高级会员更新于 2026-05-05

潜在转变分析在护理纵向亚型转换中的应用

1. 一句话告诉你这是什么

潜在转变分析（LTA）是 LCA 的纵向版本——先在每个时间点识别出相同的潜在类别，再估计个体在不同时间点之间从一个类别转移到另一个类别的概率。在护理中用于追踪症状模式随时间的演变。

2. 什么时候用，什么时候别用

适合用

纵向数据，至少两个时间点有相同指标
已有明确的潜在类别结构（通常先用基线 LCA 确定）
想回答”患者亚型的稳定性如何”或”哪些因素促进了转换”

不适合用

只有一个时间点（应用 LCA 或 LPA）
指标在不同时间点不一致（LTA 要求各时间点指标完全相同）
样本量太小（两个时间点 LTA 通常需要 $n \ge 500$ ）

3. 数据准备清单

至少两个时间点，每个时间点有相同的分类指标
基线 LCA 已完成，类别数已确定
各时间点类别数一致（LTA 默认测量不变性）
样本量 $\ge 500$
纵向缺失模式已检查

4. 方法直觉

LTA 分两步：先测量模型，后转换模型。

测量模型： 每个时间点用相同指标定义相同数量的潜在类别（测量不变性假设）。

转换模型： 估计从时间 $t$ 的类别 $c$ 转换到时间 $t+1$ 的类别 $c'$ 的转移概率。

$\pi(c' | c) = \frac{\text{从 } c \text{ 转到 } c' \text{ 的人数}}{\text{时间 } t \text{ 属于 } c \text{ 的总人数}}$

$\pi(c' | c)$ 越大，说明该路径越稳定；对角线上的概率表示”留在原类别”的比例。

点击展开：协变量对转换的影响

LTA 可以在转换矩阵中加入协变量（如年龄、干预分组），通过多项式 Logistic 回归检验：

$\ln\left(\frac{P(c' | c, X)}{P(c' = 1 | c, X)}\right) = \gamma_0 + \gamma_1 X$

$\gamma_1$ 表示协变量 $X$ 每增加一单位，从类别 $c$ 转换到类别 $c'$ （相对于参照类别）的优势比变化。

5. R 代码（复制即可跑）

library(tidyLPA)
library(dplyr)

# 模拟两个时间点 × 4 个二分症状
set.seed(2026)
n <- 500

# 基线数据（3 个类别）
p1 <- rbind(c(0.1,0.2,0.1,0.3), c(0.5,0.4,0.3,0.5), c(0.8,0.9,0.7,0.8))
lat1 <- sample(1:3, n, replace = TRUE, prob = c(0.4, 0.35, 0.25))
t1   <- t(sapply(lat1, function(c) rbinom(4, 1, p1[c, ])))

# 随访数据（有 70% 稳定，30% 转换）
stable <- runif(n) < 1  # 先设为全部稳定，尔后随机改 30%
lat2 <- ifelse(runif(n) < 0.7, lat1, sample(1:3, n, replace = TRUE))
t2   <- t(sapply(lat2, function(c) rbinom(4, 1, p1[c, ])))

df <- data.frame(t1, t2)
names(df) <- c("s1t1","s2t1","s3t1","s4t1","s1t2","s2t2","s3t2","s4t2")

# tidyLPA 暂不直接支持 LTA，此处用模拟演示
# 实际推荐使用 Mplus 或 R 包: LCTMtools / lmest (见教学版)
cat("LTA 流程（伪代码）:\n")
cat("1. 在 t1 拟合 LCA → 确定 3 类\n")
cat("2. 强制 t2 的测量模型与 t1 相同\n")
cat("3. 估计 3×3 转移概率矩阵\n")
cat("4. 检验协变量对转换的影响\n")

6. 结果怎么读

转移路径	概率（示例）	含义
低症状组 → 低症状组	0.82	低组 82% 的人 6 个月后仍属低组（稳定）
低症状组 → 高症状组	0.05	仅 5% 的低组患者恶化至高组
高症状组 → 低症状组	0.15	15% 的高组患者改善至低组
高症状组 → 高症状组	0.70	高组 70% 的人持续高症状（需优先干预）

7. 论文里怎么写

中文： 采用潜在转变分析追踪癌症患者症状模式在 6 个月内的变化。基线识别的三分类（低、中、高症状组）在随访期保持测量不变性。转移概率显示，低症状组的稳定性最高（82% 维持原组），而高症状组中仅 15% 改善至低症状组，提示需要对高症状患者提供早期干预。

English: Latent transition analysis was used to examine changes in symptom patterns over 6 months among cancer patients. The three-class structure (low, moderate, and high symptom groups) identified at baseline was held invariant at follow-up. Transition probabilities indicated that the low-symptom group showed the highest stability (82% remained), whereas only 15% of the high-symptom group transitioned to the low-symptom group, highlighting the need for early intervention in this subgroup.

8. 三个最常见的坑

不同时间点的类别数不一致。 LTA 要求各时间点类别数相同且测量参数不变。如果随访时发现新类别（如治疗后的新症状模式），需考虑检验局部测量不变性。
转移概率矩阵过大导致计算困难。 4 个类别就有 16 个转移参数，样本量不足时参数不稳定。建议类别数不超过 5，且优先考虑约束模型。
忽略缺失对转换的影响。 失访患者可能正是病情恶化最严重的——如果缺失与状态转换相关，转移概率估计将偏倚。