论文部分内容阅读
多元生存数据研究近年在生存分析领域备受关注。关于时间事件数据(time-to-event data)的分析尽管有多种统计模型可供选择,但大多模型假定要求可观测到的协变量或影响因素来自同质总体,且每一个体只经历一次事件(死亡)。医学随访研究中,更多的情况是时间-事件在同一个体多次反复发生,即同一个体或同一观察单位可能在一段时间内多次经历同一事件,称该类数据为复发事件资料(recurrent events data)。如某恶性肿瘤患者,在治疗过程中可能出现多次缓解与复发。若时间-事件数据在同一个体或组内个体生存时间之间有相关性存在,称为多变量时间-事件数据(Multivariate time-to-event data),它不仅具有重复测量数据的特征(相关性),且其事件发生的风险在不同时间上也存在异质性。经典的生存分析模型如Cox比例风险模型无法利用结构数据提供的信息。脆弱模型将随机效应引入Cox比例风险模型,考虑了组内相关性和组间异质性,越来越广泛地用于解决非独立生存数据分析问题。常用的脆弱模型多为共享脆弱模型,即同一个体或同组个体分享同一个脆弱值,并假定脆弱服从某特定分布,是Cox比例风险模型的延伸,具有乘积效应。多元生存数据分析中,若不考虑生存分析数据特点和重复测量结构数据特征,采用简单的合并,必然会损失数据信息。本研究进一步阐明正则稳态脆弱回归模型原理,将随机效应(脆弱)引入Cox比例风险模型,考虑了组内相关性和组间异质性,构建脆弱为正则稳态分布的共享脆弱模型。根据是否指定基准风险率形式,分别建立参数模型及半参数模型。假定基准风险率为威布尔分布,采用MMLE法进行正则稳态脆弱回归模型参数估计;若基准风险率分布未知,基于轮廓似然的EM算法构建半参数模型。通过伴视网膜病变的糖尿病患者,采用激光光凝术治疗后双眼失明时间随访资料和慢性肉芽肿患者反复感染资料,构建正则稳态脆弱回归模型,与一般Cox比例风险模型及gamma脆弱模型进行了对比研究,结果表明:多元生存数据组内具有相关性,组间具有异质性,Cox比例风险模型为生存分析基础模型,未考虑多元生存数据内部相关结构,使得协变量效应有偏。正则稳态脆弱模型,假定同一个体或同一组内多个个体共享一个脆弱,不同个体或组间脆弱服从独立同正则稳态分布,充分利用数据结构特征,估计协变量效应更准确,结果解释更合理。根据参数模型估计所得脆弱分布参数,可得出个体或组共享脆弱值,对于本文实例,伽玛脆弱模型尚不能更好地反映结构数据特征,最好采用正则稳态脆弱模型。若多元生存数据异质性检验尚不能认为有相关性存在时,正则稳态脆弱模型协变量效应估计结果与不考虑脆弱的Cox模型以及weibull参数模型结果基本一致,则无需另编程序或另选方法,方便省时。生存分析随访研究中,预后评价是临床实践中更关注的问题,具有重要应用价值。本文首次根据医学实例拟合的共享脆弱模型,将脆弱引入预后指数,进行疗效的预后评价,结果表明,据预后指数分组的患者生存曲线变化,分界更准确,预后评价更符合临床医学解释。综上所述,正则稳态脆弱模型是多元生存数据分析的最适选择。模型参数估计采用边际极大似然估计(MMLE)和轮廓似然EM算法,结果准确合理,在SAS宏和R软件分析中易于实现,为临床应用中复发事件资料、家族性疾病或者多中心临床试验研究提供一种新方法。首次将脆弱引入共享脆弱模型计算预后指数,据预后指数分组的患者生存曲线变化进行预后评价,是临床分析中值得推崇的一种方法。