Skip to content
Kembali ke hasil pencarian

Studi Kasus-Kontrol Bayesian

Diperkenalkan oleh
Sander Greenland (Bayesian epidemiology formalization); earlier Bayesian logistic methods: Leonard (1972)
Tahun
1990s–2000s (systematic application); Bayesian inference foundations: Bayes/Laplace 18th–19th c.
Jenis
Observational analytic study with Bayesian inference
Keluarga
Clinical / epidemiology

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Studi kasus-kontrol Bayesian menerapkan inferensi statistik Bayesian pada desain epidemiologi klasik kasus-kontrol, secara formal menggabungkan pengetahuan sebelumnya tentang hubungan paparan-penyakit dengan data kasus dan kontrol yang diamati untuk memperkirakan rasio odds posterior dan interval kredibel.

Alih-alih hanya mengandalkan data yang diamati, kerangka kerja Bayesian memungkinkan penyelidik untuk memasukkan bukti eksternal — dari studi sebelumnya, pengetahuan ahli, atau pemahaman mekanistik — ke dalam analisis, menghasilkan pernyataan probabilitas tentang ukuran efek yang seringkali lebih dapat diinterpretasikan daripada nilai-p dan interval kepercayaan klasik.

Intuisi di balik metode

Dalam studi kasus-kontrol standar, Anda mengidentifikasi orang yang telah mengembangkan penyakit (kasus) dan orang serupa yang belum (kontrol), kemudian membandingkan paparan masa lalu mereka untuk mengidentifikasi faktor risiko. Versi Bayesian menambahkan lapisan penting: sebelum melihat data Anda, Anda secara formal menyatakan apa yang sudah Anda yakini tentang hubungan paparan-penyakit — mungkin dari studi sebelumnya atau kemungkinan biologis — sebagai distribusi probabilitas sebelumnya (prior). Data yang Anda kumpulkan kemudian memperbarui prior ini melalui teorema Bayes, menghasilkan distribusi posterior yang memadukan keyakinan sebelumnya dengan bukti baru. Jika data Anda sangat mendukung satu arah, posterior akan mencerminkannya terlepas dari prior; jika data jarang atau berisik, prior memberikan regularisasi yang bermakna yang mencegah perkiraan yang ekstrem dan tidak dapat diandalkan.

Sejarah

Metodologi kasus-kontrol diformalkan pada pertengahan abad kedua puluh, dengan demonstrasi Cornfield tahun 1951 bahwa rasio odds mendekati risiko relatif pada penyakit langka memberikan hasil dasar. Pendekatan Bayesian untuk epidemiologi mulai muncul pada tahun 1970-an, dengan Dempster dan lainnya mengeksplorasi inferensi probabilistik dalam konteks biomedis. Serangkaian artikel berpengaruh Sander Greenland pada tahun 2000-an — terutama makalahnya tahun 2006 di International Journal of Epidemiology — menstandardisasi perspektif Bayesian untuk ahli epidemiologi praktisi, mendemonstrasikan bagaimana regresi logistik Bayesian dapat meningkatkan inferensi dalam studi kasus-kontrol dan kohort. Pertumbuhan perangkat lunak MCMC yang mudah diakses (WinBUGS, JAGS, Stan) mulai tahun 1990-an dan seterusnya memungkinkan implementasi rutin.

Kapan digunakan

Gunakan studi kasus-kontrol Bayesian ketika Anda memiliki informasi sebelumnya yang bermakna tentang hubungan paparan-penyakit (misalnya, dari meta-analisis sebelumnya atau pengetahuan mekanistik) yang ingin Anda masukkan secara formal ke dalam analisis, atau ketika studi tersebut kecil dan Anda memerlukan regularisasi yang berprinsip untuk mencegah perkiraan rasio odds yang ekstrem secara keliru. Ini juga sesuai ketika pertanyaan penelitian memerlukan pernyataan probabilitas langsung ('berapa probabilitas OR melebihi 2?') daripada keputusan signifikansi biner. Jangan gunakan pendekatan ini ketika tim peneliti tidak memiliki keahlian pemodelan Bayesian, ketika spesifikasi prior sangat diperdebatkan di antara para pemangku kepentingan, ketika transparansi dengan audiens yang strictly frequentist sangat penting, atau ketika ukuran sampel cukup besar sehingga pilihan prior membuat perbedaan yang dapat diabaikan pada posterior.

Batasan dan pertimbangan

  • Spesifikasi prior bersifat subjektif; pilihan harus dibenarkan dan, idealnya, dianalisis sensitivitasnya di berbagai prior yang masuk akal.
  • Perhitungan MCMC secara substansial lebih kompleks dan memakan waktu daripada menjalankan regresi logistik standar.
  • Hasilnya mungkin tidak diterima oleh peninjau atau badan pengatur dalam konteks di mana metode frequentist adalah standar yang mapan.
  • Ketika prior sangat informatif dan data terbatas, posterior terutama didorong oleh prior, membuat kontribusi studi baru sulit dievaluasi.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Secara formal dan transparan menggabungkan bukti sebelumnya, mengurangi risiko interpretasi berlebihan dari data yang jarang.
  • Menghasilkan interval kredibel dengan interpretasi probabilitas langsung, lebih intuitif daripada interval kepercayaan frequentist.
  • Menangani ukuran sampel kecil dan paparan langka dengan lebih baik daripada metode maksimum-likelihood melalui regularisasi prior.
  • Secara alami menyebarkan semua sumber ketidakpastian — termasuk ketidakpastian tentang perancu dan kesalahan pengukuran — melalui distribusi posterior.
  • Memfasilitasi perluasan analisis keputusan: distribusi posterior dapat dimasukkan langsung ke dalam model ekonomi kesehatan atau analisis risiko-manfaat.

Penerapan

  • Studi farmakoepidemiologi yang mengevaluasi reaksi obat merugikan yang jarang terjadi di mana jumlah kasus yang sedikit membuat perkiraan klasik tidak stabil.
  • Epidemiologi genetik dan studi asosiasi genomik luas yang menggabungkan kemungkinan biologis sebelumnya untuk merregularisasi ribuan uji paparan simultan.
  • Epidemiologi lingkungan yang menghubungkan paparan pekerjaan atau kimia dengan penyakit, di mana bukti toksikologi sebelumnya dapat dikodekan secara formal.
  • Studi kasus-kontrol berbasis rumah sakit untuk komplikasi bedah atau infeksi terkait perawatan kesehatan dengan jumlah kasus terbatas.
  • Studi epidemiologi kanker dengan meta-analisis sebelumnya yang tersedia, memungkinkan sintesis formal data baru dengan bukti yang ada.
  • Investigasi wabah penyakit menular di mana pengambilan keputusan yang cepat memerlukan pernyataan probabilitas tentang risiko paparan daripada uji signifikansi biner.

Cara kerjanya

Cara kerjanya

1

Pilih kasus (individu dengan hasil yang diminati) dan kontrol (individu tanpa hasil) dari populasi sumber yang sama, menggunakan prinsip desain kasus-kontrol yang sama seperti studi konvensional — termasuk keputusan tentang pencocokan, rasio kasus-kontrol, dan penentuan paparan. Pendekatan Bayesian tidak mengubah desain studi itu sendiri, hanya analisis statistik yang mengikutinya.

2

Tentukan distribusi prior untuk log-rasio odds (dan parameter model lainnya) berdasarkan bukti yang ada, meta-analisis, atau pengetahuan domain substantif. Prior yang informatif lemah seperti Normal(0, 2.5) pada skala log-OR adalah default yang masuk akal ketika pengetahuan sebelumnya terbatas; prior yang informatif yang berasal dari studi sebelumnya dapat digunakan ketika bukti semacam itu ada dan relevan.

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

Kumpulkan data paparan dan kovariat untuk kasus dan kontrol. Paparan ditentukan secara retrospektif (catatan medis, wawancara, biomarker). Perhatian cermat terhadap bias ingatan, pemilihan populasi sumber yang representatif, dan pengendalian perancu tetap sepenting dalam studi kasus-kontrol klasik.

4

Formulasikan fungsi kemungkinan (likelihood function) — biasanya model regresi logistik — yang menghubungkan paparan dan kovariat dengan log-odds menjadi kasus. Kemungkinan menangkap informasi yang diberikan oleh data yang diamati tentang rasio odds, terlepas dari keyakinan sebelumnya.

Rumus
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

Gabungkan prior dan kemungkinan melalui teorema Bayes untuk memperoleh distribusi posterior log-OR. Dalam praktiknya, ini dihitung dengan pengambilan sampel Markov Chain Monte Carlo (MCMC) menggunakan perangkat lunak seperti Stan, JAGS, atau paket R brms.

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

Ringkas distribusi posterior: laporkan median atau rata-rata posterior sebagai perkiraan titik rasio odds, dan interval kredibel 95% (interval yang berisi 95% massa probabilitas posterior) sebagai ukuran ketidakpastian. Interval kredibel memiliki interpretasi probabilitas langsung — tidak seperti interval kepercayaan klasik — yang seringkali lebih intuitif bagi dokter dan pembuat kebijakan.

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

Kesalahan umum

  • Menggunakan prior informatif yang berasal dari studi dengan populasi atau definisi paparan yang berbeda tanpa justifikasi yang memadai — ini dapat membiaskan posterior ke arah perkiraan yang menyesatkan.
  • Melaporkan hanya perkiraan titik tanpa analisis sensitivitas di berbagai prior alternatif; peninjau tidak memiliki cara untuk menilai seberapa berpengaruh prior tersebut.
  • Kegagalan konvergensi dalam rantai MCMC yang tidak terdeteksi — selalu periksa plot jejak (trace plots), statistik R-hat, dan ukuran sampel efektif sebelum menafsirkan hasil.
  • Memperlakukan interval kredibel Bayesian sebagai interval kepercayaan klasik dalam penulisan, atau sebaliknya — keduanya memiliki interpretasi yang berbeda dan tidak boleh disatukan.
  • Mengabaikan masalah validitas studi kasus-kontrol klasik (bias ingatan, bias seleksi, pencocokan yang tepat) dengan asumsi bahwa analisis Bayesian akan memperbaikinya — itu tidak.

Pertanyaan yang sering diajukan

Apa yang membuat studi kasus-kontrol Bayesian berbeda dari studi kasus-kontrol standar?

Desain studi — pemilihan kasus dan kontrol, penentuan paparan, pengendalian perancu — identik. Perbedaannya terletak sepenuhnya pada analisis statistik: alih-alih regresi logistik maksimum-likelihood, pendekatan Bayesian menentukan distribusi prior untuk parameter, menghitung distribusi posterior melalui teorema Bayes, dan melaporkan interval kredibel daripada interval kepercayaan dan nilai-p.

Bagaimana cara memilih distribusi prior untuk rasio odds?

Mulailah dengan prior yang informatif lemah seperti Normal(0, 2.5) pada skala log-OR, yang memungkinkan efek besar tetapi mencegah nilai ekstrem tanpa dukungan data. Jika ada studi atau meta-analisis sebelumnya berkualitas tinggi untuk pasangan paparan-penyakit yang sama dalam populasi yang sebanding, Anda dapat menurunkan prior informatif dari perkiraan dan kesalahan standarnya yang dilaporkan. Selalu lakukan analisis sensitivitas dengan menjalankan kembali model dengan setidaknya satu prior alternatif untuk menilai seberapa besar posterior bergantung pada pilihan Anda.

Apakah studi kasus-kontrol Bayesian dapat dipublikasikan di jurnal epidemiologi terkemuka?

Ya. Metode Bayesian semakin diterima di jurnal epidemiologi, terutama untuk studi yang melibatkan sampel kecil, perbandingan berganda, atau sintesis bukti prior yang eksplisit. Kuncinya adalah justifikasi prior yang menyeluruh, pelaporan analisis sensitivitas prior yang transparan, dan penyajian ringkasan posterior yang jelas bersama dengan perkiraan efek konvensional untuk perbandingan pembaca.

Perangkat lunak apa yang dapat saya gunakan untuk analisis kasus-kontrol Bayesian?

Alat yang paling umum adalah Stan (diakses melalui paket R brms atau rstan), JAGS (melalui rjags), dan PyMC di Python. Paket brms di R sangat ramah pengguna untuk regresi logistik Bayesian, membutuhkan pengetahuan minimal tentang kode sampler. Untuk koreksi kesalahan pengukuran yang kompleks atau struktur hierarkis, Stan menawarkan fleksibilitas terbanyak.

Bisakah saya menggunakan desain kasus-kontrol Bayesian untuk studi yang dicocokkan?

Ya. Desain kasus-kontrol yang dicocokkan dapat dianalisis menggunakan regresi logistik kondisional dalam kerangka kerja frequentist; analog Bayesian menggunakan kemungkinan kondisional dengan prior pada koefisien paparan. Ini mempertahankan kontrol desain untuk perancu yang dicocokkan sambil mempertahankan manfaat inferensi Bayesian. Implementasi memerlukan kehati-hatian dalam menentukan kemungkinan kondisional dengan benar di Stan atau JAGS.

Metode terkait

Sumber

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

    Buka referensi DOI
    Disalin.
  2. Gustafson, P. (2004). Measurement Error and Misclassification in Statistics and Epidemiology: Impacts and Bayesian Adjustments. Chapman and Hall/CRC.

    ISBN: 978-1584884316
    Disalin.