联合轨迹模型在纵向数据与生存结局中的应用

1. 这个方法解决什么问题

联合模型（Joint Model）同时分析纵向变化轨迹和生存结局（如死亡、发病），解决了传统单独分析中纵向数据和生存数据之间的信息割裂问题。

2. 适合哪些护理研究场景

• 衰弱指数变化轨迹与死亡风险的联合分析
• 术后功能恢复轨迹与再入院风险
• 生活质量变化与无进展生存期的关系
• 生物标志物动态变化与临床事件

3. 数据需要长什么样

需要同时有纵向测量数据（多次重复测量）和生存数据（事件发生时间 + 是否删失）。两个数据集通过 ID 关联。

4. 模型逻辑用人话怎么理解

联合模型有一个”潜变量”连接两部分：纵向子模型描述指标如何随时间变化，生存子模型描述事件发生风险。潜变量把两部分串起来——纵向变化越快，生存风险可能越高（或越低）。

5. R 代码模板

library(joineRML)

# 拟合联合模型
fit <- mjoint(
  formLongFixed = list("y" = yvar ~ time),
  formLongRandom = list("y" = ~ time | ID),
  formSurv = Surv(surv_time, event) ~ covariate,
  data = list(longdat, survdat),
  timeVar = "time"
)

summary(fit)

6. 结果怎么解释

关注关联参数（association parameter）：如果为正且显著，说明纵向指标上升越快，事件风险越高。同时关注纵向轨迹的固定效应和随机效应方差。

7. 论文中怎么写

中文： 采用联合模型同时分析衰弱指数的纵向变化轨迹与全因死亡率。模型显示衰弱指数每增加 0.1/年，死亡风险增加 34%（HR = 1.34, 95% CI 1.21–1.49）。

8. 常见错误

• 纵向数据和生存数据样本不匹配
• 忽略联合模型的关联参数是否显著
• 不考虑纵向测量的测量误差