دراسة حالة وشاهد بايزية
- قدّمه
- Sander Greenland (Bayesian epidemiology formalization); earlier Bayesian logistic methods: Leonard (1972)
- السنة
- 1990s–2000s (systematic application); Bayesian inference foundations: Bayes/Laplace 18th–19th c.
- النوع
- Observational analytic study with Bayesian inference
- العائلة
- Clinical / epidemiology
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
تطبق دراسة الحالة والشاهد البايزية الاستدلال الإحصائي البايزي على التصميم الوبائي الكلاسيكي للحالة والشاهد، حيث تجمع رسميًا بين المعرفة المسبقة حول الارتباطات بين التعرض والمرض وبيانات الحالات والشواهد المرصودة لتقدير نسب الأرجحية اللاحقة وفترات المصداقية. بدلاً من الاعتماد فقط على البيانات المرصودة، يسمح الإطار البايزي للمحققين بدمج الأدلة الخارجية - من الدراسات السابقة، أو معرفة الخبراء، أو الفهم الآلي - في التحليل، مما ينتج عنه عبارات احتمالية حول أحجام التأثير تكون غالبًا أكثر قابلية للتفسير من قيم الاحتمالية الكلاسيكية وفترات الثقة.
الفكرة الحدسية وراء الطريقة
في دراسة حالة وشاهد قياسية، تحدد الأشخاص الذين أصيبوا بمرض (حالات) وأشخاصًا مشابهين لم يصابوا به (شواهد)، ثم تقارن تعرضاتهم السابقة لتحديد عوامل الخطر. يضيف الإصدار البايزي طبقة حاسمة: قبل النظر إلى بياناتك، تحدد رسميًا ما تعتقده بالفعل حول العلاقة بين التعرض والمرض - ربما من دراسات سابقة أو معقولية بيولوجية - كتوزيع احتمالي مسبق. تقوم البيانات التي تجمعها بعد ذلك بتحديث هذا المسبق عبر نظرية بايز، مما ينتج عنه توزيع لاحق يمزج بين الاعتقاد المسبق والأدلة الجديدة. إذا كانت بياناتك تفضل اتجاهًا واحدًا بقوة، فسيعكس اللاحق ذلك بغض النظر عن المسبق؛ إذا كانت البيانات قليلة أو مشوشة، فإن المسبق يوفر تنظيمًا ذا مغزى يمنع التقديرات المتطرفة وغير الموثوقة.
التاريخ
تمت صياغة منهجية الحالة والشاهد في منتصف القرن العشرين، مع إثبات كورنفيلد عام 1951 أن نسبة الأرجحية تقارب الخطر النسبي في الأمراض النادرة مما يوفر نتيجة تأسيسية. بدأت الأساليب البايزية في علم الأوبئة في الظهور في السبعينيات، مع استكشاف ديمبستر وآخرين للاستدلال الاحتمالي في السياقات الطبية الحيوية. سلسلة مقالات ساندر جرينلاند المؤثرة في العقد الأول من القرن الحادي والعشرين - وخاصة ورقته البحثية لعام 2006 في المجلة الدولية لعلم الأوبئة - نظمت وجهات النظر البايزية لممارسي علم الأوبئة، موضحًا كيف يمكن للانحدار اللوجستي البايزي تحسين الاستدلال في دراسات الحالة والشاهد ودراسات الأتراب. جعل نمو برامج MCMC المتاحة (WinBUGS، JAGS، Stan) من التسعينيات فصاعدًا التنفيذ الروتيني ممكنًا.
متى تُستخدم
استخدم دراسة حالة وشاهد بايزية عندما يكون لديك معلومات مسبقة ذات مغزى حول ارتباط التعرض والمرض (على سبيل المثال، من تحليل تلوي سابق أو معرفة آلية) تريد دمجها رسميًا في التحليل، أو عندما تكون الدراسة صغيرة وتحتاج إلى تنظيم مبدئي لمنع تقديرات نسبة الأرجحية المتطرفة بشكل خاطئ. وهي مناسبة أيضًا عندما يتطلب سؤال البحث عبارة احتمالية مباشرة ('ما هو احتمال أن تتجاوز نسبة الأرجحية 2؟') بدلاً من قرار أهمية ثنائي. لا تستخدم هذا النهج عندما يفتقر فريق البحث إلى الخبرة في النمذجة البايزية، أو عندما يكون تحديد المسبق محل نزاع كبير بين أصحاب المصلحة، أو عندما تكون الشفافية مع جمهور تكراري بحت أمرًا بالغ الأهمية، أو عندما تكون أحجام العينات كبيرة بما يكفي بحيث يكون لاختيار المسبق فرق ضئيل على اللاحق.
الحدود والاعتبارات
- تحديد المسبق ذاتي؛ يجب تبرير الخيارات، ومن الناحية المثالية، تحليل الحساسية عبر مجموعة من المسبقات المعقولة.
- حساب MCMC أكثر تعقيدًا ويستغرق وقتًا طويلاً بشكل كبير من تشغيل انحدار لوجستي قياسي.
- قد لا يتم قبول النتائج من قبل المراجعين أو الهيئات التنظيمية في السياقات التي تكون فيها الطرق التكرارية هي المعيار الراسخ.
- عندما يكون المسبق غنيًا بالمعلومات والبيانات محدودة، فإن اللاحق مدفوع بشكل أساسي بالمسبق، مما يجعل تقييم مساهمة الدراسة الجديدة صعبًا.
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يدمج رسميًا وشفافية الأدلة المسبقة، مما يقلل من خطر الإفراط في تفسير البيانات المتفرقة.
- ينتج فترات مصداقية ذات تفسيرات احتمالية مباشرة، أكثر بديهية من فترات الثقة التكرارية.
- يتعامل مع أحجام العينات الصغيرة والتعرضات النادرة بشكل أكثر سلاسة من طرق الاحتمالية القصوى من خلال التنظيم المسبق.
- ينشر بشكل طبيعي جميع مصادر عدم اليقين - بما في ذلك عدم اليقين بشأن المتغيرات المربكة وأخطاء القياس - عبر التوزيع اللاحق.
- يسهل امتدادات التحليل القراري: يمكن تغذية التوزيعات اللاحقة مباشرة في نماذج الاقتصاد الصحي أو نماذج المخاطر والمنافع.
التطبيقات
- دراسات وبائيات الأدوية التي تقيم ردود الفعل الدوائية النادرة حيث تجعل الأعداد الصغيرة من الحالات التقديرات الكلاسيكية غير مستقرة.
- علم الأوبئة الجيني ودراسات الارتباط على مستوى الجينوم التي تدمج المعقولية البيولوجية المسبقة لتنظيم آلاف اختبارات التعرض المتزامنة.
- علم الأوبئة البيئي الذي يربط التعرضات المهنية أو الكيميائية بالمرض، حيث يمكن ترميز الأدلة السمية المسبقة رسميًا.
- دراسات الحالة والشاهد المستندة إلى المستشفى للمضاعفات الجراحية أو العدوى المرتبطة بالرعاية الصحية مع أعداد حالات محدودة.
- دراسات وبائيات السرطان مع توفر تحليل تلوي مسبق، مما يسمح بالتركيب الرسمي للبيانات الجديدة مع الأدلة الموجودة.
- تحقيقات وبائيات الأمراض المعدية حيث يتطلب اتخاذ القرارات السريع عبارات احتمالية حول مخاطر التعرض بدلاً من اختبارات الأهمية الثنائية.
كيف يعمل
كيف يعمل
اختر الحالات (الأفراد الذين لديهم النتيجة محل الاهتمام) والشواهد (الأفراد الذين ليس لديهم النتيجة) من نفس مجتمع المصدر، باستخدام نفس مبادئ تصميم الحالة والشاهد مثل الدراسات التقليدية - بما في ذلك القرارات المتعلقة بالمطابقة، ونسبة الحالة إلى الشاهد، وتحديد التعرض. النهج البايزي لا يغير تصميم الدراسة نفسه، بل التحليل الإحصائي الذي يتبعه فقط.
حدد التوزيعات المسبقة للوغاريتم النسبي للأرجحية (وأي معلمات نموذج أخرى) بناءً على الأدلة الحالية، أو التحليلات التلوية، أو المعرفة الموضوعية للمجال. يعتبر المسبق ذو المعلومات الضعيفة مثل الطبيعي(0، 2.5) على مقياس لوغاريتم الأرجحية افتراضيًا معقولًا عندما تكون المعرفة المسبقة محدودة؛ يمكن استخدام مسبق معلوماتي مشتق من دراسة سابقة عندما توجد مثل هذه الأدلة وهي ذات صلة.
الصيغة
\pi(\beta) \propto \text{Normal}(\mu_0, \sigma_0^2)اجمع بيانات التعرض والمتغيرات المشتركة للحالات والشواهد. يتم تحديد التعرضات بأثر رجعي (السجلات الطبية، المقابلات، المؤشرات الحيوية). يظل الاهتمام الدقيق بالتحيز في الاستدعاء، واختيار مجتمع مصدر تمثيلي، والتحكم في الارتباك مهمًا كما هو الحال في دراسات الحالة والشاهد الكلاسيكية.
صياغة دالة الاحتمالية - عادةً نموذج الانحدار اللوجستي - التي تربط التعرض والمتغيرات المشتركة بلوغاريتم أرجحية أن تكون حالة. تلتقط دالة الاحتمالية المعلومات التي توفرها البيانات المرصودة حول نسبة الأرجحية، بشكل مستقل عن المعتقدات المسبقة.
الصيغة
L(\beta | y) = \prod_{i=1}^{n} p_i^{y_i}(1-p_i)^{1-y_i},\; p_i = \text{logistic}(X_i\beta)اجمع المسبق ودالة الاحتمالية عبر نظرية بايز للحصول على التوزيع اللاحق للوغاريتم النسبي للأرجحية. عمليًا، يتم حساب ذلك عن طريق أخذ عينات من سلسلة ماركوف مونت كارلو (MCMC) باستخدام برامج مثل Stan أو JAGS أو حزمة brms في R.
الصيغة
\pi(\beta | y) \propto L(\beta | y)\, \pi(\beta)
لخص التوزيع اللاحق: أبلغ عن الوسيط اللاحق أو المتوسط كتقدير نقطي لنسبة الأرجحية، وفترة المصداقية 95٪ (الفترة التي تحتوي على 95٪ من كتلة الاحتمالية اللاحقة) كمقياس لعدم اليقين. تتمتع فترة المصداقية بتفسير احتمالي مباشر - على عكس فترة الثقة الكلاسيكية - وهو غالبًا ما يكون أكثر بديهية للأطباء وصناع السياسات.
الصيغة
\text{OR} = e^{\beta},\; 95\% \text{ credible interval from posterior}الأخطاء الشائعة
- استخدام مسبق معلوماتي مشتق من دراسة ذات مجموعة سكانية مختلفة أو تعريف تعرض مختلف دون تبرير كافٍ - يمكن أن يؤدي ذلك إلى تحيز اللاحق نحو تقدير مضلل.
- الإبلاغ فقط عن التقدير النقطي دون تحليل حساسية عبر المسبقات البديلة؛ ليس لدى المراجعين طريقة لتقييم مدى تأثير المسبق.
- فشل التقارب في سلاسل MCMC التي تمر دون اكتشاف - افحص دائمًا مخططات التتبع، وإحصائيات R-hat، وأحجام العينات الفعالة قبل تفسير النتائج.
- معاملة فترة المصداقية البايزية كفترة ثقة كلاسيكية في الكتابة، أو العكس - لهما تفسيران مختلفان ولا ينبغي الخلط بينهما.
- إهمال قضايا صلاحية دراسة الحالة والشاهد الكلاسيكية (تحيز الاستدعاء، تحيز الاختيار، المطابقة المناسبة) على افتراض أن التحليل البايزي سيصححها - إنه لا يفعل ذلك.
الأسئلة الشائعة
ما الذي يجعل دراسة الحالة والشاهد البايزية مختلفة عن دراسة الحالة والشاهد القياسية؟
تصميم الدراسة - اختيار الحالات والشواهد، وتحديد التعرضات، والتحكم في المتغيرات المربكة - متطابق. يكمن الاختلاف بالكامل في التحليل الإحصائي: بدلاً من انحدار لوجستي بالاحتمالية القصوى، يحدد النهج البايزي توزيعات مسبقة للمعلمات، ويحسب التوزيع اللاحق عبر نظرية بايز، ويبلغ عن فترات المصداقية بدلاً من فترات الثقة وقيم الاحتمالية.
كيف أختار التوزيع المسبق لنسبة الأرجحية؟
ابدأ بمسبق ضعيف المعلومات مثل الطبيعي(0، 2.5) على مقياس لوغاريتم الأرجحية، والذي يسمح بتأثيرات كبيرة ولكنه يثبط القيم المتطرفة التي لا تدعمها البيانات. إذا كانت هناك دراسة سابقة عالية الجودة أو تحليل تلوي لنفس زوج التعرض والمرض في مجموعة سكانية مماثلة، يمكنك اشتقاق مسبق معلوماتي من تقديره القياسي وخطئه القياسي. قم دائمًا بإجراء تحليل حساسية عن طريق إعادة تشغيل النموذج مع مسبق بديل واحد على الأقل لتقييم مدى اعتماد اللاحق على اختيارك.
هل يمكن نشر دراسة حالة وشاهد بايزية في مجلات علم الأوبئة الرائدة؟
نعم. يتم قبول الأساليب البايزية بشكل متزايد في مجلات علم الأوبئة، خاصة للدراسات التي تشمل عينات صغيرة، أو مقارنات متعددة، أو تركيب صريح للأدلة المسبقة. المفتاح هو التبرير الشامل للمسبق، والإبلاغ الشفاف عن تحليلات حساسية المسبق، والعرض الواضح للملخصات اللاحقة جنبًا إلى جنب مع تقديرات التأثير التقليدية لمقارنة القراء.
ما هو البرنامج الذي يمكنني استخدامه لتحليل الحالة والشاهد البايزي؟
الأدوات الأكثر شيوعًا هي Stan (يتم الوصول إليها عبر حزم brms أو rstan في R)، و JAGS (عبر rjags)، و PyMC في Python. حزمة brms في R سهلة الاستخدام بشكل خاص للانحدار اللوجستي البايزي، وتتطلب معرفة قليلة جدًا برمز المُنَمْذِج. لتصحيحات أخطاء القياس المعقدة أو الهياكل الهرمية، يوفر Stan أكبر قدر من المرونة.
هل يمكنني استخدام تصميم حالة وشاهد بايزي للدراسات المطابقة؟
نعم. يمكن تحليل تصاميم الحالة والشاهد المطابقة باستخدام الانحدار اللوجستي الشرطي في الإطار التكراري؛ يستخدم النظير البايزي دالة احتمالية شرطية مع مسبقات على معاملات التعرض. هذا يحافظ على تحكم التصميم في المتغيرات المربكة المطابقة مع الاحتفاظ بفوائد الاستدلال البايزي. يتطلب التنفيذ عناية في تحديد دالة الاحتمالية الشرطية بشكل صحيح في Stan أو JAGS.
طرق ذات صلة
المصادر
Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765-775.
افتح مرجع DOIتم النسخ.Gustafson, P. (2004). Measurement Error and Misclassification in Statistics and Epidemiology: Impacts and Bayesian Adjustments. Chapman and Hall/CRC.
ردمك: 978-1584884316تم النسخ.