Studi Kohort Bayesian
- Diperkenalkan oleh
- Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
- Tahun
- 1990s–2000s (widespread adoption in epidemiology)
- Jenis
- Observational longitudinal study with Bayesian inference
- Keluarga
- Clinical / epidemiology
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Sebuah studi kohort Bayesian mengikuti sekelompok individu yang terdefinisi dari waktu ke waktu untuk mengestimasi insidensi, risiko, atau laju luaran, sambil menggunakan inferensi statistik Bayesian untuk memasukkan pengetahuan sebelumnya dan mengukur ketidakpastian melalui distribusi probabilitas posterior alih-alih nilai-p klasik dan interval kepercayaan.
Ini menggabungkan desain observasional longitudinal dari studi kohort dengan logika pembaruan probabilitas dari analisis Bayesian, memungkinkan kuantifikasi ketidakpastian yang lebih kaya dan pembaruan sekuensial seiring akumulasi data.
Intuisi di balik metode
Dalam studi kohort standar, Anda merekrut sekelompok orang, mengamati siapa yang mengalami luaran dari waktu ke waktu, lalu menghitung laju insidensi atau rasio hazard frekuentis dengan interval kepercayaan 95%. Studi kohort Bayesian melakukan tindak lanjut yang sama tetapi bertanya: berdasarkan apa yang sudah kita ketahui sebelum studi (dikodekan sebagai distribusi prior), dan berdasarkan data baru yang baru saja kita kumpulkan (kemungkinan), apa yang seharusnya kita percayai sekarang tentang risiko atau hazard sebenarnya (distribusi posterior)? Posterior adalah kurva probabilitas penuh — Anda dapat membaca probabilitas bahwa risiko melebihi ambang batas apa pun, mengkomunikasikan interval kredibel yang lebih mudah diinterpretasikan daripada interval kepercayaan frekuentis, dan memperbarui keyakinan Anda lagi ketika gelombang data berikutnya tiba.
Sejarah
Teori probabilitas Bayesian berakar pada Thomas Bayes (1763) dan diperluas oleh Pierre-Simon Laplace. Aplikasinya dalam epidemiologi mendapatkan daya tarik praktis pada tahun 1990-an ketika algoritma Markov Chain Monte Carlo menjadi layak secara komputasi. Makalah berpengaruh Sander Greenland di International Journal of Epidemiology (2006–2007) secara sistematis mengadvokasi pendekatan Bayesian dan semi-Bayesian dalam epidemiologi observasional. Buku teks Spiegelhalter dan rekan pada tahun 2004 mengkodifikasi metode Bayesian untuk uji klinis dan evaluasi layanan kesehatan, menyediakan kerangka kerja metodologis yang diadopsi secara luas untuk studi kohort setelahnya.
Kapan digunakan
Gunakan studi kohort Bayesian ketika Anda memiliki bukti prior yang informatif (misalnya, data kohort sebelumnya, estimasi meta-analitik, preseden peraturan) yang dapat dimasukkan secara formal untuk mempertajam inferensi, atau ketika Anda memerlukan pernyataan probabilitas langsung tentang parameter daripada nilai-p frekuentis. Ini juga lebih disukai untuk pemantauan sekuensial atau adaptif dari data kohort yang terakumulasi dan untuk luaran langka di mana prior dapat mengkompensasi sebagian keterbatasan kejadian. Jangan gunakan ketika spesifikasi prior sangat diperdebatkan dan pemangku kepentingan tidak akan menerima komponen subjektif dalam analisis, atau ketika konteks penelitian menuntut kerangka kerja pengujian hipotesis murni. Studi kohort konvensional yang dianalisis dengan model efek campuran atau Cox lebih sederhana ketika sampel besar, prior tidak informatif, dan tidak ada pembaruan sekuensial yang direncanakan.
Batasan dan pertimbangan
- Spesifikasi prior memerlukan justifikasi; prior yang dipilih dengan buruk atau tidak diungkapkan dapat membiaskan hasil tanpa terlihat jelas oleh pembaca.
- Komputasi MCMC lebih lambat dan lebih menuntut secara teknis daripada perangkat lunak frekuentis standar; konvergensi harus diverifikasi.
- Hasil mungkin lebih sulit dikomunikasikan kepada audiens klinis atau kebijakan yang tidak terbiasa dengan distribusi posterior dan interval kredibel.
- Badan pengatur dan peninjau jurnal di beberapa bidang masih mengharapkan analisis primer frekuentis; analisis Bayesian mungkin dialihkan ke materi tambahan.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Memungkinkan penggabungan formal bukti eksternal atau pengetahuan ahli melalui distribusi prior, meningkatkan efisiensi untuk luaran langka.
- Menghasilkan probabilitas posterior yang dapat diinterpretasikan secara langsung (misalnya, 'probabilitas laju insidensi melebihi X') — lebih intuitif daripada nilai-p frekuentis.
- Mendukung analisis sekuensial dan adaptif: posterior dari satu gelombang menjadi prior untuk gelombang berikutnya, memungkinkan pembaruan keyakinan yang transparan.
- Interval kredibel memiliki interpretasi probabilistik yang sering diasumsikan (secara keliru) oleh interval kepercayaan frekuentis.
- Secara alami mengakomodasi data yang hilang dan struktur hierarkis melalui kerangka kerja pemodelan generatif.
Penerapan
- Mengestimasi insidensi kanker dan rasio relatif dalam kohort pekerjaan atau lingkungan dengan data sebelumnya dari studi registri.
- Memantau efektivitas vaksin dalam pengawasan kohort pasca-lisensi dengan pembaruan sekuensial seiring akumulasi tindak lanjut baru.
- Menilai laju kejadian kardiovaskular dalam kohort pasien longitudinal di mana prior informatif tersedia dari uji klinis.
- Mempelajari insidensi penyakit langka dalam kohort berbasis registri di mana penyusutan Bayesian menstabilkan estimasi sel kecil.
- Kohort keamanan farmakoepidemiologi di mana badan pengatur menerima analisis sekunder Bayesian di samping primer frekuentis.
Cara kerjanya
Cara kerjanya
Definisikan kohort: populasi target, kriteria kelayakan, paparan yang diminati, luaran, dan durasi tindak lanjut yang direncanakan. Pra-registrasi rencana analisis termasuk pilihan distribusi prior dan model kemungkinan. Langkah ini mencerminkan perencanaan studi kohort standar dan sangat penting untuk transparansi.
Tentukan distribusi prior p(theta) untuk setiap parameter kunci (misalnya, laju insidensi, rasio hazard). Prior dapat bersifat informatif (berdasarkan studi sebelumnya atau pendapat ahli), sedikit informatif, atau tidak informatif. Analisis sensitivitas dengan prior alternatif harus direncanakan pada tahap ini.
Rumus
p(\theta)
Rekrut kohort dan tindak lanjuti peserta secara prospektif (atau ekstrak catatan secara retrospektif). Ukur status paparan, kovariat, dan kejadian luaran pada interval teratur. Prinsip kualitas data studi kohort standar berlaku: minimalkan kehilangan tindak lanjut dan tangani konfounder yang berubah seiring waktu.
Susun fungsi kemungkinan L(theta | data) yang menghubungkan luaran yang diamati dengan parameter yang diminati. Model umum meliputi regresi Poisson untuk laju insidensi, model Cox atau Weibull untuk luaran waktu-ke-kejadian, dan regresi logistik untuk risiko kumulatif. Dalam pengaturan Bayesian, ini dikodekan dalam bahasa pemrograman probabilistik seperti Stan atau JAGS.
Rumus
L(\theta | \text{data})Gabungkan prior dan kemungkinan melalui teorema Bayes untuk memperoleh distribusi posterior p(theta | data) yang sebanding dengan p(theta) dikalikan L(theta | data). Estimasi biasanya dilakukan dengan pengambilan sampel Markov Chain Monte Carlo (MCMC). Diagnostik konvergensi (Gelman-Rubin R-hat, plot jejak) harus dinilai sebelum meringkas hasil.
Rumus
p(\theta | \text{data}) \propto p(\theta) \cdot L(\theta | \text{data})Ringkas distribusi posterior dengan estimasi titik (median atau rata-rata posterior), interval kredibel 95%, dan pernyataan probabilitas (misalnya, 'probabilitas bahwa HR > 1 adalah 0,97'). Laporkan spesifikasi prior dan analisis sensitivitas. Ikuti pedoman pelaporan kohort STROBE dan lengkapi dengan item spesifik Bayesian seperti justifikasi prior dan diagnostik MCMC.
Kesalahan umum
- Memilih prior informatif untuk secara sengaja mendukung kesimpulan yang diinginkan — analisis sensitivitas prior harus dilaporkan sehingga pembaca dapat menilai ketahanan.
- Gagal menilai konvergensi MCMC sebelum melaporkan posterior — rantai yang tidak konvergen menghasilkan estimasi parameter yang tidak berarti.
- Mencampuradukkan interval kredibel dengan interval kepercayaan dalam interpretasi — keduanya valid tetapi menjawab pertanyaan yang berbeda; jangan mencampur bahasanya.
- Mengabaikan ancaman standar studi kohort terhadap validitas (bias seleksi, kehilangan tindak lanjut, konfounder yang berubah seiring waktu) — inferensi Bayesian tidak menyelesaikan cacat desain.
- Menerapkan prior yang tidak informatif ketika ada bukti eksternal yang kuat — ini membuang informasi yang berguna dan sering kali menghasilkan hasil yang sama dengan analisis frekuentis tanpa keuntungan Bayesian.
Pertanyaan yang sering diajukan
Apakah studi kohort Bayesian bersifat observasional atau eksperimental?
Ini bersifat observasional. Bagian 'Bayesian' mengacu pada kerangka kerja analisis statistik, bukan desain studi. Desain kohort — mengikuti kelompok yang terdefinisi dari waktu ke waktu tanpa manipulasi eksperimental — tidak berubah. Metode Bayesian diterapkan pada tahap analisis untuk mengestimasi parameter insidensi, risiko, atau hazard.
Bagaimana cara memilih distribusi prior?
Prior harus mencerminkan pengetahuan pra-studi yang sebenarnya: meta-analisis yang diterbitkan, data kohort sebelumnya, atau elisitasi ahli terstruktur. Prior yang sedikit informatif (misalnya, setengah-normal pada rasio hazard log) adalah default yang dapat dipertahankan ketika bukti eksternal jarang. Selalu laporkan prior dan jalankan analisis sensitivitas dengan setidaknya satu prior alternatif untuk menunjukkan seberapa kuat kesimpulannya.
Bisakah saya menggunakan perangkat lunak standar seperti R atau Stata?
Ya. Bahasa pemrograman probabilistik Stan (melalui antarmuka RStan atau CmdStanR R) adalah platform yang paling banyak digunakan untuk model kohort Bayesian. JAGS (melalui rjags) adalah alternatif. Model kelangsungan hidup Bayesian juga tersedia melalui paket R brms, yang menyediakan antarmuka berbasis formula ke Stan. Analisis kohort frekuentis standar di R atau Stata dapat diubah spesifikasinya di alat Bayesian ini dengan upaya tambahan yang moderat.
Apakah analisis Bayesian dapat mengkompensasi kohort yang kecil?
Prior informatif dapat meningkatkan presisi ketika kohort memiliki sedikit kejadian, tetapi tidak dapat menyelamatkan studi yang secara fundamental kurang bertenaga. Jika prior mendominasi karena data terlalu jarang, kesimpulan mencerminkan keyakinan prior lebih dari bukti baru. Pelaporan yang transparan tentang pertukaran ini dan analisis sensitivitas prior sangat penting.
Bagaimana ini berbeda dari uji coba klinis acak Bayesian?
Perbedaan mendasar adalah desain: uji coba klinis acak menugaskan paparan secara eksperimental, memungkinkan inferensi kausal; studi kohort mengamati paparan yang terjadi secara alami dan harus mengendalikan konfounding secara analitis. Keduanya dapat menggunakan inferensi Bayesian pada tahap analisis, tetapi pengendalian konfounding (melalui skor kecenderungan, penyesuaian regresi, atau metode-g) tetap penting dalam versi kohort dan tidak diperlukan dalam uji coba yang diacak dengan benar.
Metode terkait
Sumber
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN: 978-0471499756Disalin.Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765–775.
Buka referensi DOIDisalin.