Hierarchical Gaussian Process Landmarking and Cluster-Aware Metrics for Tooth-Level Survival
Dynamic prediction in clustered survival data such as electronic dental data using landmark models faces challenges: teeth are correlated within patients and biomarkers are observed irregularly. Standard landmark models assume independence, yielding poor prediction and evaluation.
We propose a unified landmark (LM) framework with three contributions: (1) compare LM 1.0 (LOCF) and LM 1.5 (two-stage LME-BLUPs) with patient-level frailty; (2) develop Hierarchical LM 2.0 using a Hierarchical Gaussian Process (patient and tooth-level Ornstein-Uhlenbeck processes) to generate time-dependent covariates avoiding numerical integration; (3) introduce cluster-aware dynamic AUC and Brier scores that decompose performance into between-patient (triage) and within-patient (targeted intervention) components.
Across simulations and real data, frailty improves prediction, Hierarchical LM 2.0 excels with sparse data, and cluster-aware metrics reveal within-patient patterns missed by standard metrics.
We propose a unified landmark (LM) framework with three contributions: (1) compare LM 1.0 (LOCF) and LM 1.5 (two-stage LME-BLUPs) with patient-level frailty; (2) develop Hierarchical LM 2.0 using a Hierarchical Gaussian Process (patient and tooth-level Ornstein-Uhlenbeck processes) to generate time-dependent covariates avoiding numerical integration; (3) introduce cluster-aware dynamic AUC and Brier scores that decompose performance into between-patient (triage) and within-patient (targeted intervention) components.
Across simulations and real data, frailty improves prediction, Hierarchical LM 2.0 excels with sparse data, and cluster-aware metrics reveal within-patient patterns missed by standard metrics.
Modèles de repère à processus gaussien hiérarchique et métriques tenant compte du clustering pour la survie au niveau de la dent
La prédiction dynamique dans les données de survie groupées, telles que les données dentaires électroniques, à l'aide de modèles de repère soulève des défis : les dents sont corrélées au sein des patients et les biomarqueurs sont observés de manière irrégulière. Les modèles de repère standard supposent l'indépendance des observations, ce qui entraîne une prédiction et une évaluation de mauvaise qualité.
Nous proposons un cadre unifié de modèles de repère (LM) comportant trois contributions : (1) nous comparons LM 1.0 (LOCF) et LM 1.5 (BLUP issus de modèles mixtes en deux étapes) avec l'effet de fragilité au niveau du patient ; (2) nous développons le LM hiérarchique 2.0 utilisant un processus gaussien hiérarchique (intercepts patient + processus d'Ornstein–Uhlenbeck au niveau de la dent) pour générer des covariables dépendantes du temps sans recourir à une intégration numérique ; (3) nous introduisons des scores dynamiques d'AUC et de Brier tenant compte du clustering, décomposant la performance en composantes inter-patients (triage) et intra-patient (intervention ciblée).
À travers des simulations et des données réelles, l'effet de fragilité améliore la prédiction, le LM hiérarchique 2.0 excelle avec des données éparses, et les métriques tenant compte du clustering révèlent des motifs intra-patient non détectés par les métriques standard.
Nous proposons un cadre unifié de modèles de repère (LM) comportant trois contributions : (1) nous comparons LM 1.0 (LOCF) et LM 1.5 (BLUP issus de modèles mixtes en deux étapes) avec l'effet de fragilité au niveau du patient ; (2) nous développons le LM hiérarchique 2.0 utilisant un processus gaussien hiérarchique (intercepts patient + processus d'Ornstein–Uhlenbeck au niveau de la dent) pour générer des covariables dépendantes du temps sans recourir à une intégration numérique ; (3) nous introduisons des scores dynamiques d'AUC et de Brier tenant compte du clustering, décomposant la performance en composantes inter-patients (triage) et intra-patient (intervention ciblée).
À travers des simulations et des données réelles, l'effet de fragilité améliore la prédiction, le LM hiérarchique 2.0 excelle avec des données éparses, et les métriques tenant compte du clustering révèlent des motifs intra-patient non détectés par les métriques standard.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English