复发事件数据通常指那些在研究中令你关注的事件反复多次发生，诸如脑血管研究中短暂性脑缺血的反复发作，囊性纤维化试验中反复发作的肺部恶化，骨髓移植后的多次感染，这些事件都属于复发事件。而在临床实践的普遍场景中，哮喘患儿多次门诊治疗、反复入院、肿瘤复发转移，这些也可纳入复发事件的范畴。实际上，临床上还常见多元复发事件的存在。以骨髓移植后的感染为例，这些感染按不同的感染类型又被分为细菌性感染、真菌性感染和病毒性感染。为了分析这些多元复发事件，既往研究中也开发了各种不同的处理方式，如Marginal models，shared random effect models。这些方法往往基于协变量是常数或呈时间依赖性，而现实却并非如此。举例来说，治疗效果一般需要在经过一段时间的治疗后方才显现，之后随着时间的推移逐渐递减至无，换言之，治疗效果是随时间变化的。为了突破时间依赖这一限制，则有必要建立一种针对多元复发事件随时间变化的创新模型。

2022年11月17日，来自University of Texas Health Science at Houston (UTHealth) 的Prof. Wen Li受邀做客欧洲杯竞猜平台临床研究中心“聚菁荟萃”临床研究精品论坛。由她分享的Regression Analysis of Multivariate Recurrent Event Data Allowing Time-Varying Dependence with Application to Stroke Registry Data即瞄准了这一问题。

在Prof. Li的研究中，创新性地提出了一种多元复发事件数据的灵活共享随机效应模型。该模型考虑了时变依赖性并且能够充分捕获不同类型的复发事件之间的复杂相关结构。同时，他们还提出了EM算法。EM，即Expectation-Maximization，通过EM算法以使得该模型稳定有效。在实际应用中，他们将该方法应用于UTHSR (The University of Texas Houston Stroke Registry)的卒中队列，评估不同类型的卒中后再入院事件的危险因素及其效应。由于该队列样本仅限当地的一家医院系统，在有限样本的情况下，该方法呈现了较好的效能。

Prof. Li表示，在今后的研究中，需要纳入来自于地区性的、全国性的数据库，以此来不断加强并验证该模型在实际场景下的应用。

（文：顾雯韵；图：顾雯韵）