Skip to content
بازگشت به نتایج جست‌وجو

مطالعه کوهورت بیزی

معرفی‌شده توسط
Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
سال
1990s–2000s (widespread adoption in epidemiology)
نوع
Observational longitudinal 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 کوهورت بیزی گروه مشخصی از افراد را در طول زمان دنبال می‌کند تا وقوع، خطر یا نرخ پیامدها را تخمین بزند، در حالی که از استنتاج آماری بیزی برای گنجاندن دانش قبلی و کمی‌سازی عدم قطعیت از طریق توزیع‌های احتمال پسین به جای مقادیر p و فواصل اطمینان کلاسیک استفاده می‌کند. این روش، طرح مشاهده‌ای طولی مطالعه کوهورت را با منطق به‌روزرسانی احتمال تحلیل بیزی ترکیب می‌کند و امکان کمی‌سازی غنی‌تر عدم قطعیت و به‌روزرسانی متوالی با انباشت داده‌ها را فراهم می‌آورد.

شهود پشت روش

در یک مطالعه کوهورت استاندارد، گروهی از افراد را استخدام می‌کنید، مشاهده می‌کنید چه کسانی در طول زمان به پیامد مبتلا می‌شوند، و سپس نرخ وقوع فراوانی‌گرا یا نسبت خطر را با یک فاصله اطمینان ۹۵٪ محاسبه می‌کنید. یک مطالعه کوهورت بیزی همین پیگیری را انجام می‌دهد اما می‌پرسد: با توجه به آنچه که قبل از مطالعه از قبل می‌دانستیم (که در یک توزیع پیشین رمزگذاری شده است) و با توجه به داده‌های جدیدی که به تازگی جمع‌آوری کرده‌ایم (تابع درست‌نمایی)، اکنون درباره خطر یا تهدید واقعی (توزیع پسین) چه باید باور کنیم؟ توزیع پسین یک منحنی احتمال کامل است — می‌توانید احتمال اینکه خطر از هر آستانه‌ای فراتر رود را بخوانید، فواصل معتبر را که تفسیرشان آسان‌تر از فواصل اطمینان فراوانی‌گرا است، ارتباط برقرار کنید و هنگامی که موج بعدی داده‌ها می‌رسد، باورهای خود را دوباره به‌روز کنید.

تاریخ

نظریه احتمال بیزی به توماس بیز (۱۷۶۳) بازمی‌گردد و توسط پیر-سیمون لاپلاس گسترش یافت. کاربرد آن در اپیدمیولوژی در دهه ۱۹۹۰ با عملی شدن الگوریتم‌های زنجیره مارکوف مونت کارلو (MCMC) رواج یافت. مقالات تأثیرگذار ساندر گرینلند در مجله بین‌المللی اپیدمیولوژی (۲۰۰۶-۲۰۰۷) به طور سیستماتیک از رویکردهای بیزی و نیمه‌بیزی در اپیدمیولوژی مشاهده‌ای حمایت کردند. کتاب درسی ۲۰۰۴ اشپیگل‌هالتر و همکاران، روش‌های بیزی را برای کارآزمایی‌های بالینی و ارزیابی مراقبت‌های بهداشتی تدوین کرد و داربست روش‌شناختی را که پس از آن به طور گسترده برای مطالعات کوهورت پذیرفته شد، فراهم کرد.

چه زمانی استفاده شود

هنگامی که شواهد پیشین آموزنده (مانند داده‌های کوهورت قبلی، تخمین‌های فراتحلیل، سابقه نظارتی) دارید که می‌توانند به طور رسمی برای تقویت استنتاج گنجانده شوند، یا زمانی که به گزاره‌های احتمال مستقیم در مورد پارامترها به جای مقادیر p فراوانی‌گرا نیاز دارید، از مطالعه کوهورت بیزی استفاده کنید. همچنین برای نظارت متوالی و تطبیقی بر داده‌های انباشته کوهورت و برای پیامدهای نادر که در آن پیشین می‌تواند تا حدی کمبود رویدادها را جبران کند، ارجح است. زمانی که مشخص‌سازی پیشین بسیار مورد مناقشه است و ذینفعان جزء ذهنی در تحلیل را نمی‌پذیرند، یا زمانی که زمینه تحقیق نیازمند یک چارچوب صرفاً آزمون فرضیه است، از آن استفاده نکنید. یک مطالعه کوهورت متعارف که با مدل‌های مختلط یا کاکس تحلیل می‌شود، زمانی که نمونه بزرگ است، پیشین‌ها غیر آموزنده هستند و هیچ به‌روزرسانی متوالی برنامه‌ریزی نشده است، ساده‌تر است.

محدودیت‌ها و ملاحظات

  • مشخص‌سازی پیشین نیازمند توجیه است؛ پیشین‌های با انتخاب ضعیف یا فاش نشده می‌توانند نتایج را بدون اینکه برای خوانندگان واضح باشند، سوگیری کنند.
  • محاسبات MCMC کندتر و از نظر فنی پیچیده‌تر از نرم‌افزارهای فراوانی‌گرای استاندارد است؛ همگرایی باید تأیید شود.
  • نتایج ممکن است برای مخاطبان بالینی یا سیاست‌گذار که با توزیع‌های پسین و فواصل معتبر ناآشنا هستند، دشوارتر باشد.
  • آژانس‌های نظارتی و بازبینان مجلات در برخی حوزه‌ها هنوز تحلیل‌های اولیه فراوانی‌گرا را انتظار دارند؛ تحلیل‌های بیزی ممکن است به مطالب تکمیلی محدود شوند.

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

نقاط قوت

  • امکان گنجاندن رسمی شواهد خارجی یا دانش کارشناسان از طریق توزیع‌های پیشین را فراهم می‌کند و کارایی را برای پیامدهای نادر بهبود می‌بخشد.
  • احتمالات پسین تولید می‌کند که مستقیماً قابل تفسیر هستند (مانند 'احتمال اینکه نرخ وقوع از X فراتر رود') — شهودی‌تر از مقادیر p فراوانی‌گرا.
  • از تحلیل‌های متوالی و تطبیقی پشتیبانی می‌کند: پسین یک موج، پیشین موج بعدی می‌شود و امکان به‌روزرسانی شفاف باورها را فراهم می‌آورد.
  • فواصل معتبر دارای تفسیر احتمالی هستند که فواصل اطمینان فراوانی‌گرا معمولاً (به اشتباه) فرض می‌شوند که دارند.
  • به طور طبیعی داده‌های گمشده و ساختارهای سلسله مراتبی را از طریق چارچوب مدل‌سازی مولد تطبیق می‌دهد.

کاربردها

  • تخمین وقوع سرطان و نسبت‌های خطر در کوهورت‌های شغلی یا محیطی با داده‌های قبلی از مطالعات ثبت.
  • نظارت بر اثربخشی واکسن در نظارت کوهورت پس از مجوز با به‌روزرسانی متوالی با انباشت پیگیری جدید.
  • ارزیابی نرخ رویدادهای قلبی عروقی در کوهورت‌های طولی بیماران که پیشین‌های آموزنده از کارآزمایی‌های بالینی در دسترس هستند.
  • مطالعه وقوع بیماری نادر در کوهورت‌های مبتنی بر ثبت که در آن انقباض بیزی تخمین‌های سلول کوچک را تثبیت می‌کند.
  • کوهورت‌های ایمنی دارویی-اپیدمیولوژیک که در آنها نهادهای نظارتی تحلیل‌های ثانویه بیزی را در کنار تحلیل‌های اولیه فراوانی‌گرا می‌پذیرند.

چگونه کار می‌کند

چگونه کار می‌کند

1

کوهورت را تعریف کنید: جمعیت هدف، معیارهای واجد شرایط بودن، مواجهه مورد علاقه، پیامد(ها) و مدت زمان پیگیری برنامه‌ریزی شده. طرح تحلیل را از جمله انتخاب توزیع‌های پیشین و مدل درست‌نمایی، پیش‌ثبت کنید. این مرحله، برنامه‌ریزی استاندارد مطالعه کوهورت را منعکس می‌کند و برای شفافیت حیاتی است.

2

توزیع‌های پیشین p(θ) را برای هر پارامتر کلیدی (مانند نرخ وقوع، نسبت خطر) مشخص کنید. پیشین‌ها می‌توانند آموزنده (مبتنی بر مطالعات قبلی یا نظر کارشناسان)، به طور ضعیف آموزنده، یا غیر آموزنده باشند. تحلیل‌های حساسیت با پیشین‌های جایگزین باید در این مرحله برنامه‌ریزی شوند.

فرمول
p(\theta)
3

کوهورت را استخدام کرده و شرکت‌کنندگان را به صورت آینده‌نگر (یا سوابق را به صورت گذشته‌نگر استخراج کنید) دنبال کنید. وضعیت مواجهه، عوامل مخدوش‌گر و وقوع پیامد را در فواصل منظم اندازه‌گیری کنید. اصول استاندارد کیفیت داده در مطالعات کوهورت اعمال می‌شود: از دست دادن پیگیری را به حداقل برسانید و عوامل مخدوش‌گر وابسته به زمان را بررسی کنید.

4

تابع درست‌نمایی L(θ | داده) را بسازید که پیامدهای مشاهده شده را به پارامترهای مورد علاقه مرتبط می‌کند. مدل‌های رایج شامل رگرسیون پواسون برای نرخ‌های وقوع، مدل‌های کاکس یا ویبول برای پیامدهای زمان-تا-رویداد، و رگرسیون لجستیک برای خطر تجمعی است. در تنظیمات بیزی، اینها در زبان‌های برنامه‌نویسی احتمالی مانند Stan یا JAGS کدگذاری می‌شوند.

فرمول
L(\theta | \text{data})
5

پیشین و درست‌نمایی را از طریق قضیه بیز ترکیب کنید تا توزیع پسین p(θ | داده) را به دست آورید که متناسب با p(θ) ضربدر L(θ | داده) است. تخمین معمولاً با نمونه‌گیری زنجیره مارکوف مونت کارلو (MCMC) انجام می‌شود. تشخیص‌های همگرایی (Gelman-Rubin R-hat، نمودارهای ردیابی) باید قبل از خلاصه‌سازی نتایج ارزیابی شوند.

فرمول
p(\theta | \text{data}) \propto p(\theta) \cdot L(\theta | \text{data})
6

توزیع‌های پسین را با تخمین‌های نقطه‌ای (میانه یا میانگین پسین)، فواصل معتبر ۹۵٪ و گزاره‌های احتمال (مانند 'احتمال اینکه HR > 1 برابر با ۰.۹۷ است') خلاصه کنید. مشخصات پیشین و تحلیل‌های حساسیت را گزارش دهید. از دستورالعمل‌های گزارش‌دهی کوهورت STROBE پیروی کرده و با موارد خاص بیزی مانند توجیه پیشین و تشخیص‌های MCMC تکمیل کنید.

دام‌های رایج

  • انتخاب یک پیشین آموزنده برای حمایت عمدی از یک نتیجه مطلوب — تحلیل‌های حساسیت پیشین باید گزارش شوند تا خوانندگان بتوانند استحکام را قضاوت کنند.
  • عدم ارزیابی همگرایی MCMC قبل از گزارش پسین‌ها — زنجیره‌های ناهمگرا تخمین‌های پارامتر بی‌معنی تولید می‌کنند.
  • اشتباه گرفتن فواصل معتبر با فواصل اطمینان در تفسیر — هر دو معتبر هستند اما به سوالات متفاوتی پاسخ می‌دهند؛ زبان را مخلوط نکنید.
  • نادیده گرفتن تهدیدهای استاندارد مطالعه کوهورت برای اعتبار (سوگیری انتخاب، از دست دادن پیگیری، مخدوش‌گری وابسته به زمان) — استنتاج بیزی نقص‌های طراحی را برطرف نمی‌کند.
  • استفاده از یک پیشین غیر آموزنده در حالی که شواهد خارجی قوی وجود دارد — این اطلاعات مفید را دور می‌ریزد و اغلب همان نتیجه تحلیل فراوانی‌گرا را بدون مزایای بیزی به دست می‌آورد.

پرسش‌های متداول

آیا مطالعه کوهورت بیزی مشاهده‌ای است یا تجربی؟

مشاهده‌ای است. بخش 'بیزی' به چارچوب تحلیل آماری اشاره دارد، نه به طرح مطالعه. طرح کوهورت — دنبال کردن یک گروه مشخص در طول زمان بدون دستکاری تجربی — بدون تغییر باقی می‌ماند. روش‌های بیزی در مرحله تحلیل برای تخمین پارامترهای وقوع، خطر یا تهدید اعمال می‌شوند.

چگونه توزیع پیشین را انتخاب کنم؟

پیشین‌ها باید دانش واقعی قبل از مطالعه را منعکس کنند: فراتحلیل‌های منتشر شده، داده‌های کوهورت قبلی، یا استخراج ساختاریافته کارشناسان. پیشین‌های به طور ضعیف آموزنده (مانند یک نیمه‌نرمال بر روی نسبت‌های خطر لگاریتمی) در صورت کمبود شواهد خارجی، یک پیش‌فرض قابل دفاع هستند. همیشه پیشین را گزارش دهید و تحلیل‌های حساسیت را با حداقل یک پیشین جایگزین اجرا کنید تا نشان دهید نتایج چقدر مستحکم هستند.

آیا می‌توانم از نرم‌افزارهای استاندارد مانند R یا Stata استفاده کنم؟

بله. زبان برنامه‌نویسی احتمالی Stan (از طریق رابط‌های RStan یا CmdStanR در R) پرکاربردترین پلتفرم برای مدل‌های کوهورت بیزی است. JAGS (از طریق rjags) یک جایگزین است. مدل‌های بقای بیزی همچنین از طریق بسته R brms در دسترس هستند که یک رابط مبتنی بر فرمول به Stan ارائه می‌دهد. تحلیل‌های کوهورت فراوانی‌گرای استاندارد در R یا Stata را می‌توان با تلاش نسبتاً کمی در این ابزارهای بیزی بازتعریف کرد.

آیا تحلیل بیزی کمبود یک کوهورت کوچک را جبران می‌کند؟

پیشین‌های آموزنده می‌توانند دقت را در زمانی که کوهورت رویدادهای کمی دارد، بهبود بخشند، اما نمی‌توانند یک مطالعه اساساً کم‌توان را نجات دهند. اگر پیشین به دلیل پراکندگی بیش از حد داده‌ها غالب شود، نتایج بیشتر منعکس‌کننده باورهای پیشین تا شواهد جدید هستند. گزارش‌دهی شفاف این بده‌بستان و تحلیل‌های حساسیت پیشین ضروری است.

این با کارآزمایی بالینی تصادفی بیزی چه تفاوتی دارد؟

تفاوت اساسی در طرح است: کارآزمایی بالینی تصادفی مواجهه را به صورت تجربی تخصیص می‌دهد و امکان استنتاج علی را فراهم می‌کند؛ مطالعه کوهورت مواجهات طبیعی را مشاهده می‌کند و باید عوامل مخدوش‌گر را به صورت تحلیلی کنترل کند. هر دو می‌توانند از استنتاج بیزی در مرحله تحلیل استفاده کنند، اما کنترل مخدوش‌گری (از طریق امتیازات تمایل، تعدیل رگرسیون، یا روش‌های g) در نسخه کوهورت ضروری باقی می‌ماند و در یک کارآزمایی کاملاً تصادفی غیرضروری است.

روش‌های مرتبط

منابع

  1. Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.

    شابک: 978-0471499756
    کپی شد.
  2. 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.