Dynamic prediction in flexible Bayesian additive joint models

Abstract

Medizinische Behandlungen, die individuell auf den Patienten zugeschnitten sind, bekannt auch als personalisierte Medizin, erreichen eine steigende Popularität in den letzten Jahrzehnten. Eine vielversprechende Methode für die statistische Analyse und Vorhersage personalisierter Medizin sind Joint Models, welche die gemeinsame Modellierung von longitudinalen und Ereigniszeitdaten ermöglichen. Basierend auf diesen Modellen können individuelle dynamische Vorhersagen abgeleitet werden. In dieser Arbeit haben wir eine dynamische Vorhersage für die Ereigniszeit und die longitudinalen Ergebnisse implementiert, die den bereits bestehenden Rahmen von sogenannten „flexible Bayesian additive Joint Models“ erweitert. „Flexible Bayesian additive Joint Models“ sind eine spezielle Klasse von Joint Models, die eine zusätzliche subjekt-spezifische Flexibilität in der Modellierung erlauben. Wir haben untersucht, ob diese zusätzliche Flexibilität die Qualität der Vorhersage verbessert, indem wir unseren Ansatz mit einem üblichen Joint Models Ansatz vergleichen. Für diesen Vergleich wurden explizit für Joint Models entwickelte Qualitätsmaße verwendet. Unsere Ergebnisse zeigen, dass eine dynamische Vorhersage basierend auf „flexible Bayesian additive Joint Models“ im Allgemeinen bessere Leistungen erbringt als der übliche Modellansatz. Darüber hinaus konnten wir zeigen, dass wenn der wahre zugrundeliegende Zusammenhang zwischen longitudinalem Biomarker und Eventzeit nichtlinear ist, die dynamische Vorhersage in der Regel genauere Prognosen erzielt, wenn anstelle eines konstanten Zusammenhangs ein zeitvariierender modelliert wird.

Medical treatments tailored to the individual patient commonly known as personalized medicine have received increasing attention over the past decades. A promising method for analysis and prediction in the field of personalized medicine are joint models. Joint models enable to jointly model longitudinal and time to event data based on which individualized dynamic predictions can be derived. In this work we extended the existing framework of flexible Bayesian additive joint models by implementing a dynamic prediction for the time to event and longitudinal outcomes. Flexible Bayesian additive joint models are a specific class of joint models which allow for additional subject-specific flexibility. We investigate if this additional flexibility improves the overall predictive quality by comparing our framework to a standard joint modeling approach by means of accuracy measures explicitly developed for the joint modeling framework. Our results show that a dynamic prediction based on flexible Bayesian additive joint models generally outperforms the standard model approach. Moreover, we could show that if the true underlying association of longitudinal marker and event is nonlinear the dynamic prediction generally performs better when modeling a time-varying association instead of a constant one.