Two-part joint model for a longitudinal semicontinuous marker and a terminal event with application to metastatic colorectal cancer data¶

作者: Denis Rustand, Laurent Briollais, Christophe Tournigand, Virginie Rondeau
来源: Biostatistics
主题: 流行病学
相关性: 6/10
机构绿灯: University of Toronto（US News 前 50，免分进入精读）
链接: https://doi.org/10.1093/biostatistics/kxaa012

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向是纵向数据与生存结局的联合建模（Joint Modeling of Longitudinal and Survival Data）。其根本的统计问题是：如何同时刻画一个随时间重复测量的生物标志物（纵向过程）与一个终点事件（如死亡、疾病复发）之间的动态关联，并纠正因忽略纵向过程的测量误差、缺失机制或内生性而导致的生存模型估计偏倚。该领域自 Tsiatis & Davidian (2004) 的综述性工作以来已相当成熟，核心方法包括共享随机效应模型（shared random effects model）和潜在类别模型（latent class model）。当前的前沿在于处理更复杂的纵向数据结构（如非线性轨迹、多变量、零膨胀、非高斯分布）以及更灵活的关联结构。

发展脉络（history）¶

根据本文引言，该领域的发展脉络可梳理如下：

奠基工作：Tsiatis & Davidian (2004) 的综述确立了联合建模的基本框架，即通过共享随机效应连接纵向子模型和生存子模型。Henderson et al. (2000) 提出了一个经典的共享随机效应模型，其中纵向和生存过程通过共同的潜在过程（latent process）关联。这些工作奠定了“随机效应是关联桥梁”这一核心思想。
主要进展：Rizopoulos (2012) 的专著系统化了联合建模的理论与计算（主要基于最大似然估计和 EM 算法）。Proust-Lima et al. (2014) 提出了一个更灵活的框架，允许纵向轨迹为非线性（如通过 B 样条）。这些工作将联合模型从简单的线性轨迹推广到更复杂的形态。
当前 frontier：当前的前沿之一是处理非标准纵向数据，例如本文聚焦的半连续（semicontinuous）生物标志物。这类数据具有“零膨胀”（大量零值）和“右偏”（正值部分长尾）的特征，常见于肿瘤尺寸（SLD）、病毒载量、医疗费用等。作者指出，标准的联合模型（通常假设纵向结果为连续高斯分布）会因忽略零膨胀而产生偏倚。作者引用 Olsen & Schafer (2001) 和 Tooze et al. (2002) 作为两部件模型（two-part model）处理半连续数据的奠基工作，但指出这些工作未与生存结局联合建模。
本文的位置：本文的定位是填补上述空白：将两部件模型（处理半连续纵向数据）与联合建模框架（处理生存结局）结合。作者声称这是“首次”提出此类联合模型（“To our knowledge, this is the first joint model that accounts for the semicontinuous nature of a longitudinal biomarker”）。它属于“方法应用”型工作，而非理论创新。

子线索聚类¶

这些被引文献大致落在以下子线索上：

线索一：标准联合模型（Standard Joint Models）：以 Tsiatis & Davidian (2004)、Rizopoulos (2012)、Henderson et al. (2000) 为代表。核心是共享随机效应，假设纵向结果为连续高斯分布。这是本文的基线方法，也是作者试图改进的对象。
线索二：两部件模型（Two-Part / Hurdle Models）：以 Olsen & Schafer (2001)、Tooze et al. (2002) 为代表。专门处理半连续数据，将分布拆分为“零 vs 非零”的二项部分和“正值”的连续部分。但这些模型是纯纵向的，不包含生存结局。
线索三：处理非标准纵向数据的联合模型：这是本文的直接竞争者。作者引用了 Proust-Lima et al. (2014)（处理非线性轨迹）和 Baghfalaki et al. (2014)（处理偏态数据）。本文的独特之处在于专门处理“零膨胀”这一特定非标准特征。

这个方向在追问的核心问题¶

如何正确刻画纵向生物标志物与生存风险之间的关联？ 当前主流方法是通过共享随机效应（如随机截距、随机斜率）或当前值（current value）关联。本文提出了三种关联结构（当前值、斜率、共享随机效应），并比较了它们。
如何处理纵向数据中的非标准特征（零膨胀、偏态、非线性）？ 已知瓶颈是：忽略这些特征会导致生存模型参数估计偏倚（本文模拟研究证实了这一点）。
如何高效地进行参数估计和推断？ 联合模型的似然函数通常涉及高维积分（对随机效应积分），计算是主要瓶颈。本文使用了 R 包 marqLevAlg 进行数值优化，但未深入讨论计算复杂度。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者将缺口 frame 为“现有联合模型无法处理半连续纵向数据”，因此本文是“显然的下一步”——将两部件模型嵌入联合模型框架。作者通过模拟研究（忽略零膨胀会导致偏倚）和真实数据（GERCOR 研究）来强化这一叙事的必要性。
哪些竞争路线被他淡化或回避了：
- 潜在类别联合模型（Latent Class Joint Models）：这类模型（如 Proust-Lima et al., 2014）通过将人群分为若干潜在亚组来处理异质性，也能部分解释零膨胀（例如，某些亚组更可能产生零值）。作者在引言中仅一笔带过，未深入比较。
- 非参数/半参数方法：本文完全采用参数模型（纵向部分：二项+对数正态；生存部分：Weibull 或分段常数风险）。作者未讨论使用更灵活的非参数方法（如 B 样条、高斯过程）来处理零膨胀的可能性。
什么明显该被引/该存在、却没出现在 intro 里？：作者未引用任何关于因果推断的文献。联合模型本身常被用于因果中介分析或处理时变混杂，但本文完全从预测/关联角度出发，未讨论其因果解释。对于一位因果推断研究者，这是一个明显的缺口。

张力¶

未见明显对立引用。所有被引工作都指向一个共识：联合模型是处理纵向-生存数据的有效工具，且处理非标准数据是重要的扩展方向。本文的工作是这一共识下的一个具体实现。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \( i = 1, \dots, N \)：个体索引。
- \( j = 1, \dots, n_i \)：个体 \( i \) 的第 \( j \) 次测量。
- \( t_{ij} \)：个体 \( i \) 的第 \( j \) 次测量的时间。
- \( Y_{ij} \)：个体 \( i \) 在时间 \( t_{ij} \) 的可观测纵向生物标志物（如肿瘤尺寸 SLD）。它是半连续的：有大量零值，且正值部分右偏。
- \( T_i \)：个体 \( i \) 的可观测终点事件时间（如死亡时间）。若发生删失，则观测到 \( (T_i^*, \delta_i) \)，其中 \( T_i^* = \min(T_i, C_i) \)，\( C_i \) 是删失时间，\( \delta_i = I(T_i \le C_i) \) 是事件指示符。
- \( \mathbf{X}_{ij}^{(1)}, \mathbf{X}_{ij}^{(2)} \)：纵向子模型中的可观测协变量向量（如治疗组、时间、时间交互项）。
- \( \mathbf{Z}_{ij}^{(1)}, \mathbf{Z}_{ij}^{(2)} \)：纵向子模型中的随机效应设计矩阵（通常包含截距和斜率）。
- \( \mathbf{X}_i^{(s)} \)：生存子模型中的可观测协变量向量（如治疗组、基线特征）。
- \( \boldsymbol{\beta}_1, \boldsymbol{\beta}_2 \)：纵向子模型中的固定效应参数（待估）。
- \( \mathbf{b}_i = (b_{0i}, b_{1i})^\top \)：个体 \( i \) 的随机效应（潜在变量，不可观测），通常假设服从均值为 0 的多元正态分布 \( N(\mathbf{0}, \mathbf{D}) \)。
- \( \lambda_0(t) \)：生存子模型中的基线风险函数（非参数或参数化，如 Weibull）。
- \( \boldsymbol{\gamma} \)：生存子模型中的协变量效应参数（待估）。
- \( \boldsymbol{\alpha} \)：关联参数（association parameter），连接纵向过程和生存风险。
模型：
- 纵向子模型（两部件模型）：
  - 第一部分（零膨胀部分）：\( P(Y_{ij} = 0 | \mathbf{b}_i) = \text{logit}^{-1}(\mathbf{X}_{ij}^{(1)\top} \boldsymbol{\beta}_1 + \mathbf{Z}_{ij}^{(1)\top} \mathbf{b}_i) \)。这是一个二项模型，预测“值为零”的概率。
  - 第二部分（正值部分）：给定 \( Y_{ij} > 0 \)，\( \log(Y_{ij}) | Y_{ij} > 0, \mathbf{b}_i \sim N(\mathbf{X}_{ij}^{(2)\top} \boldsymbol{\beta}_2 + \mathbf{Z}_{ij}^{(2)\top} \mathbf{b}_i, \sigma^2) \)。这是一个对数正态模型，刻画正值部分的分布。
- 生存子模型（比例风险模型）：
  - \( h_i(t | \mathbf{b}_i) = \lambda_0(t) \exp(\mathbf{X}_i^{(s)\top} \boldsymbol{\gamma} + \alpha \cdot m_i(t)) \)，其中 \( m_i(t) \) 是关联结构，是随机效应 \( \mathbf{b}_i \) 的函数。本文考虑了三种：
    1. 当前值关联：\( m_i(t) = E[Y_i(t) | \mathbf{b}_i] \)（即纵向模型在时间 \( t \) 的期望值）。
    2. 斜率关联：\( m_i(t) = d/dt E[Y_i(t) | \mathbf{b}_i] \)（即纵向轨迹的瞬时变化率）。
    3. 共享随机效应关联：\( m_i(t) = b_{0i} + b_{1i} t \)（即随机截距和随机斜率的线性组合）。
可观测数据：研究者能观测到 \( \{ (Y_{ij}, t_{ij}, \mathbf{X}_{ij}^{(1)}, \mathbf{X}_{ij}^{(2)}, \mathbf{Z}_{ij}^{(1)}, \mathbf{Z}_{ij}^{(2)}) \}_{j=1}^{n_i} \)，以及 \( (T_i^*, \delta_i, \mathbf{X}_i^{(s)}) \)。不可观测的是随机效应 \( \mathbf{b}_i \) 和基线风险函数 \( \lambda_0(t) \)。识别依赖于对随机效应分布和模型结构的参数假设。

第二步：讲最小内核¶

本文的最小内核是一个包含随机截距的两部件联合模型，用于处理一个简单的二值治疗（A vs B）和一个终点事件。

最简特例：
- 纵向数据：每个个体只有一次基线测量和一次随访测量（\( n_i = 2 \)）。生物标志物 \( Y_{ij} \) 在随访时可能为零（例如，肿瘤消失）。随机效应只包含一个随机截距 \( b_{0i} \)，即 \( \mathbf{b}_i = b_{0i} \)。协变量只有治疗组 \( \text{Trt}_i \)（0/1）和时间 \( t_{ij} \)（0 或 1）。
- 模型退化：
  - 零膨胀部分：\( P(Y_{ij} = 0 | b_{0i}) = \text{logit}^{-1}(\beta_{10} + \beta_{11} \text{Trt}_i + \beta_{12} t_{ij} + b_{0i}) \)。
  - 正值部分：\( \log(Y_{ij}) | Y_{ij} > 0, b_{0i} \sim N(\beta_{20} + \beta_{21} \text{Trt}_i + \beta_{22} t_{ij} + b_{0i}, \sigma^2) \)。
  - 生存部分：\( h_i(t | b_{0i}) = \lambda_0(t) \exp(\gamma \text{Trt}_i + \alpha b_{0i}) \)。这里关联结构简化为“共享随机截距”，即 \( m_i(t) = b_{0i} \)。这意味着，一个个体“天生”的基线生物标志物水平（由 \( b_{0i} \) 捕获）越高，其死亡风险也越高（若 \( \alpha > 0 \)）。
- 核心思路：这个模型要解决的核心问题是：如何同时估计治疗对纵向轨迹的影响（\( \beta_{11}, \beta_{21} \)）和对生存风险的影响（\( \gamma \)），同时纠正因忽略纵向过程与生存过程之间的相关性（通过 \( b_{0i} \) 和 \( \alpha \) 建模）而导致的偏倚？
- 为什么成立：如果不联合建模，而是先估计纵向模型（得到 \( \hat{b}_{0i} \)），再将其作为协变量放入生存模型，会因测量误差（\( \hat{b}_{0i} \) 是 \( b_{0i} \) 的带噪估计）导致 \( \alpha \) 和 \( \gamma \) 的估计偏倚。联合模型通过同时最大化纵向和生存数据的似然，利用随机效应 \( b_{0i} \) 作为桥梁，实现了对参数的一致估计。在这个特例下，要证的命题是：联合估计的 \( \hat{\alpha} \) 和 \( \hat{\gamma} \) 比两步法估计更接近真实值（无偏或偏倚更小）。本文的模拟研究验证了这一命题。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：针对肿瘤临床试验中纵向半连续生物标志物（零膨胀、右偏）与终点事件（死亡）的联合建模问题，提出了一种两部件联合模型。
核心工具/方法：将两部件模型（二项部分 + 对数正态部分）与比例风险模型通过共享随机效应连接，并设计了三种关联结构（当前值、斜率、共享随机效应）。
主要结论：模拟研究表明，若忽略半连续特性而使用单部件联合模型，参数估计会出现偏倚；应用于转移性结直肠癌数据，发现治疗组 B 与更高的肿瘤尺寸相关，且其正向关联导致死亡风险增加。

关键设定与假设¶

在第二节最小记号的基础上，完整设定如下：

纵向子模型：
- 零膨胀部分：\( \text{logit}(P(Y_{ij} = 0 | \mathbf{b}_i)) = \mathbf{X}_{ij}^{(1)\top} \boldsymbol{\beta}_1 + \mathbf{Z}_{ij}^{(1)\top} \mathbf{b}_i \)。假设：给定随机效应，零值与否独立于其他观测（条件独立）。
- 正值部分：\( \log(Y_{ij}) | Y_{ij} > 0, \mathbf{b}_i \sim N(\mathbf{X}_{ij}^{(2)\top} \boldsymbol{\beta}_2 + \mathbf{Z}_{ij}^{(2)\top} \mathbf{b}_i, \sigma^2) \)。假设：给定随机效应，正值部分服从对数正态分布（这是强参数假设）。
- 随机效应：\( \mathbf{b}_i \sim N(\mathbf{0}, \mathbf{D}) \)。假设：随机效应在个体间独立同分布。
生存子模型：
- \( h_i(t | \mathbf{b}_i) = \lambda_0(t) \exp(\mathbf{X}_i^{(s)\top} \boldsymbol{\gamma} + \alpha \cdot m_i(t)) \)。
- 基线风险：\( \lambda_0(t) \) 被参数化为 Weibull 风险或分段常数风险（本文使用了分段常数风险，将时间轴划分为 5 个区间）。这是一个强假设，限制了风险函数的形状。
- 关联结构：\( m_i(t) \) 是随机效应 \( \mathbf{b}_i \) 的线性函数（对于当前值和斜率关联，它也是固定效应的线性函数）。假设：关联是线性的且时不变的（即 \( \alpha \) 不随时间变化）。
可观测数据与识别：模型通过条件独立假设识别：给定随机效应 \( \mathbf{b}_i \)，纵向过程 \( Y_{ij} \) 和生存时间 \( T_i \) 是独立的。这是联合模型的标准识别条件。
相比已有文献的强化/放宽：相比标准联合模型（假设纵向结果为连续高斯），本文放宽了对纵向数据分布的假设（允许零膨胀）。相比纯两部件模型（Olsen & Schafer, 2001），本文强化了模型结构（加入了生存部分和关联参数）。

主要结果¶

本文的主要结果来自模拟研究和真实数据应用，而非理论定理。

模拟研究：
- 设计：模拟了三种场景：1）真实模型为两部件联合模型；2）真实模型为单部件（忽略零膨胀）联合模型；3）真实模型为两部件但无关联（\( \alpha = 0 \)）。
- 核心量化结论：当真实模型为两部件时，若错误地使用单部件联合模型，生存子模型中的关联参数 \( \alpha \) 和协变量效应 \( \gamma \) 的估计会出现显著偏倚（具体偏倚大小未在摘要中给出，但作者声称“some bias can arise”）。例如，若 \( \alpha \) 的真实值为正，单部件模型可能低估它，甚至将其估计为负。
- 与 baseline 对比：baseline 是单部件联合模型。两部件模型在真实模型为两部件时，参数估计的偏差和均方误差（MSE）更小。
- 稳健性：当真实模型为单部件时，两部件模型的表现与单部件模型相当（即没有过度惩罚）。这表明两部件模型是一个更稳健的选择。
真实数据应用（GERCOR 研究）：
- 数据：来自转移性结直肠癌的 GERCOR 研究，包含 202 名患者。纵向生物标志物是肿瘤尺寸（SLD，靶病灶最长径之和），在基线、每 2 个月随访一次。终点是总生存期（OS）。治疗组 A 为 FOLFIRI/FOLFOX6，治疗组 B 为 FOLFOX6/FOLFIRI。
- 方法应用：将两部件联合模型（三种关联结构）和单部件联合模型分别拟合到数据。
- 结果：
  - 两部件模型显示，治疗组 B 与更高的 SLD 值相关（即肿瘤尺寸更大）。
  - 两部件模型中的关联参数 \( \alpha \)（当前值关联）显著为正，表明更高的 SLD 与更高的死亡风险相关。
  - 因此，治疗组 B 通过增加 SLD 间接增加了死亡风险。
  - 单部件模型未能检测到治疗组 B 对 SLD 的显著影响，且关联参数不显著。
- 这个例子想说明什么：验证了模拟研究的结论——忽略零膨胀会掩盖真实的纵向轨迹和生存关联，导致错误的临床结论。两部件模型能更准确地揭示治疗组 B 的负面效应。

证明路线与技术技巧（理论型必写，要具体）¶

本文是应用/方法型论文，没有严格的数学证明。其“证明”是通过模拟研究来验证方法的有效性。因此，技术路线是计算而非理论。

整体路线：
1. 构建似然函数：基于条件独立假设，写出联合似然函数 \( L(\boldsymbol{\theta}) = \prod_{i=1}^N \int \left[ \prod_{j=1}^{n_i} f(Y_{ij} | \mathbf{b}_i; \boldsymbol{\theta}) \right] \times f(T_i^*, \delta_i | \mathbf{b}_i; \boldsymbol{\theta}) \times f(\mathbf{b}_i; \boldsymbol{\theta}) d\mathbf{b}_i \)。其中 \( f(Y_{ij} | \mathbf{b}_i) \) 是两部件纵向密度，\( f(T_i^*, \delta_i | \mathbf{b}_i) \) 是生存似然（包含删失），\( f(\mathbf{b}_i) \) 是随机效应密度。
2. 数值积分：由于随机效应 \( \mathbf{b}_i \) 的积分没有解析解，使用高斯-埃尔米特求积（Gauss-Hermite quadrature） 进行数值近似。这是联合模型的标准计算技巧。
3. 优化：使用 R 包 marqLevAlg 中的 Marquardt-Levenberg 算法（一种拟牛顿法）最大化数值近似的对数似然函数。
4. 模型比较：使用 AIC、BIC 等准则比较不同关联结构和单部件模型。
关键跳跃点：没有理论上的跳跃点。计算上的难点在于高维随机效应（本文只用了二维：随机截距和斜率）的数值积分，以及优化算法的收敛性。作者未深入讨论这些计算问题。
技术技巧点名：
- 高斯-埃尔米特求积：用于近似随机效应的积分。这是标准技巧，但作者未说明使用的节点数。
- Marquardt-Levenberg 算法：一种稳健的梯度下降优化算法，用于最大化似然函数。
- 分段常数基线风险：将时间轴分段，假设每段内风险为常数，以参数化 \( \lambda_0(t) \)。这是一种常见的半参数近似。

🔎 结论是否比证明窄¶

是的。作者声称“这是第一个”处理半连续纵向数据的联合模型。但这一结论仅基于模拟研究和单一真实数据应用。作者并未提供理论证明（如一致性、渐近正态性、效率界）来支持这一方法的普遍有效性。因此，结论的适用范围被限制在“模拟设定和 GERCOR 数据”内。作者在讨论部分也承认了这一点，指出未来需要更广泛的理论研究和模拟。

四、开放问题¶

理论性质：本文的两部件联合模型是否具有参数估计的一致性、渐近正态性和半参数效率？这需要严格的数学证明，而非仅靠模拟。扎根点：本文未提供任何理论定理，所有结论基于模拟。
因果解释：本文的关联参数 \( \alpha \) 能否被解释为因果效应？例如，\( \alpha \) 是否代表“肿瘤尺寸对死亡风险的因果影响”？在存在时变混杂（如后续治疗）的情况下，该模型可能产生偏倚。如何将其扩展为因果中介分析或处理时变混杂的框架？扎根点：引言和讨论均未提及因果推断。
计算可扩展性：当随机效应维度增加（如加入随机二次项）或样本量增大时，高斯-埃尔米特求积的计算成本会急剧上升。是否有更高效的计算方法（如变分贝叶斯、拉普拉斯近似、或基于积分变换的 MCMC）？扎根点：作者仅使用了 marqLevAlg 包，未讨论计算瓶颈。
关联结构的非参数化：本文假设关联是线性的（\( \alpha \cdot m_i(t) \)）。如果关联是非线性的（例如，肿瘤尺寸对死亡风险的影响在低水平和高水平时不同），模型如何扩展？扎根点：作者仅考虑了三种线性关联结构，未讨论非线性关联的可能性。

Maintained by 陈星宇 · Homepage · Source on GitHub