跳转至

Bayesian joint modelling using semiparametric accelerated failure time approaches

作者: Ding Ma, Patrick Maher, Andrew Martin
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2606.16080


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是纵向数据与生存数据的联合建模(Joint Modeling of Longitudinal and Time-Varying Data)。其根本的统计问题是:当重复测量的生物标志物或患者报告结局(如生活质量)与事件时间结局(如疾病进展、死亡)存在内在关联时,如何同时建模这两个过程,以避免单独分析带来的偏倚。该方向的核心挑战在于:(1) 纵向过程通常受测量误差影响且观测稀疏;(2) 事件的发生会截断纵向观测(信息性删失);(3) 需要正确刻画纵向轨迹与事件风险之间的关联结构。当前该领域已相当成熟,主流框架是共享参数模型(shared parameter model),且已有多个成熟的 R 包(JM、JMbayes、JMbayes2、JSM)可供使用。

发展脉络

  • 奠基工作:Wulfoth and Tsiatis (1997) 与 Henderson et al. (2000) 奠定了联合建模的基本框架——通过共享随机效应将纵向子模型与生存子模型连接起来,并指出忽略这种关联会导致纵向治疗效应估计偏倚。Tsiatis and Davidian (2004) 的综述进一步系统化了这一领域。
  • 主要进展:Rizopoulos (2012) 的专著及 JMbayes 系列软件(Rizopoulos, 2014, 2016, 2025)将联合建模推广到贝叶斯框架下的灵活关联结构;Xu et al. (2020) 的 JSM 包则提供了半参数变换模型的实现。这些工作主要基于 Cox 比例风险(PH)或比例优势(PO)假设。
  • 当前 frontier:在生存分析领域,半参数加速失效时间(sAFT)模型因其直接的时间尺度解释和无需比例风险假设而受到关注。但在联合建模框架中,sAFT 的应用仍然有限。Tseng et al. (2005) 和 Tseng and Yang (2016) 尝试了 sAFT 联合模型,但分别受限于分段常数基函数的粗糙性和核平滑的计算负担。本文的位置:作者声称(这是作者的说法)现有 sAFT 联合模型要么依赖粗糙的基函数导致似然面崎岖,要么缺乏灵活的基线刻画,而本文通过 Bernstein 多项式基展开 + 时间尺度重缩放策略,试图填补这一空白。

子线索聚类

  1. 联合建模的软件与实现(Rizopoulos 2010, 2014, 2016, 2025; Xu et al. 2020):聚焦于 PH/PO 假设下的实用工具开发,强调计算效率和用户友好性。
  2. sAFT 模型的估计方法(Prentice 1978; Buckley and James 1979; Jin et al. 2003, 2006; Zeng and Lin 2007):发展秩估计、最小二乘估计和全似然方法,但多限于单一生存结局,未涉及纵向过程。
  3. sAFT 联合建模的早期尝试(Tseng et al. 2005; Tseng and Yang 2016):将 sAFT 引入联合框架,但存在数值稳定性问题。
  4. 贝叶斯计算工具(Carpenter et al. 2017; Hoffman and Gelman 2014; Vehtari et al. 2019):为复杂分层模型的 MCMC 采样提供基础设施,本文的估计策略直接依赖这些工具。

这个方向在追问的核心问题

  1. 如何在不依赖比例风险假设的前提下,灵活且可解释地刻画纵向过程与事件风险的关联? 主流 PH 框架的局限在于风险比的时间不变性假设,而 sAFT 提供了时间尺度上的直接解释。
  2. 如何在贝叶斯框架下实现半参数基线函数的稳定估计? 基函数的选择(分段常数 vs. 平滑基)直接影响似然面的几何性质和 MCMC 的收敛性。
  3. 如何处理信息性删失下的纵向治疗效应估计? 这是联合建模相对于独立 LMM 的核心优势所在。

⚠️ 作者的 framing(这是作者的说法):作者将缺口 frame 成"现有 sAFT 联合模型在基线函数刻画上缺乏灵活性且数值不稳定",从而将本文定位为"显然的下一步"。被淡化的竞争路线包括:(a) 基于惩罚似然的频率学派方法(如 penalized spline 方法),作者仅在参考文献中提及但未深入比较;(b) 更灵活的关联结构(如时变系数关联),本文仅采用"当前值"(current value)这一最简单的关联形式。什么明显该被引 / 该存在、却没出现在 intro 里? 作者未引用近期关于 sAFT 模型因果解释的文献(如 Hernán 关于加速失效时间模型在因果推断中应用的工作),也未讨论 sAFT 与 Cox 模型在非比例风险设定下的效率比较——这两点值得研究者去查证是否为真实缺口。

张力

未见明显对立引用。但值得注意的是,Tseng and Yang (2016) 的核平滑方法强调在频率学派框架下处理 sAFT 联合模型,而本文选择贝叶斯框架,这一选择背后的理论依据(如后验一致性与频率学派性质的比较)作者未展开讨论——这是一个潜在的张力点。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号清单(逐个点名):

  • 下标与样本量:\(i = 1, \ldots, n\) 为个体索引;\(j = 1, \ldots, n_i\) 为第 \(i\) 个个体的第 \(j\) 次纵向观测;\(N = \sum_i n_i\) 为总纵向观测数。
  • 可观测数据:
  • \(y_{ij}\):第 \(i\) 个个体在第 \(j\) 次访视的纵向结局(如 HRQoL 评分),是可观测的含噪测量。
  • \(t_{ij}\):第 \(j\) 次访视的日历时间(观测时间点)。
  • \(t_i\):第 \(i\) 个个体的随访时间(事件时间或删失时间),\(t_i = \min(T_i, C_i)\),其中 \(T_i\) 为真实事件时间,\(C_i\) 为删失时间。
  • \(\delta_i = \mathbb{1}\{T_i \leq C_i\}\):事件指示符(1 = 观察到事件,0 = 删失)。
  • \(x_{ij}\)(或 \(x_i(t)\)):\(p\) 维固定效应协变量(如治疗分组、年龄)。
  • \(z_{ij}\)(或 \(z_i(t)\)):\(q\) 维随机效应设计向量(如时间、时间平方)。
  • 潜在 / 不可观测量:
  • \(y_i^*(t)\):真实的、无测量误差的纵向轨迹(潜在变量),是连接纵向与生存过程的关键。
  • \(b_i\):\(q\) 维个体随机效应,\(b_i \sim N(0, \Sigma_b)\)。
  • \(\varepsilon_{ij} \sim N(0, \sigma_\varepsilon^2)\):测量误差。
  • 参数 / estimand:
  • \(\beta\)(\(p\) 维):纵向子模型的固定效应系数——这是因果推断中关心的纵向治疗效应。
  • \(\gamma\)(标量或向量):生存子模型中协变量对事件时间的加速因子。
  • \(\alpha\)(标量):关联参数(association parameter),刻画当前真实纵向值 \(y_i^*(t)\) 对事件风险的影响——这是联合建模的核心 estimand。
  • \(\theta = (\theta_1, \ldots, \theta_m)\):Bernstein 多项式基展开的系数(非负约束),用于刻画基线 hazard。
  • \(\Sigma_b\)、\(\sigma_\varepsilon^2\):方差分量。
  • \(a, \varsigma\):基线生存分布(log-logistic 或 Weibull)的形状和尺度参数。

模型设定(用直白语言写出数据生成机制):

  1. 纵向子模型(线性混合模型):

    \[y_{ij} = y_i^*(t_{ij}) + \varepsilon_{ij} = x_{ij}\beta + z_{ij}b_i + \varepsilon_{ij}\]
    即:观测值 = 真实轨迹 + 测量误差。真实轨迹由固定效应(总体平均)和随机效应(个体偏离)共同决定。

  2. 生存子模型(sAFT 形式):

    \[\lambda_i(t \mid y_i^*(\cdot)) = \lambda_0(\kappa_i(t)) \cdot e^{-w_i\gamma - \alpha y_i^*(t)}\]
    其中 \(\kappa_i(t) = \int_0^t e^{-w_i\gamma - \alpha y_i^*(s)} ds\) 是加速时间尺度。直观理解:协变量和纵向过程通过"加速/减速"事件时间钟来影响风险,而非像 Cox 模型那样通过乘法改变风险比。

  3. 关联结构:通过"当前值"(current value)关联,即事件风险直接依赖于当前时刻的真实纵向值 \(y_i^*(t)\)。这是最简单的关联形式,\(\alpha\) 的正负号直接解释为"纵向值越高,事件风险越大/越小"。

  4. 基线 hazard 的 Bernstein 多项式近似:

    \[\lambda_0(u) = \sum_{u=1}^{m} \theta_u \phi_u(u^*), \quad u^* = u/M, \quad M = \max_i \kappa_i(t)\]
    其中 \(\phi_u\) 是 Bernstein 基多项式。关键技巧:将 \(\kappa_i(t)\) 重缩放至 \([0,1]\) 区间,保证基函数定义域稳定,避免 MCMC 采样中因时间尺度漂移导致的数值问题。

可观测 vs 不可观测的区分:研究者能观测到的是 \(y_{ij}\)(含噪纵向测量)、\(t_{ij}\)(访视时间)、\(t_i\) 和 \(\delta_i\)(事件/删失)、\(x_{ij}\)、\(z_{ij}\)。研究者观测不到的是真实轨迹 \(y_i^*(t)\)、随机效应 \(b_i\)、基线 hazard \(\lambda_0(\cdot)\)。联合建模的本质是:通过假设 \(y_i^*(t)\) 是 \(b_i\) 的线性函数,将纵向和生存过程通过共享的 \(b_i\) 连接起来,从而在似然中积分掉不可观测的 \(b_i\)。

第二步:最小内核

剥掉所有一般性设定后,支撑整篇论文的最小内核是:

在存在信息性删失(事件风险依赖于真实纵向值)时,如何通过共享随机效应正确恢复纵向治疗效应 \(\beta\),而独立 LMM 会因忽略删失机制而产生偏倚。

最简特例(这是整篇论文的"最小内核"):

  • 假设只有两个观测时间点:基线 \(t=0\) 和随访 \(t=1\)。
  • 纵向模型退化为:\(y_i^*(t) = \beta_0 + \beta_1 t + b_{0i} + b_{1i} t\),其中 \(b_i = (b_{0i}, b_{1i})^\top \sim N(0, \Sigma_b)\)。
  • 生存模型退化为:\(\lambda_i(t) = \lambda_0(\kappa_i(t)) e^{-\gamma \cdot arm_i - \alpha y_i^*(t)}\)。
  • 关键设定:\(\alpha \neq 0\),即事件风险依赖于真实纵向值。

为什么独立 LMM 会失败:假设治疗组(\(arm_i = 1\))的患者纵向轨迹下降更快(\(\beta_2 < 0\)),同时更低的纵向值预示着更高的进展风险(\(\alpha > 0\))。那么治疗组中纵向值下降快的患者会更早发生事件、更早退出随访。独立 LMM 只使用观测到的 \(y_{ij}\),忽略了"哪些患者仍在随访中"这一信息,导致估计的 \(\beta_2\) 被向零衰减(attenuation toward zero)——因为治疗组中轨迹最差的个体已经"消失"了。联合模型通过同时建模生存过程,利用删失信息来"纠正"这种选择性缺失,从而恢复真实的 \(\beta_2\)。

本文的核心命题(在这个特例下退化为):

当 \(\alpha \neq 0\) 且存在信息性删失时,独立 LMM 对 \(\beta\) 的估计有偏;而本文提出的 sAFT-JM 通过共享随机效应联合估计纵向和生存参数,能够无偏地恢复 \(\beta\),且其 Bernstein 基展开 + 重缩放策略保证了 MCMC 采样的数值稳定性。

证明/验证思路:本文通过模拟研究验证这一命题——在数据生成机制中设定真实的 \(\beta\)、\(\gamma\)、\(\alpha\),然后比较 sAFT-JM 与独立 LMM 的估计值。模拟结果显示(作者声称),sAFT-JM 的 \(\beta_1\) 估计接近真实值 \(-0.04\),而独立 LMM 的估计偏向零(如 \(-0.035\) 左右),且 sAFT-JM 的覆盖概率接近名义水平 95%。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:提出一类半参数加速失效时间联合模型(sAFT-JM),用于同时分析纵向重复测量(如 HRQoL)与事件时间结局,目标是在事件风险依赖于潜在纵向过程时,无偏估计纵向治疗效应及纵向-生存关联。
  2. 核心工具/方法:采用 Bernstein 多项式基展开近似基线 hazard,引入时间尺度重缩放策略改善数值稳定性,在贝叶斯框架下通过 NUTS(Hamiltonian Monte Carlo)实现联合后验采样。
  3. 主要结论:模拟研究表明,当事件风险依赖纵向过程时,sAFT-JM 比独立 LMM 能更准确地恢复纵向治疗效应(\(\beta_1\) 的偏差从 LMM 的约 0.005 降至 sAFT-JM 的约 0.000),且对不同的基线事件时间分布(log-logistic、Weibull)和删失机制均表现稳健。

关键设定与假设

  • 纵向子模型:高斯线性混合模型,随机截距 + 随机斜率(式 12),固定效应含时间、治疗×时间交互。
  • 生存子模型:sAFT 形式,协变量为治疗组(\(arm_i\)),关联通过"当前值" \(y_i^*(t)\) 进入加速因子。
  • 基线 hazard:Bernstein 多项式基展开(\(m=5\)),系数非负约束保证 hazard 非负。关键假设:基线 hazard 是光滑函数,且 Bernstein 基的逼近误差可忽略。
  • 重缩放策略:每轮迭代将 \(\kappa_i(t)\) 除以当前最大值 \(M\),使基函数定义域稳定在 \([0,1]\)。这是本文的核心技术贡献,直接回应了 Tseng et al. (2005) 中分段常数基导致的似然面崎岖问题。
  • 先验:弱信息先验(回归系数 \(N(0, 10^2)\),方差参数 Half-Cauchy,关联参数 \(\alpha \sim N\{0, [\log(2)/1.96]^2\}\)),后者对应"纵向值翻倍导致事件时间最多翻倍"的先验范围。
  • 与已有文献的对比:相比 Tseng et al. (2005) 的分段常数基,本文的 Bernstein 基更光滑;相比 Tseng and Yang (2016) 的核平滑,本文的贝叶斯框架提供完整的不确定性量化;相比 Cox-JM(JMbayes2),本文的 sAFT 设定提供时间尺度上的直接解释。

主要结果

  • 模拟设计:40 种配置 = 4 种事件时间分布(log-logistic 形状参数 1.20,Weibull 形状参数 0.90/1.30/2.10)× 5 种治疗效应场景(零效应、纵向改善+生存获益、纵向恶化+生存获益、纵向改善+生存损害、纵向恶化+生存损害)× 2 种删失机制(仅管理性删失、管理性+随机删失约 50%)。每种配置 1000 次重复。
  • 核心发现:
  • 纵向治疗效应恢复:sAFT-JM 对 \(\beta_1\)(时间斜率)的估计偏差在多数场景下小于 0.001,而独立 LMM 在存在信息性删失时偏差可达 0.005(约 12.5% 的相对偏差),且随删失比例增加而增大。
  • 关联参数估计:\(\alpha\) 的估计在 log-logistic 和 Weibull 分布下均接近真实值 0.012,但存在轻微高估倾向(偏差约 0.0005–0.001),95% 后验区间覆盖概率在 0.92–0.95 之间。
  • 计算性能:sAFT-JM 的平均运行时间为 27.2 分钟/数据集(95 分位 67.2 分钟),远高于 Cox-JM 的 1.2 分钟,但作者认为这是 sAFT 灵活性的合理代价。
  • ENZAMET 实例:使用 1,105 名转移性激素敏感性前列腺癌患者的 HRQoL 与无进展生存数据。sAFT-JM 估计的 \(\beta_1 = -0.038\)(95% CrI: -0.007 至 -0.069),与 LMM 的 \(-0.039\) 接近;但 \(\alpha = 0.011\)(95% CrI: 0.005–0.017)表明 HRQoL 每下降 1 分,进展风险增加约 1.1%,这一关联在 Cox-JM 中未被检测到(作者声称)。

🔎 结论是否比证明窄

是,结论明显比证明窄。具体表现:

  1. 模拟仅覆盖"当前值"关联:论文只验证了 \(\alpha\) 为常数、关联形式为当前值的情形。作者在讨论中承认("only a single association structure (current value) was examined"),但未对斜率关联(slope association)、累积暴露关联(cumulative exposure)等替代形式进行模拟验证——而这些在 Cox-JM 文献中已被广泛研究。
  2. 纵向子模型仅限高斯线性混合模型:HRQoL 数据常呈现边界效应(0-100 评分)、天花板/地板效应,但论文未考虑广义线性混合模型(如 beta 回归、比例优势模型)的扩展。
  3. 无理论结果:全文无任何定理、命题或渐近性质证明。作者仅通过模拟展示有限样本表现,未证明 Bernstein 基展开的逼近误差界、后验一致性或 Bernstein-von Mises 定理是否成立。对于"半参数"这一标签,论文缺乏相应的理论支撑。
  4. 计算性能的泛化性存疑:27 分钟/数据集的运行时间是在特定硬件(EPYC3/EPYC4 节点)和特定模型复杂度下测得的,作者未提供随 \(n\)、\(n_i\)、\(m\) 扩展的复杂度分析。

四、开放问题

  1. 理论性质:Bernstein 基展开的 \(m\) 如何随样本量 \(n\) 增长才能保证后验一致性?\(m\) 的选择是否影响 \(\alpha\) 的识别速度?——扎根于 Ghosal (2001) 的 sieve 率 \(m = \lceil e^{1/3} \rceil\) 仅是启发式,无严格证明。
  2. 关联结构的扩展:当前值关联假设 \(\alpha\) 不随时间变化。若允许 \(\alpha(t)\) 为时变函数,识别条件是什么?——扎根于论文讨论部分"alternative association structures may exhibit different operating characteristics"。
  3. 非高斯纵向结局:如何将 Bernstein 基展开推广到非高斯纵向子模型(如二分 HRQoL 条目、计数型不良事件)?——扎根于论文局限性"the longitudinal submodel was specified as a Gaussian linear mixed model, which may be restrictive for bounded HRQoL outcomes"。
  4. 计算效率:能否利用 Bernstein 基的递推性质或稀疏结构设计更高效的采样器,将运行时间从 27 分钟降至与 Cox-JM 可比?——扎根于论文计算对比部分。
  5. 因果解释:sAFT 框架下的 \(\gamma\) 是否可解释为"治疗对事件时间的因果加速因子"?在存在时变混杂时,共享随机效应假设是否足以识别因果效应?——这是一个作者完全未触及、但与你(研究者)的因果推断背景高度相关的缺口。

提示:若要确认上述某条是否为真 gap,建议去读 sAFT 联合建模子领域近期约 5 篇论文(如 Tseng and Yang 2016 之后的引用文献)的 intro——若多篇都指向同一问题,则为共识性 gap;若各篇说法不一,则可能是机会所在。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论