Skip to content
検索結果に戻る

ベイジアン症例対照研究

提唱者
Sander Greenland (Bayesian epidemiology formalization); earlier Bayesian logistic methods: Leonard (1972)
年
1990s–2000s (systematic application); Bayesian inference foundations: Bayes/Laplace 18th–19th c.
種類
Observational analytic study with Bayesian inference
系統
Clinical / epidemiology

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

ベイジアン症例対照研究は、古典的な症例対照疫学デザインにベイジアン統計推論を適用するもので、曝露と疾患の関連に関する事前知識を、観測された症例および対照のデータと形式的に統合して、事後オッズ比および確実区間を推定する。観測データのみに依存するのではなく、ベイジアン枠組みは、研究者が外部証拠(先行研究、専門家の知識、またはメカニズムの理解)を分析に組み込むことを可能にし、古典的なp値や信頼区間よりも解釈しやすい効果量に関する確率的記述をもたらす。

手法の背後にある直感

標準的な症例対照研究では、疾患を発症した人(症例)とそうでない類似した人(対照)を特定し、過去の曝露を比較してリスク因子を特定する。ベイジアン版では、データを見る前に、曝露と疾患の関連について既に信じていること(例えば、以前の研究や生物学的な妥当性から)を事前確率分布として形式的に述べるという、重要な層が追加される。収集したデータは、ベイズの定理を通じてこの事前情報を更新し、事前の信念と新しい証拠を組み合わせた事後分布を生成する。データが一方の方向に強く偏っていれば、事前情報に関わらず事後分布はその方向を反映する。データが少ない、またはノイズが多い場合、事前情報は極端で信頼性の低い推定値を防ぐ意味のある正則化を提供する。

歴史学

症例対照方法論は20世紀半ばに形式化され、1951年のCornfieldによる、オッズ比がまれな疾患における相対リスクを近似するという実証が基礎的な結果を提供した。疫学へのベイジアンアプローチは1970年代に出現し始め、Dempsterらが生物医学的文脈での確率的推論を探求した。2000年代のSander Greenlandによる影響力のある一連の記事 — 特にInternational Journal of Epidemiology誌の2006年の論文 — は、実践的な疫学者向けのベイジアン視点を体系化し、ベイジアンロジスティック回帰が症例対照研究およびコホート研究における推論をどのように改善できるかを示した。1990年代以降のアクセス可能なMCMCソフトウェア(WinBUGS、JAGS、Stan)の成長により、日常的な実装が可能になった。

使うべき場面

曝露と疾患の関連について意味のある事前情報(例:以前のメタアナリシスやメカニズムの知識から)があり、それを分析に形式的に組み込みたい場合、または研究が小さく、誤って極端なオッズ比推定値を防ぐために原則的な正則化が必要な場合に、ベイジアン症例対照研究を使用する。また、研究課題が二値的な有意性決定ではなく、直接的な確率的記述(「ORが2を超える確率は?」)を必要とする場合にも適切である。研究チームがベイジアンモデリングの専門知識を欠いている場合、事前指定が利害関係者の間で高度に争われる場合、厳密な頻度論的聴衆との透明性が最優先される場合、またはサンプルサイズが大きく事前選択が事後情報にほとんど影響を与えない場合には、このアプローチを使用しない。

限界と注意点

  • 事前指定は主観的であり、選択は正当化され、理想的には妥当な事前の範囲で感度分析される必要がある。
  • MCMC計算は、標準的なロジスティック回帰を実行するよりも大幅に複雑で時間がかかる。
  • 頻度論的方法が確立された標準である文脈では、結果が査読者や規制当局に受け入れられない可能性がある。
  • 事前情報が非常に強く、データが限られている場合、事後情報は主に事前情報によって駆動されるため、新しい研究の貢献を評価することが困難になる。

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 事前証拠を形式的かつ透明性をもって組み込み、少ないデータからの過剰解釈のリスクを低減する。
  • 頻度論的信頼区間よりも直感的な、直接的な確率解釈を持つ確実区間をもたらす。
  • 事前正則化により、最尤法よりも小さなサンプルサイズやまれな曝露をよりうまく扱う。
  • 交絡因子や測定誤差に関する不確実性を含む、すべての不確実性の源を事後分布を通じて自然に伝播させる。
  • 意思決定分析への拡張を容易にする:事後分布は、健康経済モデルやリスク・ベネフィットモデルに直接入力できる。

応用

  • 少数の症例が古典的な推定値を不安定にする、まれな薬剤副作用を評価する薬物疫学研究。
  • 数千の同時曝露テストを正則化するために、事前の生物学的妥当性を組み込んだ遺伝子疫学およびゲノムワイド関連研究。
  • 事前の毒性学的証拠を形式的にエンコードできる、職業的または化学的曝露と疾患を関連付ける環境疫学。
  • 症例数が限られている手術合併症または医療関連感染症の病院ベースの症例対照研究。
  • 事前のメタアナリシスが利用可能であり、新しいデータと既存の証拠との形式的な統合を可能にするがん疫学研究。
  • 迅速な意思決定が、二値的な有意性テストではなく、曝露リスクに関する確率的記述を必要とする感染症アウトブレイク調査。

使い方

使い方

1

従来の症例対照研究と同様の症例対照デザインの原則(マッチング、症例対対照比、曝露確認の決定を含む)を使用して、同じ母集団から症例(関心のあるアウトカムを持つ個人)および対照(アウトカムを持たない個人)を選択する。ベイジアンアプローチは、研究デザイン自体を変更するのではなく、その後の統計分析のみを変更する。

2

既存の証拠、メタアナリシス、または実質的な領域知識に基づいて、対数オッズ比(およびその他のモデルパラメータ)の事前分布を指定する。事前知識が限られている場合は、対数オッズ比スケールでの正規分布(0, 2.5)のような弱情報事前分布が妥当なデフォルトであり、そのような証拠が存在し関連性がある場合は、以前の研究から導出された情報事前分布を使用できる。

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

症例および対照の曝露および共変量データを収集する。曝露は遡及的に確認される(カルテ、面接、バイオマーカー)。想起バイアス、代表的な母集団の選択、交絡因子の制御への細心の注意は、古典的な症例対照研究と同様に重要であり続ける。

4

曝露および共変量と、症例となる対数オッズの関係を関連付ける尤度関数(通常はロジスティック回帰モデル)を定式化する。尤度は、事前信念とは独立に、観測データがオッズ比について提供する情報を示す。

数式
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

事前情報と尤度をベイズの定理を通じて組み合わせ、対数オッズ比の事後分布を得る。実際には、Stan、JAGS、またはbrms Rパッケージなどのソフトウェアを使用したマルコフ連鎖モンテカルロ(MCMC)サンプリングによって計算される。

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

事後分布を要約する:点推定値としてオッズ比の事後中央値または平均を報告し、不確実性の尺度として95%確実区間(事後確率質量の95%を含む区間)を報告する。確実区間は、古典的な信頼区間とは異なり、直接的な確率解釈を持ち、臨床医や政策立案者にとってより直感的であることが多い。

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

よくある落とし穴

  • 適切な正当化なしに、異なる母集団または曝露定義を持つ研究から導出された情報事前分布を使用すること — これは、誤解を招く推定値に事後情報を偏らせる可能性がある。
  • 代替事前情報に対する感度分析なしに点推定値のみを報告すること — 査読者は事前情報の影響度を評価する方法がない。
  • MCMC連鎖の収束失敗が検出されないままになること — 結果を解釈する前に、必ずトレースプロット、R-hat統計量、および有効サンプルサイズを検査する。
  • ベイジアン確実区間を古典的な信頼区間として扱う、またはその逆 — 両者は異なる解釈を持ち、混同されるべきではない。
  • ベイジアン分析がそれらを修正するという仮定の下で、古典的な症例対照の妥当性の問題(想起バイアス、選択バイアス、適切なマッチング)を無視すること — それは修正しない。

よくある質問

ベイジアン症例対照研究と標準的な症例対照研究の違いは何ですか?

研究デザイン — 症例と対照の選択、曝露の確認、交絡因子の制御 — は同一です。違いは統計分析に完全にあり、最尤ロジスティック回帰の代わりに、ベイジアンアプローチはパラメータの事前分布を指定し、ベイズの定理を通じて事後分布を計算し、信頼区間とp値の代わりに確実区間を報告します。

オッズ比の事前分布をどのように選択しますか?

対数オッズ比スケールで正規分布(0, 2.5)のような弱情報事前分布から始めます。これは大きな効果を許容しますが、データによる裏付けのない極端な値は抑制します。同じ曝露疾患ペアについて比較可能な母集団で質の高い以前の研究またはメタアナリシスが存在する場合は、その報告された推定値と標準誤差から情報事前分布を導出できます。常に、事後情報が選択にどれだけ依存しているかを評価するために、少なくとも1つの代替事前情報でモデルを再実行して感度分析を実行してください。

ベイジアン症例対照研究は、トップ疫学ジャーナルに掲載可能ですか?

はい。ベイジアン手法は、特に小規模サンプル、多重比較、または明示的な事前証拠統合を含む研究において、疫学ジャーナルでますます受け入れられています。鍵となるのは、事前の徹底的な正当化、事前感度分析の透明性のある報告、および読者の比較可能性のために従来の効果推定値と並んで事後要約の明確な提示です。

ベイジアン症例対照分析に使用できるソフトウェアは何ですか?

最も一般的なツールはStan(brmsまたはrstan Rパッケージ経由でアクセス)、JAGS(rjags経由)、およびPythonのPyMCです。Rのbrmsパッケージは、サンプラーコードの知識を最小限で済むため、ベイジアンロジスティック回帰にとって特にユーザーフレンドリーです。複雑な測定誤差補正または階層構造の場合、Stanが最も柔軟性を提供します。

ベイジアン症例対照デザインをマッチング研究に使用できますか?

はい。マッチング症例対照デザインは、頻度論的枠組みで条件付きロジスティック回帰を使用して分析できます。ベイジアンの類似体は、曝露係数に事前情報を置いた条件付き尤度を使用します。これにより、ベイジアン推論の利点を維持しながら、マッチングされた交絡因子に対するデザインの制御が維持されます。実装には、StanまたはJAGSで条件付き尤度を正しく指定することに注意が必要です。

関連する手法

参考文献

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

    DOI 文献を開く
    コピーしました。
  2. Gustafson, P. (2004). Measurement Error and Misclassification in Statistics and Epidemiology: Impacts and Bayesian Adjustments. Chapman and Hall/CRC.

    ISBN:978-1584884316
    コピーしました。