Studi Akurasi Diagnostik Bayesian
- Diperkenalkan oleh
- Joseph, Gyorkos & Coupal; Dendukuri & Joseph (formal Bayesian DTA framework)
- Tahun
- 1995–2001
- Jenis
- Bayesian inferential study design
- Keluarga
- Clinical / epidemiology
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Studi akurasi diagnostik Bayesian mengevaluasi seberapa baik suatu tes medis membedakan antara orang yang memiliki suatu kondisi dan yang tidak, menggunakan metode statistik Bayesian yang secara formal memasukkan pengetahuan sebelumnya ke dalam estimasi sensitivitas, spesifisitas, dan ukuran terkait.
Berbeda dengan pendekatan klasik yang hanya mengandalkan sampel yang diamati, inferensi Bayesian menggabungkan model kemungkinan data dengan distribusi probabilitas sebelumnya untuk menghasilkan estimasi posterior dengan interval kredibel yang intuitif.
Intuisi di balik metode
Bayangkan Anda sedang mengevaluasi tes cepat baru untuk tuberkulosis. Statistik klasik akan memperkirakan sensitivitas dan spesifisitas murni dari data sampel Anda, terkadang kesulitan dengan sampel kecil atau tidak adanya standar referensi yang sempurna. Pendekatan Bayesian memungkinkan Anda untuk secara formal memasukkan apa yang sudah diketahui — dari studi sebelumnya, panel ahli, atau data epidemiologi yang sudah mapan — sebagai distribusi sebelumnya. Analisis kemudian memperbarui distribusi sebelumnya tersebut dengan data baru Anda, menghasilkan distribusi posterior untuk sensitivitas dan spesifisitas. Hasilnya adalah gambaran yang lebih kaya: tidak hanya estimasi titik tetapi distribusi probabilitas penuh yang mengukur ketidakpastian secara jujur dan dapat memasukkan informasi tentang prevalensi penyakit, standar referensi yang tidak sempurna, dan tes yang berkorelasi dalam satu model yang koheren.
Sejarah
Metode Bayesian formal untuk evaluasi tes diagnostik muncul pada tahun 1990-an. Joseph, Gyorkos & Coupal (1995) memperkenalkan estimasi Bayesian Se dan Sp tanpa standar emas menggunakan model kelas laten. Dendukuri & Joseph (2001) memperluas kerangka kerja untuk menangani ketergantungan kondisional antara beberapa tes, kontribusi penting yang memungkinkan pemodelan realistis panel tes. Pekerjaan bersama oleh Vacek (1985) sebelumnya telah mendemonstrasikan pendekatan kelas laten frequentist, memotivasi penyempurnaan Bayesian. Adopsi dipercepat dengan ketersediaan perangkat lunak MCMC (BUGS, JAGS, Stan) pada tahun 2000-an dan pengakuan yang berkembang bahwa standar referensi yang tidak sempurna adalah aturan daripada pengecualian dalam diagnostik klinis.
Kapan digunakan
Gunakan studi akurasi diagnostik Bayesian ketika: (1) standar referensi yang sempurna tidak tersedia dan model Bayesian kelas laten diperlukan untuk memperkirakan Se dan Sp secara bersamaan tanpa standar emas; (2) informasi sebelumnya dari meta-analisis atau pengetahuan ahli cukup kuat untuk secara bermakna meningkatkan presisi dibandingkan analisis yang murni frequentist; (3) ukuran sampel terbatas dan metode asimtotik klasik menghasilkan interval yang tidak dapat diandalkan; atau (4) beberapa tes yang berpotensi bergantung sedang dibandingkan dan kompleksitas model gabungan membuat pendekatan klasik tidak dapat diatasi. Jangan gunakan ketika tim peneliti tidak memiliki akses ke perangkat lunak MCMC atau keahlian pemodelan Bayesian, ketika pengajuan peraturan memerlukan karakteristik operasi yang strictly frequentist (banyak badan teknologi kesehatan masih menuntut interval kepercayaan klasik), atau ketika prior kurang dibenarkan dan hasilnya dapat ditolak sebagai subjektif.
Batasan dan pertimbangan
- Spesifikasi prior memerlukan justifikasi; prior yang dipilih dengan buruk atau tidak diungkapkan dapat membiaskan hasil dan merusak kredibilitas.
- Implementasi MCMC menuntut secara komputasi dan teknis dibandingkan dengan analisis tabel 2x2 klasik.
- Banyak badan peraturan dan pedoman klinis masih memerlukan karakteristik operasi frequentist, membatasi penerapan langsung dalam pengajuan peraturan.
- Memerlukan transparansi tentang analisis sensitivitas prior; studi yang menghilangkan ini mengundang kritik yang valid tentang subjektivitas.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Secara formal mengintegrasikan bukti sebelumnya — dari studi sebelumnya, meta-analisis, atau pengetahuan ahli — mengurangi ketidakpastian di luar apa yang dapat dicapai oleh sampel saat ini saja.
- Menangani standar referensi yang tidak sempurna melalui model kelas laten, memungkinkan estimasi Se/Sp yang tidak bias tanpa standar emas.
- Menghasilkan interval kredibel dengan interpretasi probabilistik langsung ('probabilitas 95% sensitivitas sebenarnya terletak di antara a dan b'), tidak seperti interval kepercayaan frequentist.
- Secara alami mengakomodasi sampel kecil dan konteks penyakit langka di mana aproksimasi sampel besar klasik rusak.
- Dapat secara bersamaan memodelkan beberapa tes yang bergantung dan prevalensi penyakit dalam satu kerangka probabilistik yang koheren.
Penerapan
- Mengevaluasi tes diagnostik cepat untuk penyakit menular (tuberkulosis, COVID-19, malaria) ketika referensi kultur atau PCR tidak sempurna atau tidak tersedia di pengaturan lapangan.
- Membandingkan beberapa uji serologis untuk penyakit autoimun atau parasit menggunakan model kelas laten ketika tidak ada standar emas.
- Mensintesis akurasi diagnostik di berbagai studi dalam meta-analisis Bayesian akurasi tes diagnostik (model bivariat atau HSROC dengan prior informatif).
- Menilai modalitas pencitraan (MRI, CT, ultrasonografi) untuk deteksi kanker dalam pengaturan dengan ukuran sampel kecil atau kendala etis pada biopsi sebagai standar referensi.
- Memasukkan pengetahuan klinis ahli ke dalam estimasi Se/Sp untuk kondisi langka di mana pendaftaran uji coba tidak mencukupi untuk presisi klasik.
- Mengevaluasi tes point-of-care di pengaturan berbiaya rendah di mana pengujian standar referensi secara logistik tidak mungkin dilakukan untuk semua peserta.
Cara kerjanya
Cara kerjanya
Sebelum pengumpulan data, distribusi sebelumnya untuk parameter kunci — sensitivitas (Se), spesifisitas (Sp), dan prevalensi penyakit — ditentukan. Prior dapat bersifat informatif (berdasarkan studi sebelumnya atau pendapat ahli) atau kurang informatif (distribusi Beta yang menyebar). Pilihan prior harus didokumentasikan secara transparan dan analisis sensitivitas direncanakan.
Desain studi ditentukan: pendaftaran peserta secara cross-sectional yang menjalani tes indeks dan standar referensi (atau beberapa tes yang tidak sempurna ketika tidak ada standar emas). Perencanaan ukuran sampel menggunakan kriteria simulasi atau utilitas yang diharapkan Bayesian daripada rumus kekuatan klasik, mencerminkan informasi sebelumnya yang sudah ada dalam model.
Peserta diuji dengan tes indeks dan standar referensi (atau tes pembanding). Hasil dicatat sebagai tabel kontingensi — atau sebagai data tingkat individu — menangkap positif-benar, positif-salah, negatif-benar, dan negatif-salah. Ketika standar referensi yang sempurna tidak tersedia, struktur kelas laten dapat digunakan untuk memodelkan status penyakit sebenarnya yang tidak teramati.
Fungsi kemungkinan statistik — biasanya multinomial atau Bernoulli — ditulis untuk pola hasil tes yang diamati sebagai fungsi dari Se, Sp, dan prevalensi. Ketika tes mungkin bergantung secara kondisional (misalnya, dua uji imunologi berbagi jalur biologis), kemungkinan secara eksplisit memodelkan struktur ketergantungan tersebut daripada mengasumsikan independensi.
Rumus
P(data | Se, Sp, prev)
Sampling Markov Chain Monte Carlo (MCMC) — atau pembaruan konjugat analitik untuk model binomial sederhana — digunakan untuk menarik sampel dari distribusi posterior gabungan P(Se, Sp, prev | data). Ringkasan posterior mencakup estimasi median atau rata-rata dengan interval kredibel 95% (interval kepadatan posterior tertinggi), yang secara langsung dapat diinterpretasikan sebagai pernyataan probabilitas tentang nilai parameter sebenarnya.
Rumus
P(Se, Sp | data) \propto P(data | Se, Sp) \cdot P(Se, Sp)
Hasil dilaporkan mengikuti pedoman STARD (Standards for Reporting Diagnostic Accuracy), dilengkapi dengan elemen spesifik Bayesian: spesifikasi prior dan justifikasinya, diagnostik konvergensi untuk rantai MCMC, analisis sensitivitas prior yang menunjukkan bagaimana kesimpulan berubah di bawah prior alternatif, dan pemeriksaan prediktif posterior yang menilai kesesuaian model.
Kesalahan umum
- Menggunakan prior informatif tanpa analisis sensitivitas — jika kesimpulan berubah secara nyata di bawah prior alternatif yang dapat dipertahankan, temuan tersebut rapuh dan harus dilaporkan demikian.
- Mengabaikan ketergantungan kondisional antar tes — mengasumsikan independensi ketika dua tes berbagi mekanisme biologis melebih-lebihkan spesifisitas yang tampak dan menghasilkan estimasi posterior yang menyesatkan.
- Memperlakukan interval kredibel posterior seolah-olah itu adalah interval kepercayaan klasik — mereka menjawab pertanyaan yang berbeda dan tidak boleh diberi label atau diinterpretasikan secara bergantian.
- Gagal memeriksa konvergensi MCMC — rantai yang tidak konvergen menghasilkan ringkasan posterior yang tidak dapat diandalkan; selalu laporkan statistik R-hat dan plot jejak.
Pertanyaan yang sering diajukan
Perangkat lunak apa yang digunakan untuk studi akurasi diagnostik Bayesian?
Platform yang paling umum adalah JAGS (melalui paket R rjags atau R2jags), Stan (melalui RStan atau CmdStanR), dan suite WinBUGS/OpenBUGS lama. Paket R khusus seperti BLTM dan TestaR mengimplementasikan model kelas laten untuk akurasi diagnostik. STATA dan SAS memiliki modul Bayesian diagnostik yang terbatas. Stan semakin disukai karena efisiensi dan pengembangan aktifnya.
Bagaimana cara menentukan prior untuk sensitivitas dan spesifisitas?
Distribusi Beta adalah pilihan alami karena Se dan Sp adalah probabilitas yang terbatas. Prior Beta(alpha, beta) dapat diparameterisasi menggunakan rata-rata (alpha/(alpha+beta)) dan ukuran sampel efektif (alpha+beta). Misalnya, jika studi sebelumnya menemukan Se ≈ 0.85 berdasarkan 40 pengamatan, Beta(34, 6) mengkodekan prior tersebut. Ketika bukti sebelumnya lemah, prior Beta(1,1) seragam atau Beta(0.5, 0.5) Jeffreys dapat dipertahankan. Selalu bandingkan hasil di bawah dua atau tiga prior alternatif sebagai analisis sensitivitas.
Kapan saya harus menggunakan model kelas laten daripada tabel 2x2 standar?
Kapan pun tidak ada standar referensi yang sempurna — yaitu, tes referensi itu sendiri memiliki sensitivitas atau spesifisitas di bawah 1,0. Ini sangat umum dalam praktik (misalnya, kultur untuk tuberkulosis sensitif tetapi lambat; diagnosis klinis ahli tidak sempurna). Mengabaikan kesalahan standar referensi yang tidak sempurna melebih-lebihkan spesifisitas yang tampak dan meremehkan sensitivitas. Model kelas laten Bayesian memperlakukan status penyakit sebenarnya sebagai variabel laten (tidak teramati) dan memperkirakannya bersama dengan Se dan Sp, menghasilkan estimasi yang tidak bias dengan biaya memerlukan beberapa tes atau prior informatif untuk mencapai identifiabilitas.
Apakah daftar periksa STARD cukup untuk melaporkan studi DTA Bayesian?
STARD mencakup struktur inti studi akurasi diagnostik tetapi tidak membahas elemen spesifik Bayesian. Lengkapi pelaporan STARD dengan: (1) pernyataan yang jelas tentang semua distribusi prior dan sumbernya; (2) diagnostik konvergensi MCMC (R-hat, ukuran sampel efektif, plot jejak); (3) analisis sensitivitas prior; dan (4) pemeriksaan prediktif posterior. Beberapa jurnal juga meminta kode analisis dan data sebagai materi tambahan untuk memungkinkan reproduktibilitas.
Bagaimana perencanaan ukuran sampel berbeda dari studi diagnostik klasik?
Rumus ukuran sampel DTA klasik menargetkan lebar yang diinginkan dari interval kepercayaan frequentist atau kekuatan klasik untuk uji Se/Sp terhadap ambang batas. Perencanaan Bayesian sebaliknya menentukan lebar interval kredibel posterior yang diinginkan dan mensimulasikan kumpulan data di bawah prior untuk menemukan pendaftaran yang diperlukan untuk mencapainya rata-rata (varians posterior yang diharapkan atau kriteria panjang rata-rata). Pendekatan ini secara otomatis memperhitungkan informasi yang sudah ada dalam prior, seringkali menghasilkan ukuran sampel yang lebih kecil yang dibutuhkan ketika bukti sebelumnya kuat.
Metode terkait
Sumber
Dendukuri, N., & Joseph, L. (2001). Bayesian approaches to modeling the conditional dependence between multiple diagnostic tests. Biometrics, 57(1), 158–167.
Buka referensi DOIDisalin.Gatsonis, C., & Paliwal, P. (2006). Meta-analysis of diagnostic and screening test accuracy evaluations: Methodologic primer. American Journal of Roentgenology, 187(2), 271–281.
Buka referensi DOIDisalin.