A hidden Markov model addressing measurement errors in the response and replicated covariates for continuous nondecreasing processes

Abstract

Motivated by a study tracking the progression of Parkinson’s disease (PD) based on features extracted from voice recordings, an inhomogeneous hidden Markov model with continuous state-space is proposed. The approach addresses the measurement error in the response, the within-subject variability of the replicated covariates and presumed nondecreasing response. A Bayesian framework is described and an efficient Markov chain Monte Carlo method is developed. The model performance is evaluated through a simulation-based example and the analysis of a PD tracking progression dataset is presented. Although the approach was motivated by a PD tracking progression problem, it can be applied to any monotonic nondecreasing process whose continuous response variable is subject to measurement errors and where replicated covariates play a key role.

Motivado por un estudio de seguimiento de la progresión de la enfermedad de Parkinson (EP) basado en características extraídas de grabaciones de voz, se propone un modelo de Markov oculto no homogéneo con espacio de estado continuo. El enfoque aborda el error de medición en la respuesta, la variabilidad dentro del sujeto de las covariables replicadas y la presunta respuesta no decreciente. Se describe un marco bayesiano y se desarrolla un método eficaz de Monte Carlo con cadena de Markov. El rendimiento del modelo se evalúa mediante un ejemplo basado en la simulación y se presenta el análisis de un conjunto de datos de seguimiento de la progresión de la EP. Aunque el enfoque fue motivado por un problema de progresión del seguimiento de la EP, puede aplicarse a cualquier proceso monótono no decreciente cuya variable de respuesta continua esté sujeta a errores de medición y en el que las covariables replicadas desempeñen un papel clave.