This paper considers nonparametric estimation in a varying coefficient model with repeated measurements (Yij, Xij, tij), for i = 1,…, ni and j = 1,…, ni, where Xij=(Xijo,…, xijk)T and (Yij, Xij, tij) denote the jth outcome, covariate and time design points, respectively, of the ith subject. The model considered here is Yij = XijTβ(tij) + +i(tij), where β(t) = (β0(t), …, Bk(t))T, for k ≧ 0, are smooth nonparametric functions of interest and εi(t) is a zero-mean stochastic process. The measurements are assumed to be independent for different subjects but can be correlated at different time points within each subject. Two nonparametric estimators of β(t), namely a smoothing spline and a locally weighted polynomial, are derived for such repeatedly measured data. A crossvalidation criterion is proposed for the selection of the corresponding smoothing parameters. Asymptotic properties, such as consistency, rates of convergence and asymptotic mean squared errors, are established for kernel estimators, a special case of the local polynomials. These asymptotic results give useful insights into the reliability of our general estimation methods. An example of predicting the growth of children born to HIV infected mothers based on gender, HIV status and maternal vitamin A levels shows that this model and the corresponding nonparametric estimators are useful in epidemiological studies.

In patients with acquired aplastic anemia, destruction of hematopoietic cells by the immune system leads to pancytopenia. Patients have a response to immunosuppressive therapy, but myelodysplastic syndromes and acute myeloid leukemia develop in about 15% of the patients, usually many months to years after the diagnosis of aplastic anemia.

Severe aplastic anemia, which is characterized by immune-mediated bone marrow hypoplasia and pancytopenia, can be treated effectively with immunosuppressive therapy or allogeneic transplantation. One third of patients have disease that is refractory to immunosuppression, with persistent, severe cytopenia and a profound deficit in hematopoietic stem cells and progenitor cells. Thrombopoietin may increase the number of hematopoietic stem cells and progenitor cells.

Rationale: Machine learning may be useful to characterize cardiovascular risk, predict outcomes, and identify biomarkers in population studies. Objective: To test the ability of random survival forests, a machine learning technique, to predict 6 cardiovascular outcomes in comparison to standard cardiovascular risk scores. Methods and Results: We included participants from the MESA (Multi-Ethnic Study of Atherosclerosis). Baseline measurements were used to predict cardiovascular outcomes over 12 years of follow-up. MESA was designed to study progression of subclinical disease to cardiovascular events where participants were initially free of cardiovascular disease. All 6814 participants from MESA, aged 45 to 84 years, from 4 ethnicities, and 6 centers across the United States were included. Seven-hundred thirty-five variables from imaging and noninvasive tests, questionnaires, and biomarker panels were obtained. We used the random survival forests technique to identify the top-20 predictors of each outcome. Imaging, electrocardiography, and serum biomarkers featured heavily on the top-20 lists as opposed to traditional cardiovascular risk factors. Age was the most important predictor for all-cause mortality. Fasting glucose levels and carotid ultrasonography measures were important predictors of stroke. Coronary Artery Calcium score was the most important predictor of coronary heart disease and all atherosclerotic cardiovascular disease combined outcomes. Left ventricular structure and function and cardiac troponin-T were among the top predictors for incident heart failure. Creatinine, age, and ankle-brachial index were among the top predictors of atrial fibrillation. TNF-α (tissue necrosis factor-α) and IL (interleukin)-2 soluble receptors and NT-proBNP (N-Terminal Pro-B-Type Natriuretic Peptide) levels were important across all outcomes. The random survival forests technique performed better than established risk scores with increased prediction accuracy (decreased Brier score by 10%–25%). Conclusions: Machine learning in conjunction with deep phenotyping improves prediction accuracy in cardiovascular event prediction in an initially asymptomatic population. These methods may lead to greater insights on subclinical disease markers without apriori assumptions of causality. Clinical Trial Registration: URL: http://www.clinicaltrials.gov . Unique identifier: NCT00005487.

Acquired aplastic anemia results from immune-mediated destruction of bone marrow. Immunosuppressive therapies are effective, but reduced numbers of residual stem cells may limit their efficacy. In patients with aplastic anemia that was refractory to immunosuppression, eltrombopag, a synthetic thrombopoietin-receptor agonist, led to clinically significant increases in blood counts in almost half the patients. We combined standard immunosuppressive therapy with eltrombopag in previously untreated patients with severe aplastic anemia.

In severe acquired aplastic anemia, hematopoietic failure is the result of immune-mediated destruction of bone marrow stem and progenitor cells. Immunosuppressive therapy with antithymocyte globulin (ATG) plus cyclosporine is an effective alternative to stem-cell transplantation and improves blood counts and survival. Although horse ATG is the standard therapy, rabbit ATG is more potent in depleting peripheral-blood lymphocytes and is preferred in other clinical circumstances.

Key Points Eltrombopag promotes hematopoiesis in patients with severe aplastic anemia by stimulating stem and progenitor cells. Eltrombopag can be discontinued safely in robust responders with maintenance of hematopoiesis.

Arterial stiffness predicts cardiovascular events beyond traditional risk factors. However, the relationship with aging of novel noninvasive measures of aortic function by MRI and their interrelationship with established markers of vascular stiffness remain unclear and currently limit their potential impact. Our aim was to compare age-related changes of central measures of aortic function with carotid distensibility, global carotid–femoral pulse wave velocity, and wave reflections. We determined aortic strain, distensibility, and aortic arch pulse wave velocity by MRI, carotid distensibility by ultrasound, and carotid–femoral pulse wave velocity by tonometry in 111 asymptomatic subjects (54 men, age range: 20 to 84 years). Central pressures were used to calculate aortic distensibility. Peripheral and central pulse pressure, augmentation index, and carotid–femoral pulse wave velocity increased with age, but aortic strain and aortic arch PWV were most closely and specifically related to aging. Ascending aortic (AA) strain and distensibility decreased, respectively, by 5.3±0.5% ( R 2 =0.54, P <0.0001) and 13.6±1 kPa −1 ×10 −3 ( R 2 =0.62, P <0.0001), and aortic arch pulse wave velocity increased by 1.6±0.13 m/sec ( R 2 =0.60, P <0.0001) for each decade of age after adjustment for gender, body size, and heart rate. We demonstrate in this study a dramatic decrease in AA distensibility before the fifth decade of life in individuals with diverse prevalence of risk factors free of overt cardiovascular disease. In particular, compared with other measures of aortic function, the best markers of subclinical large artery stiffening, were AA distensibility in younger and aortic arch pulse wave velocity in older individuals.