《Journal of Applied Statistics》:Controlling FDR in selecting group-level simultaneous signals from multiple data sources with application to the National COVID Collaborative Cohort data
编辑推荐:
本文提出一种广义同步敲除(GS knockoff)新方法,解决多源异构数据中组水平变量选择的假发现率(FDR)控制难题。该方法通过构建组级别敲除变量,在保持类型异质性(连续/分类变量混合)的前提下,实现对全基因组关联研究(GWAS)和电子健康记录(EHR)等场景下风险因素的精准筛选。在N3C长新冠(long COVID)多中心数据验证中,成功识别年龄、肥胖、慢性肺病等6个稳定风险因子,为跨中心医疗数据整合分析提供统计可靠性保障。
引言
随着生物医学研究中多源数据整合需求的增长,从多个独立数据集中识别稳定关联信号成为重要挑战。美国国家新冠协作队列(N3C)整合了83个数据贡献站点(DCS)的电子健康记录(EHR),为长新冠(long COVID)风险因素研究提供了宝贵资源。但各站点数据在变量类型(连续/分类)、记录方式和质量上存在显著异质性,传统合并分析或简单交集策略难以保证统计可靠性。
方法创新
本研究提出广义同步敲除(GS knockoff)框架,通过三步核心流程实现组水平同步信号的FDR控制:
- 1.
组敲除变量构建:针对每个数据集生成与原始变量组相关性结构一致但独立于响应变量的敲除副本,支持混合类型变量组(如肥胖指标可同时包含BMI连续变量和肥胖等级分类变量)
- 2.
联合检验统计量计算:采用差值函数W=⊙k=1K[Zk-Z?k]聚合多数据集信息,其中Zk为原始变量重要性得分,Z?k为敲除副本得分
- 3.
自适应阈值筛选:通过knockoff+过滤器控制组水平FDR,满足E[|S?∩H|/(|S?|∨1)]≤q的严格误差控制
方法突破体现在三个方面:第一,兼容Fixed-X(设计矩阵固定)和Model-X(预测变量分布已知)两种敲除框架,适用于线性模型、逻辑回归等广义设定;第二,通过序贯组敲除构造算法处理组内混合数据类型,如糖尿病指标可同时包含血糖(连续)和糖尿病分类(分类)变量;第三,理论证明在有限样本下可精确控制修改后的组FDR(mFDRgroup)。
仿真验证
通过多场景模拟验证方法有效性:
- •
同质设置(K=3-5个数据集):在混合模型(连续/二分类响应变量)中,GS knockoff在信号稀疏度(s0)、组内相关性(ρ)等参数变化下均保持FDR≤0.2,功率稳定在0.8以上
- •
异质设置(K=4个数据集):各站点样本量(nk)、变量类型(A站仅连续变量,B站含分类变量)不同时,方法仍保持稳健性
- •
罕见信号场景:当真实信号比例降至5%时,GS knockoff功率(0.91)显著优于Intersection方法(0.72),且FDR控制严格满足理论要求
与Pooling(合并数据)、Intersection(交集筛选)等策略相比,GS knockoff在存在非互斥信号时优势明显。例如当某风险因子仅在3/4个站点出现时,Intersection方法FDR膨胀至0.35,而GS knockoff仍稳定控制在0.19。
N3C数据实证
应用N3C中4个站点的11,797例患者数据,识别长新冠的组水平风险因素:
- •
数据特性:站点A1/A2使用U9.09诊断代码,站点B1/B2采用临床访视指标,37组预测变量包含人口统计学、合并症(如肥胖、糖尿病)等混合类型变量
- •
发现信号:在FDR<0.2水平下识别6个稳定风险因素,包括年龄(OR=1.32)、肥胖(OR=1.28)、系统性皮质类固醇使用(OR=1.45)、抑郁症(OR=1.51)、慢性肺病(OR=1.39)以及新冠住院期间皮质类固醇用药(OR=1.42)
- •
敏感性分析:加入10个置换变量作为阴性对照,GS knockoff零误选,验证错误发现控制有效性
讨论与展望
该方法在多中心医学研究中具有广泛应用前景,其优势体现在:第一,仅需交换摘要统计量,符合医疗数据隐私保护要求;第二,允许各站点采用不同模型(如线性回归、逻辑回归),适应真实世界数据异质性;第三,计算效率支持在线更新,新站点数据可增量整合。未来方向包括拓展至样本重叠数据集、开发更高效的组敲除抽样算法,以及在临床试验异质性分析中的应用。