Semicontinuous data are common in biological studies, occurring when a variable is continuous over a region but has a point mass at one or more points. In the motivating Genetic and Inflammatory Markers of Sepsis (GenIMS) study, it was of interest to determine how several biomarkers subject to detection limits were related to survival for patients entering the hospital with community acquired pneumonia. While survival times were recorded for all individuals in the study, the primary endpoint of interest was the binary event of 90-day survival, and no patients were lost to follow-up prior to 90 days. In order to use all of the available survival information, we propose a two-part regression model where the probability of surviving to 90 days is modeled using logistic regression and the survival distribution for those experiencing the event prior to this time is modeled with a truncated accelerated failure time model. We assume a series of mixture of normal regression models to model the joint distribution of the censored biomarkers. To estimate the parameters in this model, we suggest a Monte Carlo EM algorithm where multiple imputations are generated for the censored covariates in order to estimate the expectation in the E-step and then weighted maximization is applied to the observed and imputed data in the M-step. We conduct simulations to assess the proposed model and maximization method, and we analyze the GenIMS data set.

中文翻译：

---

半连续生存模型中具有检测极限的协变量的最大似然估计。

半连续数据在生物学研究中很常见，当一个变量在一个区域内是连续的但在一个或多个点上具有一个点质量时发生。在脓毒症的遗传性和炎症性标志物（GenIMS）研究中，确定进入检出限的几种生物标志物与社区获得性肺炎进入医院的患者的存活率之间的关系是很有意义的。虽然记录了研究中所有个体的生存时间，但主要关注的终点是90天生存率的二元事件，并且没有患者在90天之前失去随访。为了使用所有可用的生存信息，我们提出了一个由两部分组成的回归模型，其中使用logistic回归对存活至90天的概率进行建模，并使用截短的加速失效时间模型对在此之前发生事件的人员的生存分布进行建模。我们假设一系列普通回归模型混合在一起，以对审查的生物标志物的联合分布进行建模。为了估计该模型中的参数，我们建议使用蒙特卡洛EM算法，其中针对删失协变量生成多个估算值，以便估算E步中的期望值，然后将加权最大值应用于M中的观测数据和估算数据-步。我们进行仿真以评估提出的模型和最大化方法，并分析GenIMS数据集。我们假设一系列普通回归模型混合在一起，以对审查的生物标志物的联合分布进行建模。为了估计该模型中的参数，我们建议使用蒙特卡洛EM算法，其中针对删失协变量生成多个估算值，以便估算E步中的期望值，然后将加权最大值应用于M中的观测数据和估算数据-步。我们进行仿真以评估提出的模型和最大化方法，并分析GenIMS数据集。我们假设一系列普通回归模型混合在一起，以对审查的生物标志物的联合分布进行建模。为了估计该模型中的参数，我们建议使用蒙特卡洛EM算法，其中针对删失协变量生成多个估算值，以便估算E步中的期望值，然后将加权最大值应用于M中的观测数据和估算数据-步。我们进行仿真以评估提出的模型和最大化方法，并分析GenIMS数据集。我们建议使用Monte Carlo EM算法，其中针对删失协变量生成多个插值，以便估计E步中的期望值，然后将加权最大值应用于M步中的观测和插值数据。我们进行仿真以评估提出的模型和最大化方法，并分析GenIMS数据集。我们建议使用Monte Carlo EM算法，其中针对删失协变量生成多个插值，以便估计E步中的期望值，然后将加权最大值应用于M步中的观测和插值数据。我们进行仿真以评估提出的模型和最大化方法，并分析GenIMS数据集。