轨迹模型在护理纵向研究中的应用

1. 这个方法解决什么问题

轨迹模型（Trajectory Modeling）用于识别人群中随时间变化的不同发展轨迹亚组。在护理科研中，它帮助我们回答”患者的康复过程是否遵循不同的路径”这类问题。

2. 适合哪些护理研究场景

• 慢性病患者术后功能恢复的不同轨迹模式
• 化疗后认知障碍的发展路径差异
• 老年护理中衰弱指数的变化模式识别
• 心理困扰在疾病过程中的演变轨迹

3. 数据需要长什么样

需要纵向数据，即同一研究对象在多个时间点被重复测量。数据结构为长格式或宽格式，至少包含 ID 变量、时间变量和结果变量。

4. 模型逻辑用人话怎么理解

轨迹模型假设人群由若干个潜在亚组组成，每个亚组有自己的发展轨迹。LCGA（潜类别增长分析）假定同一亚组内个体轨迹相同，而 GMM（增长混合模型）允许同一亚组内存在个体差异。模型会同时估计每个亚组的轨迹形状和每个人属于各亚组的概率。

5. R 代码模板

# 安装与加载 lcmm 包
install.packages("lcmm")
library(lcmm)

# 拟合 1-4 类的 LCGA 模型
m1 <- hlme(yvar ~ time, random = ~ -1, subject = "ID", data = df, ng = 1)
m2 <- hlme(yvar ~ time, random = ~ -1, subject = "ID", data = df, ng = 2)
m3 <- hlme(yvar ~ time, random = ~ -1, subject = "ID", data = df, ng = 3)
m4 <- hlme(yvar ~ time, random = ~ -1, subject = "ID", data = df, ng = 4)

# 模型比较
summarytable(m1, m2, m3, m4, which = c("G", "loglik", "BIC", "AIC", "%class"))

# 绘制轨迹图
plot(m3, which = "fit", var.time = "time", bty = "l")

6. 结果怎么解释

主要通过 BIC、AIC 和分类熵来确定最优类别数。一般 BIC 越小越好，同时需要保证每个类别的比例不低于 5%，后验分类概率大于 0.7。

7. 论文中怎么写

中文： 采用潜类别增长分析（LCGA）识别衰弱指数随时间变化的轨迹亚组。模型拟合表明三分类模型最优（BIC = 12345），三个轨迹组分别为”稳定低水平”（45.2%）、“中度上升”（32.1%）和”快速恶化”（22.7%）。

English: Latent class growth analysis (LCGA) was used to identify distinct trajectories of frailty index over time. A three-class model showed optimal fit (BIC = 12345), identifying three trajectories: “stable low” (45.2%), “moderate increasing” (32.1%), and “rapid deterioration” (22.7%).

8. 常见错误

• 只根据统计指标选择类别数，忽略临床可解释性
• 样本量不足（一般需要 > 300），导致小类别不稳定
• 把 LCGA 当成因果推断工具

10. 延伸阅读

• Jung, T., & Wickrama, K. A. S. (2008). An introduction to latent class growth analysis and growth mixture modeling. Social and Personality Psychology Compass, 2(1), 302–317.
• Proust-Lima, C., et al. (2017). Estimation of extended mixed models using latent classes and latent processes: the R package lcmm. Journal of Statistical Software, 78(2), 1–56.