GERDの存在が意外な気がするが、大きなリスク要素としての認識が拡大している

Ferrera, Michael C., Camden L. Lopez, Susan Murray, Renu G. Jain, Wassim W. Labaki, Barry J. MakeとMeiLan K. Han. 「Risk Factors for Chronic Obstructive Pulmonary Disease Exacerbations a mong Individuals without a History of Recent Exacerbations: A COPDGene Analysis」. Annals of the American Thoracic Society 21, no. 3 (2024年3月): 421–27. https://doi.org/10.1513/annalsats.202209-751oc .

Bhatt, Surya P. 「Predicting Chronic Obstructive Pulmonary Disease Exacerbations: When t he Past Does Not Inform the Future」. Annals of the American Thoracic Society 21, no. 3 (2024年3月): 382–83. https://doi.org/10.1513/AnnalsATS.202311-934ED .

慢性閉塞性肺疾患（COPD）の経過において、増悪は重要なイベントであり、呼吸器症状の長期的な悪化、肺機能の加速度的な低下、肺気腫の速やかな進行、および高い死亡リスクをもたらします。世界肺疾患イニシアティブは、COPD患者を初診時に低または高い（グループE）増悪リスクのいずれかに分類することを推奨しています。このリスク分類は、過去1年間に少なくとも2回の中等度または1回の重度の増悪があった場合に基づいており、過去12ヶ月以内の増悪歴が将来の増悪の最も強力な予測因子であるという認識に基づいています。増悪を予測するためのリスク評価ツールの開発が試みられていますが、これらのツールも増悪歴を含むため、そのような歴史のない人々の増悪を予測する目的には役立ちません。

AnnalsATSの現在の号では、Ferreraらは最近の増悪歴がない状況での増悪のリスク因子を特定することを目指しています。

彼らはCOPDGene研究の多施設データを分析し、スパイロメトリーで気流閉塞が確認され、過去12ヶ月間に記録された増悪がない参加者を含めました。参加者は6ヶ月ごとに実施される調査で前向きに追跡されました。増悪頻度の分散を考慮した多変量ゼロ膨張負の二項回帰モデルを使用して、次の36ヶ月以内の増悪に関連するリスク因子が特定されました。研究されたリスク因子には、人口統計情報、喫煙状態、肺機能および症状負担（慢性気管支炎、胃食道逆流症（GERD）、心疾患、血球数の存在を含む）が含まれました。

リスク因子として有意だったものには、慢性気管支炎、高い症状負担、GERD、および低い肺機能が含まれ、これらから将来の増悪を予測するための簡易スコアが作成されました。

最近の増悪歴がない人々における将来の増悪のリスク因子の特定と、増悪リスクを計算するための簡易スコアの開発は、文献にとって重要な追加です。しかしながら、いくつかの注意点があります。まず、過去に一度も増悪を経験していない人と、過去12ヶ月間増悪がなかった人を区別する必要があります。この研究は後者に焦点を当てています。増悪

の初回を予測するリスク因子の特定は、増悪を最初にどのように防ぐかについての洞察を提供するかもしれません。増悪の完全な不在を特定することはしばしば困難ですが、研究者はCOPDGeneの2回目の訪問に先立つ5年間の増悪情報を利用することができました。

第二に、次の36ヶ月間の将来の増悪を予測するためのリスクスコアが開発されました。これは、臨床医や患者の両方にとって直ちに関心のある時間枠とは異なるかもしれません。
第三に、コントローラー薬剤の使用における異質性は重要な限界です。最小限の治療または治療なしの人々と、吸入ステロイド、長時間作用型β作動薬、長時間作用型ムスカリン受容体拮抗薬のトリプルセラピーを受けている人々を混合することはバイアスを導入します。これは、二次リスクモデルでの治療歴の考慮によってある程度軽減されますが、背景となるコントローラー薬剤の使用の変動性は、これらのリスクスコアを臨床実践に移行することを制限する可能性があります。
第四に、すべての個人が過去12ヶ月間にいかなる増悪も経験していないという入学基準が設けられていました。いくつかの参加者が吸入ステロイドを含む重要なコントローラー治療を受けていた事実は、これらのモデルで考慮されなかった過去の増悪があったことを示唆しています。確かに、二重または三重のコントローラー治療を受けている人々は、36ヶ月間にいかなる増悪も経験した人々の割合が高かったです。これらのモデルにおける遠隔増悪の情報の含有は、特定された他のリスク因子からのシグナルを潜在的に減少させる可能性があります。
第五に、この潜在的な治療バイアスは、この非増悪表現型の安定性に関する疑問も提起します。頻繁な増悪表現型も安定した表現型ではなく、1年間頻繁に増悪を経験する個人が別の年には全く増悪がないこともあります。
第六に、リスクスコアの識別精度は控えめです。遠隔増悪を含むより長い時間期間を考慮することは、おそらく一致指数を改善したでしょう。特筆すべきは、COPD評価テストと肺機能情報の追加は一致指数に大きく寄与しなかったにもかかわらず、はるかに高い増悪率を経験する人々の予測には寄与するようです。
第七に、リスクスコアの差別化と校正の再現性は、複製コホートで評価されるべきです。

これらの制限にもかかわらず、静止期間後の増悪を予測するためのリスクスコアの開発は望ましいものであり、変更可能なリスク因子に対処するのに役立つかもしれません増悪の予防に関してはまだ解決されていない多くの疑問があります。特定されたリスク因子に対処することで初回の増悪を防ぐことができるでしょうか？
すでにコントローラー療法を受けている人々において、治療のエスカレーションまたはデエスカレーションに必要な活動期間または静止期間は何でしょうか？増悪の季節性を考慮に入れるべきでしょうか？
将来の増悪に対する低リスクを与える静止期間はどのくらいでしょうか？これらの疑問に答えるためにはさらなる研究が必要です。
Ferreraらによるこの研究は、これらの疑問に答えるための一歩です。

「多変量ゼロ膨張負の二項回帰モデル」（multivariable zero-inflated negative binomial regression model）　解説：written with ChatGPT4

「多変量ゼロ膨張負の二項回帰モデル」（multivariable zero-inflated negative binomial regression model）は、統計学における回帰分析の一種で、特に過剰なゼロの観測値が存在するカウントデータ（例えば、ある期間内に特定のイベントが発生した回数など）を解析する場合に使用されます。このモデルは、カウントデータの分布が負の二項分布に従うと仮定していますが、単に負の二項分布を使用するだけでは、データに含まれるゼロの観測値の過剰な割合を適切にモデル化できない場合があります。この問題を解決するために、「ゼロ膨張」（zero-inflated）部分が導入されます。

このモデルは基本的に二部構成から成り立っています：

1. ゼロ膨張部分（Zero-inflated component）：データセット内のゼロの観測値が過剰に存在する理由をモデル化します。これは、特定のイベントが発生する確率がゼロである（つまり、イベントが発生しない）場合の確率を推定します。

2. カウント部分（Count component）：ゼロ以外のカウントデータをモデル化するために、負の二項分布を使用します。これは、ゼロでない観測値（イベントが1回以上発生したケース）がどのように分布しているかを説明します。

「多変量」（multivariable）の部分は、モデルが複数の予測変数（独立変数）を考慮していることを意味します。これにより、研究者はイベントの発生率に影響を与える可能性がある複数の要因を同時に評価し、それぞれの効果を制御した上で、各因子が目的変数（依存変数、この場合はイベントの発生回数）に与える影響を推定することができます。

このようなモデルは、特に医療研究や社会科学など、過剰なゼロが観測されるカウントデータが一般的に現れる分野で有用です。例えば、慢性疾患の急性増悪の回数や、ある地域における特定の犯罪の発生回数などの解析に使用されます。

perpexity

To analyze a multivariable zero-inflated negative binomial regression model in Python, you can use the `statsmodels` module. Specifically, the `ZeroInflatedNegativeBinomialP` class from `statsmodels.discrete.count_model` allows for modeling count variables with excessive zeros. Here is a brief overview of the parameters used in this class:

• `endog`: The endogenous response variable (dependent variable).

• `exog`: Explanatory variables for the count model.

• `exog_infl`: Explanatory variables for the binary inflation model.

• `offset`: Offset added to the linear prediction.

• `exposure`: Log(exposure) added to the linear prediction.

• `inflation`: Model for zero inflation (either 'logit' or 'probit').

• `p`: Dispersion power parameter for the NegativeBinomialP model (p=1 for ZINB-1 and p=2 for ZINB-2).

This class provides methods for fitting the model using maximum likelihood, creating a model from a formula and dataframe, predicting expected responses, computing score vectors, and more[2].

In addition to `statsmodels`, there is also a Python module called TensorZINB that uses TensorFlow to effectively solve negative binomial and zero-inflated negative binomial models. This module can be useful for implementing these models in Python using TensorFlow[3].

Citations:
[1] https://stats.oarc.ucla.edu/r/dae/zinb/
[2] https://www.statsmodels.org/stable/generated/statsmodels.discrete.count_model.ZeroInflatedNegativeBinomialP.html
[3] https://github.com/wanglab-georgetown/tensorzinb
[4] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9336504 /
[5] https://stats.oarc.ucla.edu/stata/output/zero-inflated-negative-binomial-regression/