纵向数据伴随终末事件联合模型：融合时变系数、剩余寿命效应与删失数据

《Axioms》：A Joint Model for Longitudinal Data with Terminal Event: Integrating Time-Varying Coefficients, Residual Life Effects, and Censored Data

　　

在纵向研究中，死亡等终末事件通常会中止数据采集，且患者在接近终末事件时可能表现出显著变化。现有方法面临三个相互关联的挑战：解释剩余寿命对纵向响应的效应、处理时变协变量与时变系数，以及保留删失个体的信息。研究人员提出一种联合模型，在统一似然框架下应对这些挑战。纵向子模型包含显式剩余寿命效应g(Ti?t,ξ)、时变协变量Xi(t)与时变系数β(t)，并共享随机效应。针对g(·)考虑了指数衰减与高斯核两种设定。生存子模型依赖于潜状态mi(t)=Xi(t)?β(t)+Zi(t)?bi。系数函数由B样条（B-splines）逼近，完整观测数据似然通过数值最大化求解，随机效应积分采用高斯-埃尔米特求积（Gauss–Hermite quadrature）计算。在给定正则条件下，研究人员建立了有限维参数的一致性、√n渐近正态性以及时变系数函数的筛收敛速率。模拟研究证实对系数函数与剩余寿命函数的准确恢复。在MADIT（Multicenter Automatic Defibrillator Implantation Trial）应用案例中，植入型心律转复除颤器（ICD）拟合风险比为0.433，剩余寿命效应表明在死亡前约三周医疗费用上升。

研究背景方面，纵向随访研究中死亡等终末事件会终止数据采集，且个体在临近终末事件时纵向指标常出现非线性急剧变化。传统联合模型（Joint Model）多假设协变量效应固定、忽略剩余寿命（Residual Life，T_i?t）对纵向轨迹的直接作用，并在处理时变协变量、时变系数及删失个体信息利用上存在不足。为同时解释剩余寿命效应、容纳时变结构并充分利用删失样本信息，研究人员开展本研究，提出统一似然框架下的纵向-生存联合建模方法，论文发表于《Axioms》。

关键技术方法上，研究人员构建含显式剩余寿命项g(T_i?t,ξ)的纵向子模型，纳入时变协变量X_i(t)与时变系数β(t)及共享随机效应b_i；生存子模型以潜状态m_i(t)=X_i(t)^?β(t)+Z_i(t)^?b_i为协变量。g(·)采用指数衰减或高斯核形式。时变系数以B样条（B-splines）展开近似，完整观测数据似然经数值优化最大化，随机效应积分由高斯-埃尔米特求积（Gauss–Hermite quadrature）近似。理论部分在正则条件下推导有限维参数一致性、√n渐近正态性与时变函数筛收敛速率。实证包括模拟研究及MADIT（Multicenter Automatic Defibrillator Implantation Trial）队列应用。

研究结果部分，摘要指出模型在统一似然下整合三类挑战。模拟研究显示系数函数与剩余寿命函数均被准确恢复，验证方法辨识力。MADIT应用结果表明，植入型心律转复除颤器（ICD）植入的拟合风险比（Hazard Ratio）为0.433，剩余寿命效应估计显示在死亡前约三周医疗费用出现上升，说明终末事件前医疗消耗加速。

讨论与结论部分，研究人员强调所提联合模型在不放弃删失个体信息的前提下，显式刻画剩余寿命对纵向响应的影响，并允许时变系数灵活建模。理论性质完备，模拟与真实数据分析支持其有限样本表现。该框架可推广至其他带终末事件的纵向随访场景，为临床费用、症状轨迹与生存关联提供量化工具。

作者结论译文：研究人员提出一种面向带终末事件纵向数据的联合模型，在统一似然框架内融合时变系数、剩余寿命效应g(T_i?t,ξ)与删失信息处理；纵向子模型共享随机效应，生存子模型依赖潜状态m_i(t)，系数由B样条逼近并以高斯-埃尔米特求积积分随机效应。在正则条件下获得一致性、√n渐近正态性及筛收敛速率。模拟证实函数恢复准确，MADIT数据显示ICD风险比0.433且死前约三周费用上升，证明方法在理论与应用上的有效性。