Skip to content
検索結果に戻る

ベイジアンコホート研究

提唱者
Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
年
1990s–2000s (widespread adoption in epidemiology)
種類
Observational longitudinal 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?

ベイジアンコホート研究は、定義された集団を追跡調査し、アウトカムの発生率、リスク、または率を推定するものである。同時に、ベイジアン統計推論を用いて、事前の知識を組み込み、古典的なp値や信頼区間ではなく、事後確率分布を通じて不確実性を定量化する。これは、コホート研究の縦断的観察デザインと、ベイジアン解析の確率更新論理を組み合わせたものであり、データが蓄積されるにつれて、より豊かな不確実性定量化と逐次更新を可能にする。

手法の背後にある直感

標準的なコホート研究では、集団を募集し、時間経過とともに誰がアウトカムを発症するかを観察し、頻度論的な発生率またはハザード比を95%信頼区間とともに計算する。ベイジアンコホート研究では、同様の追跡調査を行うが、「研究開始前にすでに知っていたこと(事前分布としてエンコードされる)と、収集した新しいデータ(尤度)を考慮すると、真のリスクまたはハザード(事後分布)について今何を信じるべきか?」と問う。事後分布は完全な確率曲線であり、リスクがある閾値を超える確率を読み取ることができ、頻度論的な信頼区間よりも解釈しやすい確実区間を提示し、次のデータ波が到着したときに信念を再度更新することができる。

歴史学

ベイジアン確率論はトーマス・ベイズ(1763年)に遡り、ピエール=シモン・ラプラスによって拡張された。疫学への応用は、マルコフ連鎖モンテカルロアルゴリズムが計算可能になった1990年代に実用的な勢いを増した。サンダー・グリーンランドによる国際疫学ジャーナル(2006–2007年)での影響力のある論文は、観察疫学におけるベイジアンおよび半ベイジアンアプローチを体系的に主張した。シュピーゲルハルターらの2004年の教科書は、臨床試験およびヘルスケア評価のためのベイジアン手法を体系化し、その後コホート研究に広く採用された方法論的基盤を提供した。

使うべき場面

情報的な事前証拠(例:先行コホートデータ、メタアナリシス推定値、規制上の先例)があり、それを正式に組み込んで推論を鋭くすることができる場合、または頻度論的なp値ではなくパラメータに関する直接的な確率ステートメントが必要な場合に、ベイジアンコホート研究を使用する。また、逐次的な、または適応的なコホートデータのモニタリングや、事前分布が限定的なイベントを部分的に補償できる希少なアウトカムにも好ましい。事前分布の指定が高度に争われ、利害関係者が解析における主観的な要素を受け入れない場合、または研究文脈が純粋な仮説検定フレームワークを要求する場合には使用しない。サンプルサイズが大きく、事前分布が非情報的で、逐次更新が計画されていない場合は、混合効果またはCoxモデルで解析される従来のコホート研究の方が単純である。

限界と注意点

  • 事前分布の指定には正当化が必要であり、不適切に選択された、または開示されていない事前分布は、読者に明白でなくとも結果を偏らせる可能性がある。
  • MCMC計算は標準的な頻度論的ソフトウェアよりも遅く、技術的に要求が高い。収束を確認する必要がある。
  • 結果は、事後分布と確実区間に慣れていない臨床的または政策的な聴衆には伝えにくい可能性がある。
  • 一部の分野の規制当局や査読者は、依然として頻度論的な主要解析を期待している。ベイジアン解析は補足資料に追いやられる可能性がある。

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

  • 事前分布を通じて外部証拠または専門知識を正式に組み込むことができ、希少なアウトカムの効率を向上させる。
  • 事後確率(例:「発生率がXを超える確率」)は、頻度論的なp値よりも直感的で直接解釈可能である。
  • 逐次的および適応的な解析をサポートする:ある波の事後分布が次の波の事前分布となり、透明な信念更新を可能にする。
  • 確実区間は、頻度論的な信頼区間が一般的に(誤って)仮定される確率的解釈を持つ。
  • 生成モデリングフレームワークを通じて、欠損データと階層構造を自然に扱う。

応用

  • 登録研究からの事前データを持つ職業または環境コホートにおけるがん発生率と相対リスクの推定。
  • 新しい追跡データが蓄積されるにつれて逐次更新を行う、市販後コホートサーベイランスにおけるワクチン有効性のモニタリング。
  • 臨床試験から情報的な事前データが入手可能な患者の縦断コホートにおける心血管イベント発生率の評価。
  • ベイジアン収縮が小細胞推定値を安定させる登録ベースのコホートにおける希少疾患発生率の研究。
  • 規制当局が頻度論的な主要解析と並んでベイジアン二次解析を受け入れる薬物疫学安全性コホート。

使い方

使い方

1

コホートの定義:対象集団、適格基準、関心のある曝露、アウトカム、および計画された追跡期間を定義する。事前分布の選択と尤度モデルを含む解析計画を事前登録する。このステップは、標準的なコホート研究計画と類似しており、透明性のために重要である。

2

各主要パラメータ(例:発生率、ハザード比)に対して事前分布 p(θ) を指定する。事前分布は、情報的(先行研究や専門家の意見に基づく)、弱情報的、または非情報的であり得る。この段階で、代替事前分布を用いた感度分析を計画する必要がある。

数式
p(\theta)
3

コホートを募集し、参加者を前向きに追跡する(または遡って記録を抽出する)。曝露状況、共変量、およびアウトカムの発生を定期的に測定する。標準的なコホート研究のデータ品質原則が適用される:追跡不能者の最小化と時間変動交絡因子の対処。

4

観測されたアウトカムと関心のあるパラメータを結びつける尤度関数 L(θ | data) を構築する。一般的なモデルには、発生率のためのポアソン回帰、時間対イベントアウトカムのためのCoxまたはWeibullモデル、累積リスクのためのロジスティック回帰が含まれる。ベイジアン設定では、これらはStanやJAGSなどの確率的プログラミング言語でコード化される。

数式
L(\theta | \text{data})
5

ベイズの定理により、事前分布と尤度を組み合わせて、p(θ) × L(θ | data) に比例する事後分布 p(θ | data) を得る。推定は通常、マルコフ連鎖モンテカルロ(MCMC)サンプリングを用いて行われる。結果の要約の前に、収束診断(Gelman-Rubin R-hat、トレースプロット)を評価する必要がある。

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

事後分布を点推定値(事後中央値または平均)、95%確実区間、および確率ステートメント(例:「ハザード比 > 1 の確率は 0.97」)で要約する。事前分布の仕様と感度分析を報告する。STROBEコホート報告ガイドラインに従い、事前分布の正当化やMCMC診断などのベイジアン固有の項目を補足する。

よくある落とし穴

  • 望ましい結論を意図的に支持するために情報的な事前分布を選択すること — 事前感度分析を報告し、読者が頑健性を判断できるようにする必要がある。
  • 事後分布を報告する前にMCMC収束を評価しないこと — 収束していないチェーンは無意味なパラメータ推定値を生み出す。
  • 確実区間と信頼区間を解釈で混同すること — 両方とも有効だが、異なる質問に答える。言語を混合しないこと。
  • コホート研究の標準的な妥当性への脅威(選択バイアス、追跡不能、時間変動交絡因子)を無視すること — ベイジアン推論はデザインの欠陥を解決しない。
  • 強力な外部証拠が存在する場合に非情報的な事前分布を適用すること — これは有用な情報を破棄し、多くの場合、ベイジアンの利点なしに頻度論的な解析と同じ結果をもたらす。

よくある質問

ベイジアンコホート研究は観察研究か実験研究か?

観察研究である。「ベイジアン」の部分は、研究デザインではなく、統計解析フレームワークを指す。定義された集団を実験的操作なしに時間経過とともに追跡するコホートデザインは変更されない。ベイジアン手法は、発生率、リスク、またはハザードパラメータを推定するために、解析段階で適用される。

事前分布をどのように選択するか?

事前分布は、真の事前研究知識(公表されたメタアナリシス、先行コホートデータ、または構造化された専門家による聞き取り)を反映すべきである。外部証拠が乏しい場合の妥当なデフォルトは、弱情報的な事前分布(例:ハザード比の対数に対する半正規分布)である。常に事前分布を報告し、少なくとも1つの代替事前分布で感度分析を実行して、結論がどれほど頑健であるかを示す。

RやStataのような標準的なソフトウェアを使用できますか?

はい。Stan確率的プログラミング言語(RStanまたはCmdStanR Rインターフェース経由)は、ベイジアンコホートモデルで最も広く使用されているプラットフォームである。JAGS(rjags経由)も代替手段である。ベイジアン生存モデルは、Stanへのフォーミュラベースのインターフェースを提供するbrms Rパッケージでも利用可能である。RまたはStataでの標準的な頻度論的コホート解析は、わずかな追加作業でこれらのベイジアンツールに再指定できる。

ベイジアン解析は、小さなコホートを補うことができますか?

情報的な事前分布は、コホートのイベント数が少ない場合に精度を向上させることができるが、根本的に検出力不足の研究を救うことはできない。データが非常に少ないために事前分布が支配的になる場合、結論は新しい証拠よりも事前信念を反映する。このトレードオフと事前感度分析の透明性のある報告が不可欠である。

これはベイジアンランダム化臨床試験とどう違うのですか?

根本的な違いはデザインにある。ランダム化臨床試験は実験的に曝露を割り当て、因果推論を可能にする。コホート研究は自然発生する曝露を観察し、解析的に交絡を制御する必要がある。どちらも解析段階でベイジアン推論を使用できるが、交絡制御(プロペンシティスコア、回帰調整、またはgメソッド経由)はコホートバージョンでは不可欠であり、適切にランダム化された試験では不要である。

関連する手法

参考文献

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

    ISBN:978-0471499756
    コピーしました。
  2. 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。