通过部分时间依赖的接收器运行特征曲线建模来分析生物标志物歧视性表现的异质性
Xinyang Jiang1, Wen Li2, Kang Wang3
1Department of Biostatistics and Data Science, The University of Texas Health Science Center at Houston, Houston, TX, USA.
Statistical methods in medical research
|July 25, 2024
概括
这项研究引入了一种新的回归模型,以评估生物标志物如何预测不同组患者的结果. 这些发现有助于理解生物标志物的性能变化,以改善诊断测试.
科学领域:
- 生物统计学 生物统计学
- 医学诊断 医学诊断 医学诊断
- 预测生物标志物 预测生物标志物
背景情况:
- 生物标志物性能评估对于临床决策至关重要.
- 像曲线下的面积 (AUC) 这样的传统指标可能无法完全捕捉与人口查相关的性能.
- 部分AUC (PAUC) 为诊断实用性提供了更有针对性的评估.
研究的目的:
- 开发和验证一个回归模型,以使用部分AUC (PAUC) 来评估生物标志物歧视性表现的异质性.
- 调查生物标志物预测准确度在不同患者子组的变化,以获得时间到事件的结果.
- 将开发的方法应用于用于早期阿尔茨海默病诊断的现实世界数据.
主要方法:
- 提出了一种专门用于部分AUC (PAUC) 估计的新型回归模型.
- 为离散和连续共变量开发了两个不同的估计程序.
- 采用伪部分概率方法进行可靠的推断.
- 进行模拟研究以评估在各种场景下提出的方法.
主要成果:
- 拟议的回归模型和估计程序有效评估了生物标志物的性能异质性.
- 模拟研究表明,在不同的共同变量类型和场景中,方法的可靠性得到了证明.
- 对阿尔茨海默病神经成像倡议数据集的应用揭示了基于患者特征的生物标志物的显著异质性.
结论:
- 开发的统计框架提供了一个强大的方法来评估生物标志物的歧视性性能异质性.
- 了解性能变化对于准确的生物标志物解释和临床实践中的应用至关重要,特别是在早期疾病诊断中.
- 这种方法提高了生物标志物的评估时间到事件的结果,为个性化医学和人口健康战略提供了有价值的见解.
