Skip to content
بازگشت به نتایج جست‌وجو

مطالعه مورد-شاهدی بیزی

معرفی‌شده توسط
Sander Greenland (Bayesian epidemiology formalization); earlier Bayesian logistic methods: Leonard (1972)
سال
1990s–2000s (systematic application); Bayesian inference foundations: Bayes/Laplace 18th–19th c.
نوع
Observational analytic study with Bayesian inference
خانواده
Clinical / epidemiology

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

یک مطالعه مورد-شاهدی بیزی، استنباط آماری بیزی را در طراحی اپیدمیولوژیک کلاسیک مورد-شاهدی به کار می‌گیرد و دانش قبلی درباره ارتباطات مواجهه-بیماری را با داده‌های مشاهده‌شده موارد و شواهد به طور رسمی ترکیب می‌کند تا نسبت شانس پسین و فواصل اعتبار را تخمین بزند. به جای اتکا صرف به داده‌های مشاهده‌شده، چارچوب بیزی به محققان اجازه می‌دهد تا شواهد خارجی — از مطالعات قبلی، دانش تخصصی، یا درک مکانیکی — را در تحلیل بگنجانند و اظهارات احتمالی درباره اندازه‌های اثر ارائه دهند که اغلب قابل تفسیرتر از مقادیر p کلاسیک و فواصل اطمینان هستند.

شهود پشت روش

در یک مطالعه مورد-شاهدی استاندارد، شما افرادی را که به بیماری مبتلا شده‌اند (موارد) و افراد مشابهی را که مبتلا نشده‌اند (شواهد) شناسایی می‌کنید، سپس مواجهه‌های گذشته آن‌ها را برای شناسایی عوامل خطر مقایسه می‌کنید. نسخه بیزی یک لایه حیاتی اضافه می‌کند: قبل از بررسی داده‌های خود، به طور رسمی آنچه را که از قبل درباره رابطه مواجهه-بیماری باور دارید — شاید از مطالعات قبلی یا توجیه بیولوژیکی — به عنوان یک توزیع احتمال پیشین بیان می‌کنید. داده‌هایی که جمع‌آوری می‌کنید، سپس این پیشین را از طریق قضیه بیز به‌روزرسانی می‌کنند و یک توزیع پسین تولید می‌کنند که باور پیشین را با شواهد جدید ترکیب می‌کند. اگر داده‌های شما به شدت یک جهت را ترجیح دهند، پسین آن را بدون توجه به پیشین منعکس خواهد کرد؛ اگر داده‌ها پراکنده یا نویزدار باشند، پیشین یک تنظیم‌کنندگی معنادار فراهم می‌کند که از تخمین‌های افراطی و غیرقابل اعتماد جلوگیری می‌کند.

تاریخ

روش‌شناسی مورد-شاهدی در اواسط قرن بیستم رسمی شد، با اثبات کورنفیلد در سال ۱۹۵۱ که نسبت شانس در بیماری‌های نادر، ریسک نسبی را تقریب می‌زند و یک نتیجه بنیادی ارائه می‌دهد. رویکردهای بیزی به اپیدمیولوژی از دهه ۱۹۷۰ ظاهر شدند، با دِمپستر و دیگران که استنباط احتمالی را در زمینه‌های زیست‌پزشکی بررسی کردند. مجموعه مقالات تأثیرگذار ساندر گرینلند در دهه ۲۰۰۰ — به ویژه مقاله او در سال ۲۰۰۶ در International Journal of Epidemiology — دیدگاه‌های بیزی را برای اپیدمیولوژیست‌های فعال نظام‌مند کرد و نشان داد که چگونه رگرسیون لجستیک بیزی می‌تواند استنباط را در مطالعات مورد-شاهدی و کوهورت بهبود بخشد. رشد نرم‌افزارهای MCMC قابل دسترس (WinBUGS, JAGS, Stan) از دهه ۱۹۹۰ به بعد، اجرای روتین را امکان‌پذیر ساخت.

چه زمانی استفاده شود

زمانی از مطالعه مورد-شاهدی بیزی استفاده کنید که اطلاعات پیشین معناداری درباره ارتباط مواجهه-بیماری دارید (مثلاً از یک فراتحلیل قبلی یا دانش مکانیکی) که می‌خواهید به طور رسمی در تحلیل بگنجانید، یا زمانی که مطالعه کوچک است و برای جلوگیری از تخمین‌های نسبت شانس به طور کاذب افراطی، به تنظیم‌کنندگی اصولی نیاز دارید. همچنین زمانی مناسب است که سوال پژوهشی به یک اظهار احتمال مستقیم نیاز دارد ('احتمال اینکه OR از ۲ بیشتر باشد چقدر است؟') به جای یک تصمیم اهمیت باینری. از این رویکرد زمانی استفاده نکنید که تیم پژوهشی فاقد تخصص مدل‌سازی بیزی است، زمانی که مشخص کردن پیشین در میان ذینفعان به شدت مورد مناقشه است، زمانی که شفافیت با مخاطبان صرفاً فراوانی‌گرا بسیار مهم است، یا زمانی که اندازه‌های نمونه به اندازه‌ای بزرگ هستند که انتخاب پیشین تفاوت ناچیزی در پسین ایجاد می‌کند.

محدودیت‌ها و ملاحظات

  • مشخص کردن پیشین ذهنی است؛ انتخاب‌ها باید توجیه شوند و، در حالت ایده‌آل، تحلیل حساسیت در طیفی از پیشین‌های معقول انجام شود.
  • محاسبات MCMC به طور قابل توجهی پیچیده‌تر و زمان‌برتر از اجرای یک رگرسیون لجستیک استاندارد است.
  • نتایج ممکن است توسط داوران یا نهادهای نظارتی در زمینه‌هایی که روش‌های فراوانی‌گرا استاندارد تثبیت شده هستند، پذیرفته نشوند.
  • هنگامی که پیشین بسیار اطلاعاتی است و داده‌ها محدود هستند، پسین عمدتاً توسط پیشین هدایت می‌شود، که ارزیابی سهم مطالعه جدید را دشوار می‌کند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • شواهد پیشین را به طور رسمی و شفاف در بر می‌گیرد و خطر تفسیر بیش از حد داده‌های پراکنده را کاهش می‌دهد.
  • فواصل اعتبار با تفسیرهای احتمال مستقیم ارائه می‌دهد که شهودی‌تر از فواصل اطمینان فراوانی‌گرا هستند.
  • اندازه‌های نمونه کوچک و مواجهه‌های نادر را با ظرافت بیشتری نسبت به روش‌های حداکثر درست‌نمایی از طریق تنظیم‌کنندگی پیشین مدیریت می‌کند.
  • به طور طبیعی تمام منابع عدم قطعیت — از جمله عدم قطعیت درباره مخدوش‌کننده‌ها و خطای اندازه‌گیری — را از طریق توزیع پسین منتشر می‌کند.
  • تسهیل‌کننده توسعه‌های تحلیلی تصمیم: توزیع‌های پسین می‌توانند مستقیماً به مدل‌های اقتصاد سلامت یا ریسک-منفعت وارد شوند.

کاربردها

  • مطالعات فارماکو-اپیدمیولوژیک که واکنش‌های نامطلوب دارویی نادر را ارزیابی می‌کنند، جایی که تعداد کم موارد، تخمین‌های کلاسیک را ناپایدار می‌کند.
  • اپیدمیولوژی ژنتیک و مطالعات انجمن سراسر ژنوم که توجیه بیولوژیکی پیشین را برای تنظیم هزاران آزمایش مواجهه همزمان در بر می‌گیرند.
  • اپیدمیولوژی محیطی که مواجهه‌های شغلی یا شیمیایی را به بیماری مرتبط می‌کند، جایی که شواهد سم‌شناسی پیشین می‌توانند به طور رسمی کدگذاری شوند.
  • مطالعات مورد-شاهدی مبتنی بر بیمارستان برای عوارض جراحی یا عفونت‌های مرتبط با مراقبت‌های بهداشتی با تعداد موارد محدود.
  • مطالعات اپیدمیولوژی سرطان با یک فراتحلیل پیشین در دسترس، که امکان ترکیب رسمی داده‌های جدید با شواهد موجود را فراهم می‌کند.
  • تحقیقات شیوع بیماری‌های عفونی که تصمیم‌گیری سریع نیازمند اظهارات احتمالی درباره خطر مواجهه به جای آزمون‌های اهمیت باینری است.

چگونه کار می‌کند

چگونه کار می‌کند

1

موارد (افراد دارای پیامد مورد نظر) و شواهد (افراد بدون پیامد) را از همان جمعیت منبع انتخاب کنید، با استفاده از همان اصول طراحی مورد-شاهدی مطالعات مرسوم — از جمله تصمیم‌گیری در مورد تطبیق، نسبت مورد به شاهد، و تشخیص مواجهه. رویکرد بیزی خود طراحی مطالعه را تغییر نمی‌دهد، بلکه فقط تحلیل آماری بعدی را تغییر می‌دهد.

2

توزیع‌های پیشین را برای لگاریتم نسبت شانس (و هر پارامتر مدل دیگر) بر اساس شواهد موجود، فراتحلیل‌ها، یا دانش تخصصی حوزه مشخص کنید. یک پیشین با اطلاعات ضعیف مانند Normal(0, 2.5) در مقیاس لگاریتم نسبت شانس (log-OR) یک پیش‌فرض معقول است زمانی که دانش پیشین محدود است؛ یک پیشین اطلاعاتی که از یک مطالعه قبلی مشتق شده است می‌تواند زمانی استفاده شود که چنین شواهدی وجود دارد و مرتبط است.

فرمول
\pi(\beta) \propto \text{Normal}(\mu_0, \sigma_0^2)
3

داده‌های مواجهه و متغیرهای کمکی را برای موارد و شواهد جمع‌آوری کنید. مواجهه‌ها به صورت گذشته‌نگر (سوابق پزشکی، مصاحبه‌ها، نشانگرهای زیستی) تشخیص داده می‌شوند. توجه دقیق به سوگیری یادآوری، انتخاب یک جمعیت منبع نماینده، و کنترل مخدوش‌کننده‌ها به همان اندازه مطالعات مورد-شاهدی کلاسیک مهم است.

4

تابع درست‌نمایی — معمولاً یک مدل رگرسیون لجستیک — را فرموله کنید که مواجهه و متغیرهای کمکی را به لگاریتم شانس مورد بودن مرتبط می‌کند. درست‌نمایی اطلاعاتی را که داده‌های مشاهده‌شده درباره نسبت شانس ارائه می‌دهند، مستقل از باورهای پیشین، به تصویر می‌کشد.

فرمول
L(\beta | y) = \prod_{i=1}^{n} p_i^{y_i}(1-p_i)^{1-y_i},\; p_i = \text{logistic}(X_i\beta)
5

پیشین و درست‌نمایی را از طریق قضیه بیز ترکیب کنید تا توزیع پسین لگاریتم نسبت شانس را به دست آورید. در عمل این کار با نمونه‌برداری زنجیره مارکوف مونت کارلو (MCMC) با استفاده از نرم‌افزارهایی مانند Stan، JAGS یا بسته brms R محاسبه می‌شود.

فرمول
\pi(\beta | y) \propto L(\beta | y)\, \pi(\beta)
6

توزیع پسین را خلاصه کنید: میانه یا میانگین پسین را به عنوان برآورد نقطه‌ای نسبت شانس، و فاصله اعتبار ۹۵% (فاصله‌ای که ۹۵% از جرم احتمال پسین را شامل می‌شود) را به عنوان معیار عدم قطعیت گزارش دهید. فاصله اعتبار دارای تفسیر احتمال مستقیم است — برخلاف فاصله اطمینان کلاسیک — که اغلب برای پزشکان و سیاست‌گذاران شهودی‌تر است.

فرمول
\text{OR} = e^{\beta},\; 95\% \text{ credible interval from posterior}

دام‌های رایج

  • استفاده از یک پیشین اطلاعاتی که از مطالعه‌ای با جمعیت یا تعریف مواجهه متفاوت بدون توجیه کافی مشتق شده است — این می‌تواند پسین را به سمت یک تخمین گمراه‌کننده سوگیری دهد.
  • گزارش فقط برآورد نقطه‌ای بدون تحلیل حساسیت در میان پیشین‌های جایگزین؛ داوران راهی برای ارزیابی میزان تأثیرگذاری پیشین ندارند.
  • شکست‌های همگرایی در زنجیره‌های MCMC که شناسایی نمی‌شوند — همیشه نمودارهای ردیابی، آماره‌های R-hat، و اندازه‌های نمونه مؤثر را قبل از تفسیر نتایج بررسی کنید.
  • برخورد با فاصله اعتبار بیزی به عنوان یک فاصله اطمینان کلاسیک در نگارش، یا بالعکس — این دو تفسیرهای متفاوتی دارند و نباید با هم اشتباه گرفته شوند.
  • نادیده گرفتن مسائل اعتبار کلاسیک مورد-شاهدی (سوگیری یادآوری، سوگیری انتخاب، تطبیق مناسب) با این فرض که تحلیل بیزی آنها را تصحیح خواهد کرد — این کار را نمی‌کند.

پرسش‌های متداول

چه چیزی مطالعه مورد-شاهدی بیزی را از یک مطالعه مورد-شاهدی استاندارد متمایز می‌کند؟

طراحی مطالعه — انتخاب موارد و شواهد، تشخیص مواجهه‌ها، کنترل مخدوش‌کننده‌ها — یکسان است. تفاوت کاملاً در تحلیل آماری است: به جای رگرسیون لجستیک حداکثر درست‌نمایی، رویکرد بیزی توزیع‌های پیشین را برای پارامترها مشخص می‌کند، توزیع پسین را از طریق قضیه بیز محاسبه می‌کند، و فواصل اعتبار را به جای فواصل اطمینان و مقادیر p گزارش می‌دهد.

چگونه توزیع پیشین را برای نسبت شانس انتخاب کنم؟

با یک پیشین با اطلاعات ضعیف مانند Normal(0, 2.5) در مقیاس لگاریتم نسبت شانس (log-OR) شروع کنید، که اثرات بزرگ را مجاز می‌داند اما از مقادیر افراطی بدون پشتیبانی داده جلوگیری می‌کند. اگر یک مطالعه قبلی با کیفیت بالا یا فراتحلیل برای همان جفت مواجهه-بیماری در یک جمعیت قابل مقایسه وجود دارد، می‌توانید یک پیشین اطلاعاتی را از برآورد گزارش شده و خطای استاندارد آن استخراج کنید. همیشه با اجرای مجدد مدل با حداقل یک پیشین جایگزین، تحلیل حساسیت را انجام دهید تا ارزیابی کنید که پسین چقدر به انتخاب شما وابسته است.

آیا یک مطالعه مورد-شاهدی بیزی در مجلات برتر اپیدمیولوژی قابل انتشار است؟

بله. روش‌های بیزی به طور فزاینده‌ای در مجلات اپیدمیولوژی پذیرفته می‌شوند، به ویژه برای مطالعاتی که شامل نمونه‌های کوچک، مقایسه‌های متعدد، یا ترکیب شواهد پیشین صریح هستند. نکته کلیدی توجیه کامل پیشین، گزارش شفاف تحلیل‌های حساسیت پیشین، و ارائه واضح خلاصه‌های پسین در کنار برآوردهای اثر متعارف برای قابلیت مقایسه خواننده است.

از چه نرم‌افزاری می‌توانم برای تحلیل مورد-شاهدی بیزی استفاده کنم؟

رایج‌ترین ابزارها Stan (که از طریق بسته‌های brms یا rstan R قابل دسترسی است)، JAGS (از طریق rjags)، و PyMC در پایتون هستند. بسته brms در R به ویژه برای رگرسیون لجستیک بیزی کاربرپسند است و به حداقل دانش از کد نمونه‌بردار نیاز دارد. برای تصحیحات خطای اندازه‌گیری پیچیده یا ساختارهای سلسله‌مراتبی، Stan بیشترین انعطاف‌پذیری را ارائه می‌دهد.

آیا می‌توانم از طراحی مورد-شاهدی بیزی برای مطالعات تطبیق‌یافته استفاده کنم؟

بله. طرح‌های مورد-شاهدی تطبیق‌یافته را می‌توان با استفاده از رگرسیون لجستیک شرطی در چارچوب فراوانی‌گرا تحلیل کرد؛ آنالوگ بیزی از یک درست‌نمایی شرطی با پیشین‌ها بر روی ضرایب مواجهه استفاده می‌کند. این کار کنترل طراحی برای مخدوش‌کننده‌های تطبیق‌یافته را حفظ می‌کند در حالی که مزایای استنباط بیزی را نگه می‌دارد. پیاده‌سازی نیازمند دقت در مشخص کردن صحیح درست‌نمایی شرطی در Stan یا JAGS است.

روش‌های مرتبط

منابع

  1. Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765-775.

    باز کردن مرجع DOI
    کپی شد.
  2. Gustafson, P. (2004). Measurement Error and Misclassification in Statistics and Epidemiology: Impacts and Bayesian Adjustments. Chapman and Hall/CRC.

    شابک: 978-1584884316
    کپی شد.