换一批贝叶斯联合模型在纵向观测和生存数据整合分析中的应用
Application of Bayesian joint models in the integrated analysis of longitudinal and survival data
摘要在医学随访研究中,纵向观测数据(如重复测量的生物标志物或症状评分)与生存时间数据(如疾病进展或死亡事件)存在密切关联.传统的独立分析方法因忽视二者内在关联及测量误差,易导致统计推断偏差.联合模型通过共享随机效应关联纵向子模型与生存子模型,可纠正重复测量中的测量误差,提升参数估计效率和统计检验效能.传统频率学派的联合模型在简单场景下具有可行性,但在处理高维、非线性或复杂缺失机制处理时面临计算与推断挑战.贝叶斯联合模型基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法,通过引入先验分布和后验抽样技术,在参数估计稳健性、模型扩展性和动态预测性能方面更具优势.本文简介贝叶斯联合模型的方法学框架,包括:(1)纵向子模型(如线性混合效应模型)与生存子模型(如Cox比例风险模型)的构建;(2)三类常见关联结构(当前值、当前斜率及累积面积);(3)基于MCMC的贝叶斯参数估计;(4)个体化动态预测与模型性能评估.以原发性胆汁性肝硬化为例,演示贝叶斯联合模型的实际应用流程:从临床预测指标筛选、单/多指标联合模型拟合与比较,到时间依赖性ROC曲线验证预测效能.实例分析显示,贝叶斯联合模型可有效整合纵向轨迹信息,动态更新个体生存概率,为临床精准决策提供量化依据.
更多相关知识
关键词
纵向数据生存分析联合模型贝叶斯方法动态预测longitudinal datasurvival analysisjoint modelBayesian methoddynamic prediction
栏目名称
DOI
10.3969/j.issn.1672-8467.2026.02.021
发布时间
2026-04-09（万方平台首次上网日期，不代表论文的发表时间）
- 浏览9
- 被引0
- 下载7
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
