协变量特异性时间依赖性ROC曲线的惩罚样条估计

《Statistics in Medicine》：Penalised Spline Estimation of Covariate-Specific Time-Dependent ROC Curves

　　

摘要翻译：
在医学研究中，识别具有高预测准确性的生物标志物是一项关键任务，因为其有助于临床医生做出早期决策，从而降低高风险人群的发病率和死亡率。时间依赖性受试者工作特征（ROC）曲线是评估预后生物标志物对随时间演变结局的准确性的主要工具。考虑到在评估预后生物标志物准确性时需纳入患者异质性，研究人员引入了一种基于惩罚样条的新型时间依赖性ROC曲线估计量，该估计量可容纳协变量的潜在修饰效应。研究人员对给定协变量和生物标志物的事件时间风险函数，以及给定协变量的生物标志物位置-尺度回归模型均采用灵活模型，通过惩罚样条容纳非比例风险和非线性效应，从而克服了早期方法的局限性。模拟研究表明，该方法在多种情景下均能成功恢复协变量特异性时间依赖性ROC曲线及其对应曲线下面积的真实函数形式。与现有方法的比较进一步显示，该方法在多种设定下表现优异。该方法被应用于评估全球急性冠脉事件注册（GRACE）风险评分对急性冠脉综合征患者出院后不同时间段死亡率的预测能力，并探究该能力如何随左心室射血分数变化。研究提供了一个实现所提出方法的R软件包CondTimeROC。

论文解读：

**一、研究背景与问题**
预后生物标志物在临床实践中对疾病发生、进展或死亡的早期预测至关重要。准确评估其预测性能是临床决策的基础。在典型的预后研究中，生物标志物在基线时测量，患者随后随访以观察事件（如死亡）是否发生。为处理时间维度，时间依赖性ROC曲线被广泛用于评估生物标志物在给定随访区间内的判别能力。然而，患者异质性（如年龄、合并症等）可能影响生物标志物的判别性能。若不加以考虑，可能得出误导性结论。因此，需要发展协变量特异性时间依赖性ROC曲线估计方法，以评估不同协变量剖面下生物标志物的预测价值。现有方法多为半参数方法，依赖比例风险假设及线性效应假设，难以处理非线性效应与非比例风险。完全非参数方法虽灵活，但限制于单一连续协变量且方差较大。已有研究在急性冠脉综合征（ACS）患者中评估GRACE风险评分预测出院后死亡率的性能，但LVEF的潜在混杂影响未得到一致处理。为弥合这一空白，研究人员提出一种灵活的惩罚样条半参数方法，用于估计协变量特异性时间依赖性ROC曲线。

**二、研究目的与贡献**
该研究旨在开发一种能够容纳非线性效应、非比例风险以及连续和分类协变量的新估计方法。方法的核心是：(i) 使用分段指数加性模型（PEM/PAM）对事件时间风险函数建模；(ii) 使用位置-尺度回归模型对给定协变量的生物标志物条件分布建模。所有平滑非线性效应通过惩罚样条表示。该方法弥补了半参数方法（如Song和Zhou）与完全非参数方法（如Li等）之间的空白，降低估计方差，并提供公开可用的R包CondTimeROC。

**三、主要技术方法**
研究采用惩罚样条（惩罚回归样条）构造平滑函数，并利用分段指数加性模型（PEM/PAM）拟合条件风险函数。通过数据扩展策略，将模型化为带惩罚的泊松广义可加模型（GAM）。生物标志物分布则通过位置-尺度回归模型估计，采用三阶段方法估计条件均值、方差和标准化残差的经验分布。平滑参数通过受限最大似然（REML）选择。推断基于案例重抽样自助法（bootstrap）。模拟研究中，与Song和Zhou的半参数方法及Li等的平滑非参数方法进行比较。数据来自西班牙Santiago de Compostela大学临床医院2003年11月至2011年1月间的3488例连续ACS住院患者，中位随访37.80个月。

**四、研究结果**
*模拟研究*：设置了三种情景：线性效应与比例风险（情景I）、非线性效应与比例风险（情景II）、非线性效应与非比例风险（情景III）。在情景I中，Song和Zhou方法最优，但新方法表现非常接近，偏差可忽略，仅变异性略增。在情景II和III中，新方法持续优于竞争方法，成功恢复真实ROC曲线和AUC，变异性远低于Li等的非参数方法。Song和Zhou模型在此表现出系统性偏倚。新方法的ERMSE总体最优，尤其在小样本下优势明显。额外的敏感性分析表明，省略双重惩罚或使用30个等距区间会略微增加变异性或偏差，但整体仍稳健。自助法置信区间覆盖率接近标称水平，略保守。针对双连续协变量的扩展模拟结果与主模拟一致。
*实际数据分析*：针对GRACE风险评分预测出院后6、12、18个月死亡率，LVEF作为协变量纳入模型。结果表明，GRACE评分的判别能力随LVEF增加而提高，直至约55%后AUC稳定在0.80左右。未调整LVEF的合并AUC在低LVEF区间显著高于协变量特异性AUC，且置信区间无重叠，说明忽略LVEF会导致对GRACE评分在低LVEF患者中预测价值的乐观估计。与Song和Zhou方法相比，新方法捕捉到非线性关系；与Li等非参数方法结果总体一致，但新方法估计更平滑、置信区间更窄。

**五、讨论与结论**
研究发现，新方法在模拟和实际应用中均达到灵活性与稳定性的平衡。与半参数方法相比，能处理非线性效应和非比例风险；与非参数方法相比，方差更低。该方法基于模型，故依赖于风险函数和生物标志物分布假设的合理性。实际使用时，可先采用灵活规格作为探索工具，若简单规格得到相似结论则更可取。方法扩展方向包括竞争风险、阳性/阴性预测值以及左截断数据。未来需关注协变量选择问题，特别是避免对中介变量或碰撞变量的条件化。研究结论：所提出的惩罚样条估计量能够有效估计协变量特异性时间依赖性ROC曲线和AUC，在复杂设定下优于现有方法，并为临床应用提供了可靠工具。
论文发表于《Statistics in Medicine》。