Time-to-event data often violate the proportional hazards assumption inherent in the popular Cox regression model. Such violations are especially common in the sphere of biological and medical data where latent heterogeneity due to unmeasured covariates or time varying effects are common. A variety of parametric survival models have been proposed in the literature which make more appropriate assumptions on the hazard function, at least for certain applications. One such model is derived from the First Hitting Time (FHT) paradigm which assumes that a subject’s event time is determined by a latent stochastic process reaching a threshold value. Several random effects specifications of the FHT model have also been proposed which allow for better modeling of data with unmeasured covariates. While often appropriate, these methods often display limited flexibility due to their inability to model a wide range of heterogeneities. To address this issue, we propose a Bayesian model which loosens assumptions on the mixing distribution inherent in the random effects FHT models currently in use. We demonstrate via simulation study that the proposed model greatly improves both survival and parameter estimation in the presence of latent heterogeneity. We also apply the proposed methodology to data from a toxicology/carcinogenicity study which exhibits nonproportional hazards and contrast the results with both the Cox model and two popular FHT models.

事件时间数据通常违反流行的 Cox 回归模型中固有的比例风险假设。这种违规行为在生物和医学数据领域尤为常见，在这些领域中，由于未测量的协变量或时变效应导致的潜在异质性很常见。文献中提出了多种参数生存模型，它们对风险函数做出了更合适的假设，至少对于某些应用是这样。一个这样的模型源自首次命中时间 (FHT) 范式，该范式假定主体的事件时间由达到阈值的潜在随机过程确定。还提出了 FHT 模型的几个随机效应规范，它们允许使用未测量的协变量对数据进行更好的建模。虽然经常合适，由于这些方法无法对广泛的异质性进行建模，因此它们通常显示出有限的灵活性。为了解决这个问题，我们提出了一个贝叶斯模型，它放宽了对当前使用的随机效应 FHT 模型中固有的混合分布的假设。我们通过模拟研究证明，在存在潜在异质性的情况下，所提出的模型极大地提高了生存率和参数估计。我们还将建议的方法应用于来自毒理学/致癌性研究的数据，该研究表现出非比例危害，并将结果与​​ Cox 模型和两个流行的 FHT 模型进行对比。我们提出了一个贝叶斯模型，它放宽了对当前使用的随机效应 FHT 模型中固有的混合分布的假设。我们通过模拟研究证明，在存在潜在异质性的情况下，所提出的模型极大地提高了生存率和参数估计。我们还将建议的方法应用于来自毒理学/致癌性研究的数据，该研究表现出非比例危害，并将结果与​​ Cox 模型和两个流行的 FHT 模型进行对比。我们提出了一个贝叶斯模型，它放宽了对当前使用的随机效应 FHT 模型中固有的混合分布的假设。我们通过模拟研究证明，在存在潜在异质性的情况下，所提出的模型极大地提高了生存率和参数估计。我们还将建议的方法应用于来自毒理学/致癌性研究的数据，该研究表现出非比例危害，并将结果与​​ Cox 模型和两个流行的 FHT 模型进行对比。