在本文中，潛類别軌迹模組化 (LCTM) 是流行病學中一種相對較新的方法，用于描述生命過程中的暴露，它将異質人群簡化為同質模式或類别。然而，對于給定的資料集，可以根據類的數量、模型結構和軌迹屬性得出不同模型的分數。
相關視訊
拓端
拓端
本文說明了LCTM的基本用法，用于彙總拟合的潛在類軌迹模型對象的輸出。
例子
_目的_：通過将 BMI 模組化為年齡函數，識别具有不同軌迹的參與者亞組。根據迄今為止可用的文獻，我們假設初始 K=5 類 BMI 軌迹。
我們使用體重指數 (BMI) 重複測量 10,000 個樣本的長格式資料框（檢視文末了解資料擷取方式）。
提供了一個示例（模拟）資料集 bmi 來描述整個步驟。
包含的變量有：
id - 個人 ID
年齡 - BMI 測量的年齡，以年為機關
bmi - 個人在 T1、T2、T3 和 T4 時間的體重指數，以 kg/m^2 為機關 true_class - 用于識别模拟個人 BMI 資料的類别的标簽
加載資料
繪制資料
潛在類軌迹模組化的八步示例
為了對縱向結果 yijk 進行模組化，對于 k=1:K，類，對于個體 i，在時間點 j，tj可以使用許多模組化選擇。我們在這裡給出方程來說明這些，并按照複雜度增加的順序将它們命名為模型 A 到 G。
模型 A：無随機效應模型 | 固定效應同方差 | - 解釋個人軌迹與其平均類軌迹的任何偏差僅是由于随機誤差
其中假設所有類的殘差方差相等，
相關視訊
拓端
模型 B：具有特定類别殘差的固定效應模型 | 異方差 | 與模型 A 相同的解釋，随機誤差在不同的類别中可能更大或更小。
其中假設殘差方差不同
模型 C：随機截距 解釋是允許個體的初始體重不同，但假設每個班級成員遵循平均軌迹的相同形狀和大小
對于 k=1:K, classes, 對于個體 i, 在時間點 j, tj,
其中随機效應分布
模型 D：随機斜率 允許個體在初始權重和平均軌迹的斜率上有所不同
對于 k=1:K，類，對于個體 i，在時間點 j , tj,
其中假設随機效應分布為
模型 E：随機二次 - 跨類的共同方差結構 允許個體在類内通過初始權重變化，但是假設每個類具有相同的變異量。對于 k=1：K, 類, 對于個體 i, 在時間點 j, tj,
其中假設随機效應分布為
模型 F 和 G：随機二次 - 允許方差結構跨類變化的比例限制 ，增加模型 E 的靈活性，因為允許方差結構相差一個乘法因子，以允許某些類具有更大或更小的類内方差。該模型可以被認為是模型 G 的更簡潔版本（将要估計的方差-協方差參數的數量從 6xK 參數減少到 6+（K-1）個參數。
對于 k=1:K, classes, 對于個體 i, 在時間點 j, tj,
其中假設随機效應分布為
第一步：選擇随機效應結構的形式
為了确定随機效應的初始工作模型結構，可以遵循 Verbeke 和 Molenbergh 的基本原理來檢查沒有随機效應的模型中每個 K 類的标準化殘差圖的形狀。
如果殘差輪廓可以近似為平坦、直線或曲線，則分别考慮随機截距、斜率或二次項。
為了拟合沒有随機效應的潛在類模型。
hlmfixed(bmig) 然後，我們将拟合模型輸入 LCTM中的 step1 函數，以檢查特定類别的殘差。
第2步
優化步驟 1 中的初步工作模型以确定最佳類數，測試 K=1,...7。可以根據最低貝葉斯資訊标準 (BIC) 來選擇所選類别的數量。
set.seed(100)
for (i in 2:4) {
mi <- lchlme( data.frame(bmg\[1:500,\])
}
#> Be patient, hlme is running ...
#> The program took 0.29 seconds
#> Be patient, hlme is running ...
#> The program took 0.69 seconds
#> Be patient, hlme is running ...
#> The program took 2.3 seconds
modelut <-kable(lin) 第 3 步
使用步驟 2 中推導出的偏好 K 進一步細化模型，測試最優模型結構。我們測試了七個模型，從簡單的固定效應模型（模型 A）到允許殘差在類别之間變化的基本方法（模型 B）到一組具有不同方差結構的五個随機效應模型（模型 CG）。
- A（SAS、PROC TRAJ）
- B型（R，mmlcr）
調用 source() 指令。
mmldata = bmi_l01
# ) # model_b$BIC - C （SAS、PROC TRAJ）
- D 型（SAS、PROC TRAJ）
- E型 (R, lcmm)
moe <- hlmfixed = bmi ~1+ age + I(age^2),
mixture = ~1 + age + I(age^2)
#> Be patient, hlme is running ...
#> The program took 0.77 seconds me$BIC - F型 (R, lcmm)
fixed = bmi ~1+ age + I(age^2),
mixture = ~1 + age + I(age^2) mod$BIC - G （SAS、PROC TRAJ）
第四步
執行一些模型充分性評估。首先，對于每個參與者，計算被配置設定到每個軌迹類的後驗機率，并将個體配置設定到機率最高的類。在所有類别中，這些最大後驗配置設定機率 (APPA) 的平均值高于 70% 被認為是可以接受的。使用正确分類、不比對的幾率進一步評估模型的充分性。
LCTMdel_f 第 5 步
- 圖形表示方法；
- 繪制包含每個類的時間平均軌迹
- 每個類具有 95% 預測區間的平均軌迹圖，顯示每個類内預測的随機變化
plotpred <- predictY
plototp - 個人水準的“面條圖”随時間變化，取決于樣本量，可能使用參與者的随機樣本
ggplot(bm, aes(x = age, y = bmi)) + geom_line ggplot(bmong) + geom_line 01
02
03
04
第 6 步
評估模型。
第 7 步
使用四種方法評估臨床特征和合理性；
1. 評估軌迹模式的臨床意義，旨在包括至少 1% 的人群的類别
postprb( modf ) 2. 評估軌迹類别的臨床合理性
使用生成的圖 來評估預測的趨勢對于正在研究的組是否現實。例如，對于研究 BMI，顯示下降到 <5 kg/m2 的預測趨勢是不現實的。
3. 潛在類别與傳統分類的特征清單
使用從所選模型中提取類配置設定；
然後用描述性變量回報到主資料集中。
然後可以根據需要将這些制成表格。
等等。
4. 使用 kappa 統計的類成員與傳統 BMI 類别成員的一緻性
# 定義BMI類别，這些類别的數量需要與類别的數量相等
confusionMatrix(bmi_class, bmclass
kable(y, row.names = ) 第 8 步
酌情進行敏感性分析。
資料擷取
在下面公衆号背景回複“BMI資料”，可擷取完整資料。