方法在有限样本下的优越性能。更引人注目的是，这套方法在乳腺癌临床数据中成功捕捉到肿瘤标志物CA15-3浓度阈值与生存风险的突变关系，为个体化治疗决策提供了量化依据。

这项研究首次将变点分析、治愈亚组建模与区间删失数据处理三大难点有机整合，开发的半参数(semiparametric)估计框架既保留了参数模型的解释性，又具备非参数方法的灵活性，为复杂医学随访研究开辟了新途径。