混合效应隐马尔可夫模型（Mixed-Effects Hidden Markov Model, MEHMM）模拟哮喘患者呼气峰流量及量化治疗效果

《CPT: Pharmacometrics & Systems Pharmacology》：Modeling Peak Expiratory Flow in Patients With Asthma and Quantifying Treatment Effects Using a Mixed-Effects Hidden Markov Model

　　

摘要：哮喘及慢性阻塞性肺疾病（Chronic Obstructive Pulmonary Disease, COPD）的临床试验常以急性加重（exacerbation）风险作为主要终点。然而，急性加重事件发生率较低，导致临床试验周期长、成本高昂。家庭肺量测定（home-measured spirometry）日益普及，提供了替代评估方案，此前已被用于缩短所需试验周期。本研究开发了一种混合效应隐马尔可夫模型（Mixed-Effects Hidden Markov Model, MEHMM）用于分析家庭测得的呼气峰流量（Peak Expiratory Flow, PEF），该模型结合观测模型与代表高、低PEF持续期的双状态潜疾病过程。研究人员实施了一套推断框架，以估计固定效应、随机效应及不确定性度量。研究利用velsecorat治疗哮喘的2b期剂量探索研究数据考察剂量-反应关系，并辅以广泛的模拟研究。结果表明，参数估计可靠，并在多个模型组分上识别出具有统计学显著性的治疗效果。这些发现支持利用潜疾病状态模型从家庭肺量测定数据中提取有意义的信息。

论文解读：混合效应隐马尔可夫模型模拟哮喘患者呼气峰流量及量化治疗效果

研究背景与意义

在哮喘及慢性阻塞性肺疾病（COPD）等呼吸系统疾病中，肺功能变异性与急性加重风险密切相关。传统晚期临床试验常以急性加重事件为主要终点，但此类事件发生率低，导致试验漫长且昂贵。随着家庭肺量测定（home-measured spirometry）的普及，高分辨率的呼气峰流量（PEF）数据成为可能，为缩短试验周期提供了新思路。现有的CompEx等复合终点虽能增加事件数，但仍多依赖预设阈值。本研究旨在探索能否从个体PEF时间序列中，通过数据驱动的方式识别离散的、持续的病情恶化状态，从而更精细地量化治疗效果。该研究发表于《CPT: Pharmacometrics & Systems Pharmacology》。

主要关键技术方法

研究人员采用混合效应隐马尔可夫模型（MEHMM）框架，设定双隐状态（高PEF与低PEF）代表疾病持续期。个体参数通过对数或Logit变换后，以协变量（剂量）线性叠加随机效应建模。推断采用修正的随机近似期望最大化算法（SAEM），结合马尔可夫链蒙特卡洛（MCMC）采样与Viterbi算法解码最似然隐状态路径，标准误通过Louis公式估计Fisher信息矩阵获得。验证部分先进行大规模模拟研究（200次重复，对照真值评估偏差、覆盖度等），再应用于一项velsecorat治疗哮喘的2b期临床试验（NCT03622112，含5个活性剂量组与安慰剂，12周家庭早晚PEF监测）。剂量-反应关系先后尝试分类（ANOVA式）、常数、线性及Emax模型，模型间以AIC与R2比较。

研究结果

3.1 模拟研究

研究人员模拟了与真实试验规模相当的数据集（每组n=50，长度T=84），设定分类治疗效应。参数估计的95%置信区间覆盖度达91%–97%，平均94%。群体参数估计偏差低，标准误与重复模拟的估计变异吻合。个体经验贝叶斯估计（EBE）与真值差异较小（转移概率约-10%至-12%），Viterbi算法解码的隐状态平均准确率达98.9%。部分短程状态切换难捕捉，转移概率的EBE存在一定收缩（shrinkage），但整体证明SAEM框架下MEHMM的参数与状态推断可靠。

3.2 临床试验数据应用

先将治疗以分类指示变量引入模型（探索性模型），发现多个活性剂量组在PEF跌落幅度（drop参数_Δ）、态内变异（_σ）及低→高PEF转移概率（_q21）上较安慰剂有显著效应，而高PEF均值（_μ1）与高→低转移（_q12）未现明显剂量效应。随后简化模型，对_Δ与_σ拟合Emax模型，对_q21设常数效应。最高剂量（720?μg）下，低PEF内变异降至25.4(24.5,27.4)，_q21升至0.043(0.037,0.050)，跌落比例_π微升至0.900(0.895,0.905)，高PEF均值不变。混合剂量-反应模型AIC优于无效应与纯分类模型，预测PEF与观测值R2良好。个体EBE显示转移概率收缩较高（66%与57%），随机效应分布以零为中心。

讨论与结论总结

讨论部分指出，修正SAEM结合的MEHMM能稳定估计固定与随机效应，隐状态路径经Viterbi解码总体可信。临床试验应用中，治疗显著提升低PEF态的稳定性（更高_q21、更低_σ）并减轻恶化跌落（更高_π），但未显著影响高PEF均值，可能与安慰剂组脱落导致的知情删失及假设即时起效有关。为限制由离群值驱动的瞬时跳变，研究约束转移概率上限为0.5并暂设随机效应独立；实际EBE间存在中度相关（_μ1,_π,_σ），未来可放宽协方差结构。Emax曲线复现分类估计但ED₅₀标准误大，因剂量梯度未充分覆盖陡段，仍被AIC优选。未来可引入自回归观测、时滞药效（turnover）及整合症状与急救药使用等多模态数据，并可联合脱落风险模型处理知情删失。

研究结论翻译

本工作将适配观测为MEHMM的SAEM算法应用于家庭测得PEF分析。研究人员建立双态高斯MEHMM，以潜在离散疾病态模拟哮喘患者家庭肺量测定，并将治疗效果嵌入模型参数。模拟验证表明推断方案能低偏倚估计群体与个体参数，Viterbi解码隐路径可靠。应用于velsecorat的2b期试验数据显示，跌落幅度、态内变异及低→高转移概率具显著剂量效应，隐态动态与临床预期一致。尽管高PEF均值未显治疗差，部分受脱落与瞬时起效假设影响。结果证明，以潜时间依赖离散疾病态变量建模家庭PEF、并在参数中纳入治疗效应具备潜力；若要将此模型支持临床决策，后续需确认所估治疗效应是否与急性加重或CompEx等临床终点关联。