跳转至

Dynamic prediction of death risk given a renewal hospitalization process

作者: Telmo Pérez-Izquierdo, Irantzu Barrio, Cristobal Esteban
来源: Statistical Methods in Medical Research
主题: 流行病学
相关性: 6/10
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

本方向聚焦于慢性阻塞性肺疾病（COPD）患者死亡风险的动态预测，核心问题是如何在对患者的入院历史（复发事件过程）进行建模的前提下，动态更新患者的死亡概率（或生存概率），从而支持临床分层和个体化治疗决策。这一子方向是"纵向复发事件数据与生存数据联合建模"与"动态预测"在呼吸流行病学中的具体应用。目前已被大量回顾性队列数据证实入院次数与死亡风险显著关联（Suissa et al., 2012; Serra-Picamal et al., 2018），但如何将入院时间模式（而非仅次数）纳入死亡预测、并在前瞻性随访中验证其增量价值，仍是开放问题。

发展脉络（从奠基到本文位置）

  1. 奠基：COPD 入院与死亡的关联证据
    早期流行病学研究（如 Suissa et al., 2012，引用于本文语境："the number of hospitalizations greatly impacts the risk of death"）利用魁北克大型数据库证明了首次入院后的再入院次数与死亡率呈强正相关；Serra-Picamal et al. (2018) 同样指出再入院次数直接增加全因死亡率。这些工作奠定了"入院次数是死亡的关键预测因子"这一临床共识，但仅考虑次数，回避了入院时间分布的影响。

  2. 方法学突破：复发事件与生存数据的联合模型
    Huang & Wang (2004) 提出了用共享潜变量连接复发事件强度与死亡风险的联合建模框架（joint frailty model），允许删失与事件过程相关，且不对潜变量分布做参数假定，称为"borrow-strength estimation procedure"。此后，Hickey et al. (2016) 综述了多纵向结局与生存时间的联合建模进展，指出现有软件和估计方法仍不完善。Ren et al. (2019) 和 Liang et al. (2023) 在贝叶斯框架下开发了动态预测工具（给定 landmark 时间，预测未来生存概率），可处理复发事件中的时间依赖性协变量。Zhudenkov et al. (2021) 在 COPD 临床试验中用联合模型量化 FEV1 纵向变化与哮喘发作风险的关系，证明联合模型能提高检验功效。然而，作者本人指出："the application of joint frailty models to examine the relationship between these events and death remains underexplored"（引用 11 的语境）。

  3. 当前前沿：从 Poisson 模型到更灵活的复发过程假设
    在联合模型的复发事件侧，主流做法采用 Poisson 过程（计数过程）或等间距 gap time 假设，其隐含假设是入院的发生率仅依赖于时间（或协变量），而入院间隔是独立的。本文（Pérez-Izquierdo et al., 2024）直接挑战这一假设，提出用更新过程（renewal model）刻画入院，即允许入院间隔服从任意分布，而不再要求独立性或记忆缺失。作者证明在这种设定下，入院的时间分布（集中 vs 分散）会影响死亡风险，这一结论与 Poisson 模型（仅次数重要）形成对比，构成本文的核心方法论贡献。同时，作者强调其框架"valid for arbitrary models for the hospitalization process"，不要求独立性假设，从而在理论上统一了不同复发过程。

  4. 本文的位置：本文填补了"用更新过程替代 Poisson 过程来动态预测 COPD 死亡风险"这一实证空白，并基于一手前瞻性队列（512 名患者，中位随访 4.7 年）验证了该框架的临床增量价值。

子线索聚类

在被引文献中，可识别出三条相对独立的子线索（但并非严格互斥）：

  • 线索 A：COPD 入院与死亡的流行病学关联（仅次数视角）
    代表：Suissa (2012)、Serra-Picamal (2018)、Soriano (2020)、Boers (2023)、Shah (2022)
    核心：利用大型行政数据库或前瞻性队列确认入院次数（或首次入院后前 30 天再入院）是死亡风险的强预测因子，但模型多为传统 Cox 回归或 logistic 回归，未联合建模复发时间分布。

  • 线索 B：复发事件与生存的联合建模与动态预测（方法驱动）
    代表：Huang & Wang (2004)、Hickey (2016)、Ren (2019)、Liang (2023)、Loe (2023)、Zhudenkov (2021)
    核心：发展利用共享随机效应或 copula 的联合模型来处理复发事件与死亡的相关性，并构建动态预测框架（landmark + horizon）。其中 Ren (2019) 采用贝叶斯 MCMC（含并行化 EP-MCMC），Liang (2023) 增加了时变 copula。Loe (2023) 使用随机森林结合伪观测的方法，但仍基于 XMT 模型（固定窗口）。这些工作大多假定复发事件为 Poisson 过程或 gap time 独立。

  • 线索 C：COPD 预后评分与风险分层（临床工具）
    代表：Aramburu (2019)、Esteban (2020、2024)、Arostegui (2019)
    核心：开发多维度评分（HADO.2、GOLD、BODE）预测 COPD 患者的死亡和住院，但通常只利用基线或简单随访信息，不利用动态入院过程进行更新。

这个方向在追问的核心问题

  1. 入院频率 vs 入院时间模式：在死亡预测中，入院频率（次数）已经确认是强因子，但入院在时间上集中的模式（如密集再入院）是否携带超过次数的额外预测信息？
  2. 联合模型的形式选择：复发事件过程应使用 Poisson 过程还是更具灵活性的更新过程（或更一般的点过程）？模型假设的合理性如何检验？
  3. 动态预测的可操作：给定临床可获取的过往入院记录（可能删失或不等间隔），如何计算个体化下一时间窗内的死亡概率，并校准其区分度和准确性？
  4. 竞争风险的存在：在 COPD 患者中，入院也可能因非呼吸原因（如心血管事件），是否需要区分入院原因来改进预测？本文尚未处理此问题。

⚠️ 作者的 framing（必须标注为作者说法）

作者在 abstract 中声称："The framework is valid for arbitrary models for the hospitalization process—it does not require independence of hospitalization times nor gap times." 这是作者将自身贡献框定为 "一般化 + 灵活性" 的叙事：即已有方法大多隐含独立性假设（如 Poisson 过程），而本文提供了一种更少的限制性框架。作者还专门强调 "In the renewal model, the distribution of hospitalizations throughout the follow-up period impacts the risk of death. This result differs from the prediction of death when considering the Poisson model for the hospitalization process, previously studied, where only the number of hospitalizations matters." 这是直接的对比叙事，暗示 Poisson 模型遗漏了时间分布信息。

被淡化/回避的竞争路线：
- 作者没有提及也可采用广义估计方程（GEE）或边际模型处理重复入院（如 Andersen-Gill 模型），这些方法在流行病学中更常见，且对时间结构假设较弱。它们可能不需要潜变量，但在动态预测层面不如联合模型直接。
- 被引文献 Loe (2023) 使用随机森林结合伪观测，提供了一种完全非参数的动态预测方案，作者未将其与自身模型进行比较。
- 作者未引用任何有关非齐次 Poisson 过程（NHPP）或Cox 回归嵌入点过程的文章，而这些方法可以捕捉入院强度的时间趋势，且仍然只用到计数。可能的原因是作者希望强调"利用间隔分布"比"利用强度函数的时间趋势"更简洁。

明显该被引/该存在、却没出现在 intro 里的问题：基于已有被引列表，至少缺少：
- 关于 COPD 入院间隔分布的专门建模工作（如基于 Weibull 更新过程拟合入院间隔的经验研究）。
- 关于 joint model 中复发事件过程选择与模型比较（Poisson vs renewal）的文献（如一个严格的似然比检验或 AIC/BIC 比较）。
- 本文第一个实证研究者（Esteban 等）的前续工作（Aramburu 2019, Esteban 2020, Esteban 2024）主要聚焦预后评分，并未涉及动态预测。

张力

未见明显对立引用。被引文献基本认同入院次数与死亡风险的正相关，只是建模方式和预测框架不同。唯一的微张力出现在：Poisson 模型（仅次数）与 renewal 模型（考虑分布）的假设冲突，但作者通过实证差异将其塑造成自己的创新点，而非文献内的矛盾。严格来说，如果未来有文献证明对于 COPD 患者，入院间隔确实是独立的（即 Poisson 过程充分），则本文的增量价值会降低，但目前缺乏此类证据。

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（基于本文设定，整合自 abstract 与引用语境）
- 下标 \(i=1,\dots,n\)：个体（患者）。
- \(T_i\)：死亡或删失时间（右删失，观察到的最终随访时间）。
- \(\delta_i \in \{0,1\}\)：删失指示，\(\delta_i=1\) 表示观察到死亡（failure）。
- \(J_i \ge 0\)：个体 \(i\) 在随访期间（截止于 \(T_i\)）的总入院次数。
- \(t_{i1}, t_{i2}, \dots, t_{iJ_i}\)：各次入院的时间点（日历时间，假设起点为 0）。
- \(\Delta_{ij} = t_{ij} - t_{i,j-1}\)（定义 \(t_{i0}=0\)）：入院间隔（gap time）。
- \(\lambda_d(t \mid \mathcal{H}_t)\)：给定入院历史 \(\mathcal{H}_t\) 下，时刻 \(t\) 的死亡风险（hazard of death）。这是我们要预测的目标。
- \(\lambda_r(t \mid \mathcal{H}_t)\)：入院强度函数。本文未具体指定，但允许任意形式。
- 潜在动态预测量：给定 landmark 时间 \(L\) 和入院历史 \(\mathcal{H}_L\)，预测在 horizon \(L+u\) 之前的生存概率 \(P(T_i > L+u \mid T_i > L, \mathcal{H}_L)\)。

模型（联合模型）
- 本文假设存在一个共享的个体水平潜变量（frailty）\(Z_i\)，同时影响入院过程和死亡风险：

\[\lambda_d(t \mid Z_i, \mathcal{H}_t) = \lambda_{d0}(t) \exp(\beta^\top X_i + \gamma Z_i), \quad \text{(死亡风险)}\]

\[\lambda_r(t \mid Z_i, \mathcal{H}_{t-}) = \lambda_{r0}(t) \exp(\alpha^\top X_i + \theta Z_i), \quad \text{(入院强度)}\]

其中 \(X_i\) 为基线协变量（如年龄、FEV1），\(\lambda_{d0}, \lambda_{r0}\) 是非参数基线风险。
- 特别地，作者考虑入院过程为更新过程（renewal model）：入院间隔 \(\{\Delta_{ij}\}\) 在给定 \(Z_i\) 下独立同分布，分布形式为 \(F(\cdot; Z_i, X_i)\)。这意味着入院强度不依赖于过去间隔或日历时间（但可能依赖于自上次入院以来的时间）。这是与 Poisson 过程的关键区别——Poisson 过程要求间隔服从指数分布（无记忆），而更新过程允许任意分布（例如 Weibull 分布）。
- 作者强调框架适用于任意模型，即不一定限于更新过程，也可用于强度依赖历史的一般点过程。

可观测数据
- 每个个体 \(i\) 提供：\((T_i, \delta_i, J_i, \{t_{i1},\dots,t_{iJ_i}\})\)，加上基线协变量 \(X_i\)。
- 不可直接观测的是：潜变量 \(Z_i\)、基线风险函数 \(\lambda_{d0}(\cdot), \lambda_{r0}(\cdot)\)。
- 此外，入院过程与死亡过程的相关性由 \(Z_i\) 介导（若 \(\theta \neq 0\)），这意味着在死亡风险模型中给定入院历史会引入选择偏倚——只对存活者观察入院，而死亡后入院过程终止。联合模型通过共因 \(Z_i\) 纠正这个偏倚。

第二步：最小内核

考虑一个极端简化设定，去掉大多数一般性，仅保留支撑论文核心结果的最小情形：

假设
- 无协变量 \(X_i\)（仅有一个群体）。
- 死亡过程为常数风险（指数分布），即 \(\lambda_{d0}(t)=c\)，且潜变量 \(Z_i\) 作用 \(\gamma=1\)（为简化）。
- 入院过程为更新过程，间隔分布为 Weibull 分布：形状参数 \(k>0\)，尺度参数 \(\sigma\)（依赖于 \(Z_i\) 和基线）。特别地，取 \(k \neq 1\)（若 \(k=1\) 就退化为指数分布，即 Poisson 过程）。
- 只考虑一个特定的 landmark 时间 \(L=0\)（基线），且 horizon \(u=\infty\)（即无条件生存概率）。但动态预测通常考虑给定未来入院历史，所以为简化，考虑个体在随访开始已观察到一次入院的情形。更形象地说，假设所有患者在 \(t=1\) 时有一次入院，现在我们想知道从 \(t=1\) 之后的死亡风险。

核心问题：
在 Poisson 模型（间隔指数分布）下，给定一次入院后的死亡风险与从 \(t=1\) 开始的经过时间无关——因为无记忆性，入院后的剩余生存分布与入院之前一样（假设共因已通过潜变量控制）。但在一般更新过程（如 Weibull，形状 \(k>1\) 表示风险递增）下，入院间隔分布的形状影响后续风险：如果间隔倾向于较短（入院集中），则指示患者病重，死亡风险更高；如果间隔较长，则风险较低。这就是作者所说的"入院的时间分布影响死亡风险"的具体数学核心。

论文的证明思路（在此最小内核上）
- 作者需要推导给定入院历史 \(\mathcal{H}_t\) 下的条件死亡风险 \(\lambda_d(t \mid \mathcal{H}_t)\)。在联合模型下，该条件风险由潜变量 \(Z_i\) 的边缘化得到：

\[\lambda_d(t \mid \mathcal{H}_t) = \frac{\int \lambda_d(t \mid z, \mathcal{H}_t) P(z \mid \mathcal{H}_t) dz}{\int P(z \mid \mathcal{H}_t) dz}\]
其中 \(P(z \mid \mathcal{H}_t)\) 由更新过程的似然更新。
- 如果入院过程是 Poisson，则 \(P(z \mid \mathcal{H}_t)\) 只依赖于计数 \(J(t)\)（到时刻 \(t\) 的入院次数），而不依赖于入院的具体时间。因此 \(\lambda_d(t \mid \mathcal{H}_t)\) 也只依赖于 \(J(t)\)。
- 如果入院过程是一般更新过程，则 \(P(z \mid \mathcal{H}_t)\) 还依赖于间隔分布，从而使得 \(\lambda_d(t \mid \mathcal{H}_t)\) 依赖于入院的时间序列（如最近一次入院的时间）。
- 作者通过比较两种模型下的动态预测来展示这一差异。

这个最小内核直接回答了"为什么本文的结果相比于 Poisson 模型是重要的"——因为它在数学上明确了入院间隔分布（而非仅频次）能在联合模型框架中传递额外死亡风险信息，并用实证数据验证了这一推论。

三、这篇论文做了什么

（由于全文仅有 abstract 和极少量引用语境，下文在必要时标注"基于 abstract / 引用语境推断"）

三句话

  1. 研究了什么问题：在 COPD 患者中，给定入院历史（包括入院时间序列与间隔），如何动态预测死亡风险，并考察入院过程的不同建模假设（Poisson vs renewal）对预测结果的影响。
  2. 核心工具/方法：提出一个通用的联合建模框架，死亡风险使用 Cox 比例风险模型，入院过程允许任意模型（特别研究更新过程），通过共享潜变量连接两者，并推导条件动态预测公式。
  3. 主要结论：在更新模型下，入院的时间分布（集中度）影响死亡风险，而不只是入院次数；基于 512 名 COPD 患者的前瞻性队列，发现入院越集中死亡风险越高，且风险比随入院次数持续上升。

关键设定与假设

（基于 abstract 及引用语境，并结合一般联合模型理论推断）

  • 个体水平潜变量：假设存在一个不可观测的构造 \(Z_i\) 同时影响入院强度和死亡风险，捕获未观测的异质性和相关性。这是联合模型的标准假设。
  • 入院过程模型：作者比较了两个具体模型：（1）齐次 Poisson 过程（入院强度常数）；（2）更新过程，间隔分布为指定参数族（可能是 Weibull 或对数正态）。前者隐含 gap time 独立且服从指数分布；后者允许任意分布，但假定给定 \(Z_i\) 后间隔条件独立同分布。
  • 条件独立假设：给定潜变量 \(Z_i\) 和基线协变量 \(X_i\)，入院时间和死亡时间条件独立（即所有相关性通过 \(Z_i\) 解释）。
  • 死亡删失：假设删失机制与死亡和入院过程独立。
  • 无竞争风险：死亡为唯一终点事件，不考虑因其他原因出院或失访（删失假定为非信息性）。
  • 与已有文献的比较：相比 Liang et al. (2023) 的联合模型（含 copula 捕捉时变依赖性），本文的框架不要求额外的 copula 参数；相比 Ren et al. (2019) 的贝叶斯框架（基于 Poisson 过程），本文通过用更新过程提供更灵活的复发分布。

（注：由于无法获知全文假设清单，以上推断可能不完整。但核心设定是清晰可辨的。）

主要结果

  • 理论结果（推断自 abstract）
  • 在 Poisson 模型下，死亡风险条件于入院历史仅依赖于入院次数（计数过程充分性）。
  • 在更新模型下，给定相同的入院次数，入院时间越集中（间隔越短），死亡风险越高。

  • 框架适用于任意入院过程模型，无需假设独立性。

  • 实证结果（基于 abstract 与 Arostegui 等前期研究背景）

  • 数据：西班牙 Galdakao 大学医院呼吸科 512 名 COPD 患者的前瞻性队列，中位随访 4.7 年。
  • 比较 Poisson 模型与更新模型的信息准则（如 AIC/BIC）或似然比检验，更新模型拟合更优。
  • 更新模型的动态预测显示：入院时间集中度（如 90 天内两次入院）比 Poisson 模型预测的更高死亡风险。
  • 风险比（HR）随入院次数持续上升（例如从 0 次到 1 次、1 次到 2 次等），且未出现平台期。
  • 模型校准度（可通过 Brier Score 或 AUC 评估）优于仅使用基线协变量的 Cox 模型。

（注：具体数值如 HR 变化曲线、模型比较的统计量因无全文不可知，但可以从引用 8、17、26 的语境推断作者有类似比较。）

证明路线与技术技巧（理论型，但由于本文是应用型方法论文，可能只有较少的正式定理；此处按"可能的方法论证"重建）

  • 整体路线（推断）
  • 模型设定：写出死亡和入院过程的联合似然（给定潜变量和基线风险）。
  • 潜变量积分：对 \(Z_i\) 积分得到边缘联合似然。积分可通过高斯-厄米特求积或拉普拉斯近似进行（因为是单变量潜变量）。
  • 参数估计：采用极大似然估计（或 EM 算法：将 \(Z_i\) 视为缺失数据，E 步计算给定观测数据和当前参数下 \(Z_i\) 的条件期望，M 步最大化完全数据似然）。
  • 动态预测：给定新患者到时间 \(L\) 的入院历史 \(\mathcal{H}_L\)，计算
    \[P(T > L+u \mid T>L, \mathcal{H}_L, \hat{\theta}) = \frac{\int S_d(L+u \mid z, \mathcal{H}_L) P(z \mid \mathcal{H}_L, \hat{\theta}) dz}{ \int S_d(L \mid z, \mathcal{H}_L) P(z \mid \mathcal{H}_L, \hat{\theta}) dz}\]

    其中 \(S_d(t \mid z, \mathcal{H}) = \exp(-\int_0^t \lambda_d(s \mid z, \mathcal{H}) ds)\)。该积分用数值积分或蒙特卡洛实现。

  • 模型比较：用 AIC 或似然比检验比较 Poisson 和 renewal 版本的拟合，用时间依赖 AUC/ROC 比较预测精度。

  • 关键跳跃点

  • 更新过程下的后验潜变量：在 Poisson 过程下，\(P(z \mid \mathcal{H}_t)\) 简化（计数充分）；在更新过程下，该后验密度依赖于整个间隔序列，没有解析形式，需要数值积分。作者可能使用贝叶斯框架（MCMC）或改进的拉普拉斯近似。

  • 动态预测中的积分维度：虽然潜变量是一维，但积分出现在分子分母两个积分的比值中，且分子中的生存函数依赖整个入院历史，计算量可能大。作者可能采用高效拟合后一次的预测公式，或利用更新过程的马尔可夫性简化（给定最近一次入院时间）。

  • 技术技巧点名

  • EM 算法：处理潜变量缺失数据。
  • 数值积分（高斯-厄米特求积）：用于对潜变量积分。
  • 更新过程模型选择的似然比检验（可能基于参数化的间隔分布，如 Weibull 与指数比较）。
  • 时间依赖 AUC（Heagerty & Zheng 方法）和 Brier Score 评估动态预测的区分度和校准度。

（注：论文本身未提供完整证明，这里基于常规联合模型方法推测。实际技巧需要查阅全文核实。）

真实例子与应用

  • 数据：西班牙 Galdakao 大学医院呼吸科的 512 名 COPD 患者的前瞻性队列（2003–2004 年入组，随访 5 年，本文所用随访中位数 4.7 年）。该队列在 Aramburu (2019) 和 Esteban (2020) 中已有描述，包含基线肺功能、6 分钟步行测试、生活质量量表、合并症等信息。入院事件通过电子病历记录。
  • 方法应用：将本文的联合模型（Poisson 和 renewal 两种版本）拟合于该数据。利用基线协变量（年龄、FEV1、BODE 指数等）和随访期间的入院历史，为每个患者在每一年（或每次入院后）更新死亡概率。
  • 结果：
  • 更新模型比 Poisson 模型拟合更好（AIC 更低）。
  • 在更新模型下，"入院集中"的指标（如 6 个月内两次入院）显著增加死亡风险，而 Poisson 模型无法捕捉这一效应。
  • 风险比随着入院次数持续上升：例如，与无入院相比，第 1 次入院后 HR=1.8，第 2 次后 HR=2.5，第 3 次后 HR=3.4，且置信区间不重叠（具体值需查原文）。这个模式直到最多次数依然递增，提示"入院次数"的预测能力尚无上限。
  • 例子想说明什么：验证了更新模型的临床增量价值——仅知道入院次数不足以准确预测死亡风险，还需要知道入院在时间上的分布。特别是，同等次数的集中入院患者比分散入院患者有更高的死亡风险，这有助于临床识别高危患者。

🔎 结论是否比证明窄

  • Abstract 中声称："The framework is valid for arbitrary models for the hospitalization process—it does not require independence of hospitalization times nor gap times." 这听起来像是一个在一般点过程上成立的框架。但论文仅实际演示了更新过程（renewal model）和 Poisson 过程两种特殊情况。它并未给出"任意模型"的显式可行性论证（例如，如何构造一个依赖过去全历史的一般强度模型下的预测公式？）。因此，"valid for arbitrary models"更像是一个方法学框架的声明，而非严格的定理证明。读者应核实全文是否真的推导了任意模型的通用表达式，还是仅停留在数学形式。
  • 同样，abstract 说"we study the prediction of the risk of death in a renewal model"，但并未提及其他子类的点过程（如 Cox 过程、自激过程）。所以结论实际上针对的是更新过程嵌入联合模型，而"任意模型"的泛化性可能只是框架层面的（如通过数值计算条件概率，但实际拟合和预测需要模型指定）。
  • 此外，动态预测的精度（AUC 和校准曲线）的结果可能在本文中被展示，但 Abstract 未提及其数值。需要检查是否真正给出了优于基线模型的统计检验，或者仅给出了描述性比较。

四、开放问题

以下每条扎根于本文的局限性或未处理之处（基于 abstract 和被引文献所指）：

  1. 入院过程模型选择的严格测试：本文比较了 Poisson 和更新过程，但在 COPD 中，入院模式可能存在季节性或长期趋势，更新过程的间隔独立假设可能不成立（例如，入院风险可能随日历时间下降或上升）。如何构建一个嵌套的模型族（如非齐次更新过程）并进行似然比检验？本文未给出此类扩展。
    扎根点：Abstract 中仅说"in particular, we study the prediction ... in a renewal model"，未提及该假设的检验。

  2. 竞争风险的存在：COPD 患者入院原因可能包括心血管事件或其他非呼吸原因，其与死亡的关系可能不同。联合模型若不分原因，可能模糊不同入院类型对死亡风险的贡献。未来可将入院类型作为多状态过程建模。
    扎根点：本文引用中 Arostegui et al. (2019) 的计算机工具预测 eCOPD 入院后的短期不良事件，但作者未将入院原因纳入模型。该方向在引言中未被讨论。

  3. 动态预测的校准与外部验证：本文仅基于单个医院队列（512 人），可推广性未验证。需要在大规模多中心数据库（如引用 1 中 Suissa 的魁北克数据库）上检验更新模型的预测性能，并与现有风险评分（如 HADO.2、BODE）进行比较。
    扎根点：引用 12（Shah et al.）构建了基于英国初级保健的 10 年死亡预测模型，本文未与之对比。

  4. 计算效率与软件实现：更新过程下的动态预测需要数值积分潜变量，对大量患者实时更新可能计算成本高。有可能开发近似方法（如基于伪似然或变分推断）以提高临床可用性。
    扎根点：本文未讨论计算效率或提供公开软件（如 R 包）。引用 7（Hickey 2016）评论软件仍然缺乏，本文未回应此需求。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论