Skip to content
Torna ai risultati

Studio di coorte Bayesiano

Introdotto da
Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
Anno
1990s–2000s (widespread adoption in epidemiology)
Tipo
Observational longitudinal study with Bayesian inference
Famiglia
Clinical / epidemiology

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

Uno studio di coorte Bayesiano segue un gruppo definito di individui nel tempo per stimare l'incidenza, il rischio o il tasso di esiti, utilizzando l'inferenza statistica Bayesiana per incorporare conoscenze pregresse e quantificare l'incertezza attraverso distribuzioni di probabilità a posteriori piuttosto che p-value classici e intervalli di confidenza.

Combina il disegno osservazionale longitudinale di uno studio di coorte con la logica di aggiornamento probabilistico dell'analisi Bayesiana, consentendo una quantificazione più ricca dell'incertezza e un aggiornamento sequenziale man mano che i dati si accumulano.

L’intuizione alla base del metodo

In uno studio di coorte standard si recluta un gruppo di persone, si osserva chi sviluppa l'esito nel tempo e quindi si calcola un tasso di incidenza frequentista o un hazard ratio con un intervallo di confidenza del 95%. Uno studio di coorte Bayesiano esegue lo stesso follow-up ma chiede: date le conoscenze che avevamo prima dello studio (codificate come distribuzione a priori), e dati i nuovi dati che abbiamo appena raccolto (la verosimiglianza), cosa dovremmo credere ora riguardo al rischio o all'hazard effettivo (la distribuzione a posteriori)? La distribuzione a posteriori è una curva di probabilità completa — si può leggere la probabilità che il rischio superi qualsiasi soglia, comunicare intervalli credibili che sono più facili da interpretare rispetto agli intervalli di confidenza frequentisti, e aggiornare le proprie credenze nuovamente quando arriva la prossima ondata di dati.

Storia

La teoria della probabilità Bayesiana risale a Thomas Bayes (1763) e fu estesa da Pierre-Simon Laplace. La sua applicazione all'epidemiologia guadagnò slancio pratico negli anni '90 quando gli algoritmi Markov Chain Monte Carlo divennero computazionalmente fattibili. Gli influenti articoli di Sander Greenland nell'International Journal of Epidemiology (2006–2007) sostenevano sistematicamente approcci Bayesiani e semi-Bayesiani nell'epidemiologia osservazionale. Il libro di testo di Spiegelhalter e colleghi del 2004 codificò i metodi Bayesiani per studi clinici e valutazione sanitaria, fornendo l'impalcatura metodologica ampiamente adottata per gli studi di coorte da allora.

Quando usarlo

Utilizzare uno studio di coorte Bayesiano quando si dispone di prove a priori informative (ad esempio, dati di coorte precedenti, stime meta-analitiche, precedenti normativi) che possono essere formalmente incorporate per affinare l'inferenza, o quando sono necessarie affermazioni di probabilità dirette sui parametri piuttosto che p-value frequentisti. È preferibile anche per il monitoraggio sequenziale o adattivo di dati di coorte in accumulo e per esiti rari dove la prior può compensare parzialmente eventi limitati. Non utilizzarlo quando la specificazione delle a priori è altamente controversa e gli stakeholder non accetteranno una componente soggettiva nell'analisi, o quando il contesto della ricerca richiede un quadro puramente di test di ipotesi. Uno studio di coorte convenzionale analizzato con modelli misti o di Cox è più semplice quando il campione è ampio, le a priori sono non informative e non è previsto un aggiornamento sequenziale.

Limiti e considerazioni

  • La specificazione delle a priori richiede giustificazione; a priori mal scelte o non divulgate possono distorcere i risultati senza essere evidenti ai lettori.
  • Il calcolo MCMC è più lento e tecnicamente più impegnativo rispetto al software frequentista standard; la convergenza deve essere verificata.
  • I risultati possono essere più difficili da comunicare a pubblici clinici o politici non familiari con le distribuzioni a posteriori e gli intervalli credibili.
  • Agenzie normative e revisori di riviste in alcuni campi si aspettano ancora analisi primarie frequentiste; le analisi Bayesiane possono essere relegate a materiale supplementare.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Consente l'incorporazione formale di prove esterne o conoscenze di esperti attraverso distribuzioni a priori, migliorando l'efficienza per esiti rari.
  • Produce probabilità a posteriori direttamente interpretabili (ad esempio, 'probabilità che il tasso di incidenza superi X') — più intuitive dei p-value frequentisti.
  • Supporta analisi sequenziali e adattive: la distribuzione a posteriori di un'ondata diventa la distribuzione a priori per la successiva, consentendo un aggiornamento trasparente delle credenze.
  • Gli intervalli credibili hanno l'interpretazione probabilistica che comunemente (erroneamente) si assume per gli intervalli di confidenza frequentisti.
  • Accoglie naturalmente dati mancanti e strutture gerarchiche attraverso il quadro di modellazione generativa.

Applicazioni

  • Stima dell'incidenza del cancro e dei rischi relativi in coorti occupazionali o ambientali con dati a priori da studi di registro.
  • Monitoraggio dell'efficacia dei vaccini nella sorveglianza di coorte post-licenza con aggiornamento sequenziale man mano che si accumulano nuovi dati di follow-up.
  • Valutazione dei tassi di eventi cardiovascolari in coorti longitudinali di pazienti dove sono disponibili a priori informative da studi clinici.
  • Studio dell'incidenza di malattie rare in coorti basate su registri dove il restringimento Bayesiano stabilizza le stime di piccole celle.
  • Coorti di sicurezza farmacoepidemiologica dove gli enti regolatori accettano analisi secondarie Bayesiane accanto a quelle primarie frequentiste.

Come funziona

Come funziona

1

Definire la coorte: la popolazione target, i criteri di eleggibilità, l'esposizione di interesse, l'esito (o gli esiti) e la durata pianificata del follow-up. Pre-registrare il piano di analisi includendo la scelta delle distribuzioni a priori e del modello di verosimiglianza. Questo passaggio rispecchia la pianificazione standard di uno studio di coorte ed è fondamentale per la trasparenza.

2

Specificare le distribuzioni a priori p(theta) per ciascun parametro chiave (ad esempio, tasso di incidenza, hazard ratio). Le a priori possono essere informative (basate su studi precedenti o opinioni di esperti), debolmente informative o non informative. Le analisi di sensibilità con a priori alternative dovrebbero essere pianificate in questa fase.

Formula
p(\theta)
3

Reclutare la coorte e seguire i partecipanti prospetticamente (o estrarre dati retrospettivamente). Misurare lo stato di esposizione, le covariate e l'occorrenza dell'esito a intervalli regolari. Si applicano i principi standard di qualità dei dati degli studi di coorte: minimizzare le perdite al follow-up e affrontare i confondenti che variano nel tempo.

4

Costruire la funzione di verosimiglianza L(theta | dati) che collega gli esiti osservati ai parametri di interesse. I modelli comuni includono la regressione di Poisson per i tassi di incidenza, i modelli di Cox o Weibull per gli esiti tempo-all'evento e la regressione logistica per il rischio cumulativo. In contesti Bayesiani questi sono codificati in linguaggi di programmazione probabilistica come Stan o JAGS.

Formula
L(\theta | \text{data})
5

Combinare a priori e verosimiglianza tramite il teorema di Bayes per ottenere la distribuzione a posteriori p(theta | dati) proporzionale a p(theta) moltiplicato per L(theta | dati). La stima viene tipicamente eseguita con campionamento Markov Chain Monte Carlo (MCMC). Le diagnosi di convergenza (Gelman-Rubin R-hat, grafici di traccia) devono essere valutate prima di riassumere i risultati.

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

Riassumere le distribuzioni a posteriori con stime puntuali (mediana o media a posteriori), intervalli credibili al 95% e affermazioni di probabilità (ad esempio, 'la probabilità che HR > 1 sia 0.97'). Riportare le specifiche delle a priori e le analisi di sensibilità. Seguire le linee guida di reporting per studi di coorte STROBE e integrare con elementi specifici Bayesiani come la giustificazione delle a priori e le diagnosi MCMC.

Errori comuni

  • Scegliere una distribuzione a priori informativa per supportare deliberatamente una conclusione desiderata — le analisi di sensibilità delle a priori devono essere riportate in modo che i lettori possano giudicare la robustezza.
  • Mancata valutazione della convergenza MCMC prima di riportare le distribuzioni a posteriori — catene non convergenti producono stime parametriche prive di significato.
  • Confondere gli intervalli credibili con gli intervalli di confidenza nell'interpretazione — entrambi sono validi ma rispondono a domande diverse; non mescolare il linguaggio.
  • Ignorare le minacce standard alla validità degli studi di coorte (bias di selezione, perdite al follow-up, confondenti che variano nel tempo) — l'inferenza Bayesiana non risolve i difetti di disegno.
  • Applicare una distribuzione a priori non informativa quando esistono forti prove esterne — ciò scarta informazioni utili e spesso produce lo stesso risultato di un'analisi frequentista senza i vantaggi Bayesiani.

Domande frequenti

Uno studio di coorte Bayesiano è osservazionale o sperimentale?

È osservazionale. La parte 'Bayesiana' si riferisce al quadro di analisi statistica, non al disegno dello studio. Il disegno di coorte — seguire un gruppo definito nel tempo senza manipolazione sperimentale — rimane invariato. I metodi Bayesiani sono applicati nella fase di analisi per stimare parametri di incidenza, rischio o hazard.

Come scelgo la distribuzione a priori?

Le a priori dovrebbero riflettere conoscenze pregresse genuine: meta-analisi pubblicate, dati di coorte precedenti o elicitation strutturata di esperti. Le a priori debolmente informative (ad esempio, una half-normal sul log hazard ratio) sono una scelta difendibile quando le prove esterne sono scarse. Riportare sempre la distribuzione a priori ed eseguire analisi di sensibilità con almeno un'altra distribuzione a priori alternativa per mostrare quanto siano robuste le conclusioni.

Posso usare software standard come R o Stata?

Sì. Il linguaggio di programmazione probabilistica Stan (tramite le interfacce RStan o CmdStanR per R) è la piattaforma più utilizzata per i modelli di coorte Bayesiani. JAGS (tramite rjags) è un'alternativa. Modelli di sopravvivenza Bayesiani sono anche disponibili tramite il pacchetto R brms, che fornisce un'interfaccia basata su formule a Stan. Le analisi di coorte frequentiste standard in R o Stata possono essere riscritte in questi strumenti Bayesiani con uno sforzo aggiuntivo modesto.

L'analisi Bayesiana compensa una coorte piccola?

Le a priori informative possono migliorare la precisione quando la coorte ha pochi eventi, ma non possono salvare uno studio fondamentalmente sottodimensionato. Se la distribuzione a priori domina perché i dati sono troppo scarsi, le conclusioni riflettono le credenze a priori più che le nuove prove. Il reporting trasparente di questo compromesso e le analisi di sensibilità delle a priori sono essenziali.

In cosa differisce da uno studio clinico randomizzato Bayesiano?

La differenza fondamentale è il disegno: uno studio clinico randomizzato assegna l'esposizione sperimentalmente, consentendo l'inferenza causale; uno studio di coorte osserva esposizioni naturali e deve controllare i confondenti analiticamente. Entrambi possono utilizzare l'inferenza Bayesiana nella fase di analisi, ma il controllo dei confondenti (tramite propensity score, aggiustamento di regressione o g-methods) rimane essenziale nella versione di coorte e non necessario in uno studio randomizzato correttamente condotto.

Metodi correlati

Fonti

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

    ISBN: 978-0471499756
    Copiato.
  2. Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765–775.

    Apri il riferimento DOI
    Copiato.