使用完整的患者病史预测临床事件的个人风险仍然是个性化医学的主要挑战。在用于计算个体动态预测的方法中,联合模型具有在辍学时使用所有可用信息的资产。但是,它们仅限于少量的纵向预测因子。我们的目标是提出一种创新的替代解决方案,以使用可能大量的纵向预测变量来预测事件概率。我们开发了Dynforest,这是处理内源性纵向预测因子的竞争风险的随机生存森林的扩展。在树的每个节点上,将时间依赖的预测变量转换为定期特征(使用混合模型),以用作将受试者分为两个亚组的候选者。单个事件的概率是由Aalen-Johansen估计器在每棵树中估算的,该叶子的叶子是根据其预测因子史对受试者进行分类的。最终的个人预测由特定于树特定的个人事件概率的平均值给出。我们进行了一项仿真研究,以证明在小维环境(与关节模型相比)和较大的维环境(与忽略内容丰富的辍学方法的回归校准方法相比)中的DynForest的性能。我们还将DynForest应用于(i)根据认知,功能,血管和神经脱位标记的重复度量预测老年人痴呆的个体概率,以及(ii)量化每种标记物对痴呆预测的重要性。在R软件包DynForest中实施,我们的方法论为预测纵向内生预测变量的事件的方法提供了解决方案。
translated by 谷歌翻译