神经ODE+LMM模型：无需预设函数形式，自动捕捉BMI与血糖对认知衰退的轨迹依赖效应！
Neural ODE enhanced linear mixed effect models for estimating complex association patterns of time-varying covariates with the marker trajectory
📖 AI 总结
该研究提出了一种名为Neural ODE-LMM的新型统计模型，将神经常微分方程嵌入线性混合效应框架中，用于估计纵向队列研究中时变协变量与健康标志物轨迹之间的复杂关联模式。传统线性混合模型虽能处理不规则间隔的重复测量数据，但需预先指定暴露历史与结局之间的函数形式，存在局限性。新模型通过学习向量场将协变量轨迹编码为连续时间潜在状态，同时驱动固定效应和随机效应设计，保留了标准观测模型，既维持了基于似然的经典推断，又能灵活学习复杂的累积效应。模拟实验表明，该模型无需预设函数形式即可准确恢复即时效应和累积负担效应。在实际应用中，研究者利用法国三城市队列7324名参与者的数据，揭示了BMI和空腹血糖与认知衰退之间的轨迹依赖性关联，为流行病学中复杂时变关联的估计提供了新工具。
🔑 关键词速览
| Neural ODE | 神经常微分方程，一种将神经网络参数化的常微分方程，用于建模连续时间动态系统。 |
| Linear mixed-effects models (LMMs) | 线性混合效应模型，一种包含固定效应和随机效应的统计模型，用于分析具有相关性的重复测量数据。 |
| Counterfactual predictions | 反事实预测，指在假设不同协变量轨迹下预测的结果，用于评估因果效应。 |
| Penalised marginal likelihood | 惩罚边际似然，在似然函数中加入惩罚项以避免过拟合，用于参数估计。 |
| Delta method | Delta方法，一种用于近似估计函数方差的技术，常用于统计推断。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅