← 返回科研工具箱

LCMM 潜类别轨迹 · 在线演示

把一群人的纵向指标聚成若干"潜在轨迹类别" · 背景 → 数据格式 → 在线演示 → 几何意义

1背景知识

潜类别混合模型(Latent Class Mixed Model, LCMM)解决的是:一群人的某个指标随时间变化，但不是所有人走同一条曲线——有人一路高位、有人持续下降、有人先低后升。LCMM 假设人群由若干潜在轨迹类别组成，同时估计每类的平均轨迹和每个个体归属各类的后验概率。

它和"先按某阈值分组再比较"不同：类别不是人为切的，而是从数据里估出来的。常用于亚表型/内型发现(脓毒症、ARDS、乳酸/炎症/机械功轨迹等)。

方法学的刺(君宜晓视角)：能把人群分出几条漂亮的轨迹类，不等于这些类就是"治疗亚型"。类别数、形状对建模设定敏感；类别要能外部验证、且能指导治疗才有临床价值。预测 ≠ 治疗。

2要求的数据格式

长表(long format)：每人多行，三列 id, time, value。时间点可不整齐(本演示会插值到公共网格)。逗号/制表符/空格分隔均可，可含表头。

id,time,value
1,0,8.1
1,1,7.9
1,2,7.6
2,0,7.8
2,1,6.0
2,2,4.1
...

3在线演示(轨迹聚类)

4几何意义

把每个人的纵向轨迹看成高维空间里的一个点(按时间对齐后的向量)。LCMM/轨迹聚类做的，就是在这个空间里找出若干"曲线原型"(类中心)，每个人被吸引到最像自己的那条——粗线是各类平均轨迹，细线是个体。

"后验概率"的几何直觉：一个人离某条原型曲线越近，属于那一类的概率越高；离两条都不远，就是"归属不确定"的边界个体。类别数 k 太大，会把噪声也切成"类"。

演示 vs 真 LCMM 的差别：真 LCMM 用混合效应刻画个体偏离(随机截距/斜率)、用极大似然估计、给每人后验概率、用 BIC/熵选类别数，并能放协变量与生存联结。本演示只做"对齐后按形状分组"，用于建立直觉。

真做分析(R)：

library(lcmm)
# d: 长表 data.frame，含 id / time / value
m3 <- hlme(value ~ time + I(time^2),
           mixture = ~ time + I(time^2),
           random = ~ time, subject = "id",
           ng = 3, data = d)
summary(m3)          # 各类占比、参数
postprob(m3)         # 后验概率与分类清晰度(熵)
# 比较 ng=2..5 的 BIC 选类别数；再看类别能否外部验证/指导治疗

配套：机械通气专科雷达(机械功/驱动压等指标的轨迹研究) · 机械功计算器 · 专注临床科研方法学。