临床研究中的多状态建模：超越简单的生存分析

发布时间 2026 年 6 月 20 日

想象一下，如果研究人员不仅能够预测生存几率，还能预测健康状况的变化，那会是怎样一番景象？这就是多状态建模的强大之处。它是一种统计方法，正在改变肿瘤学和阿尔茨海默病等诸多领域的临床研究。

多状态模型的影响巨大，在肿瘤学领域有504个模型，在新冠肺炎研究中有252个模型。这表明多状态模型对于复杂疾病研究的重要性。简单的生存分析无法捕捉这些复杂的疾病进程。

多状态模型超越了传统的生存分析。它们考察疾病可能经历的所有变化，例如缓解或复发。这让我们能够更清晰地了解疾病的进展过程。

通过使用多状态建模，研究人员可以获得很多新见解。这有助于他们做出更好的决策并改善患者护理。对于研究人员、临床医生和学生来说，这是一个令人兴奋的领域。

关键精华

多状态模型 提供一个灵活而全面的框架来分析复杂的疾病过程，超越简单的生存分析。
在肿瘤学、COVID-19和神经系统疾病等各个临床领域发布的多状态模型的数量正在迅速增加。
多状态模型可以捕捉个体在疾病过程中经历的细微变化，从而更深入地了解其潜在机制。
采用多状态建模可以使研究人员和临床医生做出更明智的决策，制定有针对性的干预措施，并最终改善患者的治疗效果。
对于任何有兴趣推进临床研究和医疗保健的人来说，探索多状态建模的应用都是一项有价值的追求。

多状态模型简介

多状态模型是临床研究的关键。它们帮助我们了解疾病如何发展以及患者随时间的变化情况。这些模型研究患者所经历的状态以及他们如何从一种状态转变为另一种状态。

概述和术语

多状态模型的主要组成部分是状态和转换。状态表示患者不断变化的健康状况。转换是指从一个状态到另一个状态的移动。有些状态是暂时的，意味着患者可以离开。另一些状态是终末的/吸收性的，患者将永远停留在这些状态中。

构建状态空间

构建状态空间是设计多状态模型的关键。它必须足够复杂以回答研究问题，但又必须足够简单以便临床理解。状态空间的构建方式多种多样，例如简单的生存模型、竞争风险模型、疾病-死亡模型以及用于模拟进展性疾病的详细模型。

型号型号	描述
简单生存模型	具有两种状态的基本模型：活着和死亡。
竞争风险模型	具有多个吸收状态的模型，代表不同的可能事件（例如，不同的死亡原因）。
疾病-死亡模型	具有三种状态的模型：健康、疾病和死亡，捕捉从健康到疾病乃至死亡的进展。
进行性疾病型号	一种更复杂的模型，考虑疾病进展的多个阶段，例如合并症的发生。

“多状态模型为分析复杂的疾病轨迹和患者结果提供了一个全面的框架，使研究人员能够更深入地了解驱动临床事件的潜在过程。”

估计各州的概率和时间

在多状态模型中，Aalen-Johansen估计器是一种关键方法。它有助于估计在特定时间处于特定状态的概率。这类似于用于简单生存分析的Kaplan-Meier估计器。Aalen-Johansen估计值显示了随时间推移处于每种状态的概率。这有助于我们理解复杂疾病的进展以及治疗的作用机制。

随时间变化的状态概率可视化

Aalen -Johansen 估计值可以像 Kaplan-Meier 曲线一样，以图表的形式随时间变化呈现。这些图表显示了在不同时间点处于每种状态的概率。这对于理解复杂疾病的进展方式以及治疗对其的影响非常有用。通过使用这些图表，研究人员和医生可以更好地了解疾病进展的驱动因素，从而帮助他们做出更明智的患者护理决策。

过渡	频率	平均年龄（岁）	残留肿瘤	III/IV 期
保持无进展	29.7%	59	–	–
级数	65.7%	55	7.7% 有残留，39.7% 无残留	52.7%
没有进步就死亡	4.6%	60	–	91.2%
疾病进展后死亡	49.3%	62	45.8% 无残留	90.2%

这项研究在其多状态模型中采用了时钟重置方法。这意味着在病情恶化后，时间被重置为零。这有助于我们了解卵巢癌患者的病情如何随时间进展。

“多状态模型，例如扩展的疾病-死亡模型，越来越多地用于分析涉及竞争风险和中间事件的复杂临床场景，从而为疾病进展和治疗效果提供宝贵的见解。”

多状态危险建模

除了Aalen-Johansen 估计器之外，多状态模型还使用Cox 型回归模型。这些模型研究协变量如何影响状态转换的风险。它们有助于估计相对风险，并检验治疗如何影响疾病进程。

多状态风险建模中的Cox 回归模型使研究人员能够：

考虑各种因素，衡量疾病状态之间转变的风险。
了解干预、治疗或患者特征如何改变疾病的进程。
通过模拟随时间推移各状态间转移的风险，更好地了解复杂的疾病过程。

该方法是对Aalen-Johansen 估计器的补充，为临床研究中多状态数据的分析提供了一种灵活的方式。通过使用Cox 回归，研究人员可以了解疾病的驱动因素以及治疗如何影响疾病。

“多状态风险模型使我们能够超越简单的生存分析，对复杂的疾病过程有更细致的了解，从而做出更明智的临床决策和干预。”

申请：急性髓系白血病试验

多状态模型在临床研究中发挥了关键作用，尤其是在急性髓系白血病（AML）的CALGB 10603试验中。该试验纳入了717例新确诊的AML患者，并测试了米哚妥林对不同疾病状态的影响。其研究范围不仅限于总生存期。

该模型纳入了完全缓解、干细胞移植、复发以及死亡等状态，使研究人员能够深入了解米哚妥林的作用机制。结果显示，由于完全缓解率更高，复发和死亡风险更低，患者的生存率有所提高。

模拟表明，多状态建模在观察治疗效果方面优于传统方法。CALGB 10603 试验的主要结果已经表明米哚妥林有助于生存和缓解。但多状态建模更清楚地显示了治疗如何影响患者的疾病路径。

这种详细的了解对于医生和患者来说至关重要。它有助于做出更好的治疗选择并更好地管理疾病。

Aalen -Johansen估计器是多状态建模中的关键工具。它追踪患者随时间推移处于不同状态的概率，类似于用于生存分析的Kaplan-Meier估计器。这些可视化结果全面展现了疾病的进程以及治疗如何影响不同的结局。

“多状态模型可以在具有复杂疾病过程的临床试验环境中对治疗效果进行详细评估，从而深入了解治疗对患者可能经历的各种途径的影响。”

CALGB 10603 试验及其多状态模型表明，这些先进方法在急性髓系白血病研究中具有巨大价值。

多状态模型、疾病-死亡模型

传统的生存分析难以处理复杂的疾病进展或慢性病。这时，多状态模型（例如疾病-死亡模型）就派上了用场。这些方法能够更深入地了解患者在不同健康状态之间随时间推移的转变过程。

疾病-死亡模型是一种多状态模型。它包含三种状态：健康、患病和死亡。这使得研究人员能够研究慢性病或退行性疾病。患者可以从健康状态发展到患病状态，最终到达死亡阶段。

该模型非常适合了解疾病的发展过程。通过观察患者在不同状态之间的移动情况，研究人员可以了解哪些因素会影响他们的疾病历程。这有助于做出治疗选择和规划医疗资源。

理解转型动态

疾病-死亡模型研究患者在不同状态之间的转移。这些转移基于转移率或风险。研究人员使用诸如Cox比例风险回归等方法来研究各种因素如何影响这些转移。

这有助于医生和研究人员预测患者结果并找到高风险人群。他们还可以采取有针对性的干预措施来帮助患者。该模型还估计了达到最终状态的可能性以及患者在每个状态下停留的时间。

“多状态模型为复杂疾病过程的建模提供了一个全面的框架，使研究人员能够更深入地了解疾病进展并为临床决策提供信息。”

疾病-死亡模型不仅适用于慢性疾病。它还适用于研究急性疾病、康复和其他具有多种状态的健康场景。随着临床研究的发展，使用这样的先进模型将有助于改善患者护理和治疗结果。

竞争风险分析

在临床研究中，当一个事件阻止另一个事件发生时，就会出现竞争风险。这种情况需要更深入的分析，而不仅仅是简单的生存分析。多状态模型是理解这些风险的关键。它们可以展示每个事件随时间推移发生的概率。

估计累积发生率函数

累积发生率函数 (CIF)是竞争风险分析的核心。它清晰地展现了某一事件发生的概率，即使同时存在其他事件。Aalen -Johansen 估计器是计算 CIF 的首选方法，也是衡量每种结果风险的可靠手段。

在处理竞争风险时， CIF 和Aalen-Johansen 估计器优于 Kaplan-Meier 方法。它们能更准确地反映事件发生的真实概率。这在复杂的医疗案例中非常有用，例如分析不同的死亡原因或事件再次发生的风险。

Gray检验还可以通过比较不同组的CIF值来提供帮助。这可以提示哪些因素会影响竞争事件的风险。

“在存在竞争风险的情况下，Kaplan-Meier 估计可能会将竞争事件视为删失观察，从而导致发生率高估。”

使用竞争风险分析和 Aalen-Johansen 估计量可以帮助研究人员和医生更好地了解医疗保健。这可以改善患者护理并帮助做出明智的决策。

半马尔可夫过程和重复事件

半马尔可夫过程是研究生存时间数据的重要工具，尤其适用于模拟重复事件。与传统的马尔可夫模型不同，半马尔可夫过程会考虑在转换到下一个状态之前，个体在一个状态下停留的时间。

这在医疗保健领域非常有用。例如，再次患病的几率可能取决于你保持健康的时间长短。半马尔可夫模型可以捕捉到这一点，从而更清晰地展现疾病的进展过程以及患者随时间推移的健康状况。

定义半马尔可夫过程主要有两种方法：

指定停留时间分布和 转移概率 嵌入式离散时间马尔可夫链。
直接指定强度转换函数，或 风险率，控制状态间转换的瞬时概率。

第二种方法称为强度转换方法。从统计上看，这种方法更佳，因为它需要的参数更少。这使得它更容易与生存分析工具配合使用。

半马尔可夫过程广泛应用于临床研究的各个领域。它们有助于预测疾病进展、规划医疗资源以及模拟患者康复过程。疾病-死亡模型是一种半马尔可夫过程，常用于生物医学研究中，以研究疾病的发生发展路径。

使用半马尔可夫模型，研究人员可以更好地理解复杂的医疗保健问题。这可以为患者提供更好的决策和更好的治疗效果。

多状态建模软件

一些R 包已成为处理复杂临床研究的关键工具。它们有助于构建多状态模型和分析生存时间数据。例如，msm、mstate和survival等包非常适合构建状态空间和估计状态概率。它们还可以拟合 Cox 型回归模型，并以清晰的方式展示结果。

R 包和代码示例

R 语言的msm包非常适合拟合随时间变化的通用多状态模型。它允许您对事物变化进行建模，并使用带有协变量的隐马尔可夫模型。这对于追踪慢性疾病的恶化过程非常有用。

mstate包主要用于计算转移概率和累积发生率函数，非常适合分析竞争风险和半马尔可夫过程。而survival包则包含大量用于生存分析的函数，包括多状态模型。

R 包	主要功能	典型应用
MSM	拟合一般多状态模型，建模转换率和隐马尔可夫输出模型	慢性疾病进展、腹主动脉瘤筛查、肺和心脏移植后的问题
状态	估算转移概率和累积发生率函数，分析竞争风险和半马尔可夫过程	模拟疾病进展、评估治疗结果、复发事件分析
生存	全面的生存分析功能，包括多状态模型的实现	事件发生时间分析、疾病进展建模、治疗效果评估

这些软件包为研究人员提供了临床研究中多状态建模的强大工具。它们有助于发现新见解并加快我们对复杂疾病的理解。

优点和局限性

多状态模型比传统的生存分析方法有很大优势。它们可以同时研究多种疾病路径，让我们深入了解复杂疾病。它们还让我们了解不同的治疗方法如何影响疾病的每个步骤。

但是，这些模型可能很棘手。随着它们变得越来越复杂，理解结果可能会很困难。在制作模型时找到正确的平衡很重要。这确保我们获得有用的见解而不会迷失在细节中。

多状态模型的优点包括：

能够同时分析多种疾病途径
洞察复杂疾病的自然史
过渡特定治疗效果的评估

多状态模型的局限性包括：

预订量显著增长, 模型复杂度 随着状态和转换数量的增加
挑战 临床解释 结果，特别是在更复杂的模型中
构建时需要仔细考虑 状态空间 平衡细节和可解释性

多状态模型是一种强大的分析工具。但是，它们需要仔细思考，以平衡细节和易懂性。研究人员必须权衡利弊，以确保获得有用的信息。这些信息可以帮助医生做出更好的选择。

临床研究中的新兴应用

临床研究的复杂性日益增加，多状态模型的应用也随之扩展。这些先进的统计工具目前已被应用于癌症和心脏病研究，帮助我们更好地理解复杂的健康问题。

在癌症研究中，多状态模型是关键。它们有助于研究多阶段疾病，如缓解、复发和死亡。这样，研究人员就可以了解疾病如何进展以及哪些因素会影响患者的治疗结果。

对于心脏病研究，多状态模型也至关重要。它们研究心脏病发作和中风等反复发生的事件，以及因与心脏无关的原因导致的死亡等其他风险。这有助于研究人员了解不同的健康问题如何影响患者。

随着健康研究日趋复杂，我们需要更先进的工具，例如多状态模型。这些工具有望为我们提供比传统方法更深入的洞察，帮助研究人员和医生做出更明智的选择，更好地照顾患者。

应用领域	多州模型的关键考虑因素
癌症临床试验	分析具有多个事件的复杂疾病过程（例如，完全响应、复发、移植、死亡）捕捉不同疾病状态之间的转变深入了解整体疾病轨迹和影响患者结果的因素
心血管试验	留学重复事件（例如心肌梗塞、中风）分析竞争风险（例如心血管相关和非心血管死亡）了解不同疾病表现之间的相互作用及其对患者健康的影响

随着疾病和研究方法变得越来越复杂，多状态建模将变得更加重要。它将为我们提供旧方法无法提供的见解。这些新用途有望提高我们在健康研究中的理解和决策能力。这将为患者提供更好的护理，并带来更好的健康结果。

“多状态模型在临床研究中的新兴应用标志着该领域的重大进步，使研究人员能够更深入地研究疾病进展和患者预后的复杂动态。”

结语

多状态模型是一种灵活的方法来查看临床研究中的事件发生时间数据。它们非常适合研究具有许多可能事件和变化的复杂疾病。通过了解疾病如何进展以及治疗如何起作用，多状态模型可以让我们获得更深入的见解。

这些模型可以帮助我们了解治疗如何影响疾病的不同部分，而不仅仅是生存率。随着临床试验变得越来越复杂，使用多状态建模将变得更加普遍。这将帮助我们更好地了解现实生活中的治疗效果。

Maja von Cube、Martin Schumacher 和 Martin Wolkewitz 撰写的文章“临床研究中的多状态建模：超越简单的生存分析”是一大进步。它展示了多状态模型在医院感染等实际情况中的工作原理。

本研究使用扩展的疾病-死亡模型来了解感染是如何发生的以及它们如何随时间变化。它研究感染的风险和影响。文章强调了在研究死亡率时考虑活着出院的必要性以及转移概率的重要性。

这项研究展示了多状态建模在临床研究中的强大功能。当我们处理更复杂的数据时，本文中的想法和方法将是关键。它们将帮助我们了解复杂疾病以及如何更好地治疗。

常见问题解答

什么是多状态模型？

多状态模型是研究复杂疾病的一种灵活方法。它们让我们可以同时观察多种疾病路径。这让我们了解疾病如何自然发展。

多状态模型是如何构建的？

这些模型具有状态和转换。它们可以根据我们想要学习的内容处理许多不同的场景。状态空间显示所有可能的状态及其变化方式。

在多状态模型中如何估计状态概率？

Aalen-Johansen 估计量用于计算在特定时间处于特定状态的概率。它类似于 Kaplan-Meier 方法，但适用于更复杂的模型。

多状态模型如何评估协变量的影响？

这些模型使用 Cox 型回归分析来查看各种因素如何影响州际迁移。它们帮助我们了解迁移的风险以及每次迁移的治疗方法有何不同。

多状态模型如何应用于临床研究？

它们用于癌症和心脏病的研究。研究人员观察疾病如何发展以及治疗如何影响不同的结果。

使用多状态模型有哪些优点？

它们让我们能够同时研究多种疾病路径。这让我们深入了解复杂的疾病。我们还可以看到治疗如何针对疾病的每个步骤发挥作用。

多状态模型的局限性是什么？

它们可能很难理解和解释，尤其是有很多状态和转换的情况。在细节和清晰度之间找到适当的平衡很重要。