Badanie bayesowskie z kontrolą przypadków
- Autor metody
- Sander Greenland (Bayesian epidemiology formalization); earlier Bayesian logistic methods: Leonard (1972)
- Rok
- 1990s–2000s (systematic application); Bayesian inference foundations: Bayes/Laplace 18th–19th c.
- Typ
- Observational analytic study with Bayesian inference
- Rodzina
- Clinical / epidemiology
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Bayesowskie badanie z kontrolą przypadków stosuje bayesowską wnioskowanie statystyczne do klasycznego projektu epidemiologicznego z kontrolą przypadków, formalnie łącząc wcześniejszą wiedzę na temat związków narażenie-choroba z obserwowanymi danymi przypadków i kontroli w celu oszacowania posteriornych ilorazów szans i przedziałów wiarygodności.
Zamiast polegać wyłącznie na obserwowanych danych, ramy bayesowskie pozwalają badaczom włączyć zewnętrzne dowody — z wcześniejszych badań, wiedzy eksperckiej lub zrozumienia mechanizmów — do analizy, uzyskując stwierdzenia prawdopodobieństwa dotyczące wielkości efektu, które są często bardziej zrozumiałe niż klasyczne wartości p i przedziały ufności.
Intuicja stojąca za metodą
W standardowym badaniu z kontrolą przypadków identyfikuje się osoby, które rozwinęły chorobę (przypadki) i podobne osoby, które jej nie mają (kontrole), a następnie porównuje się ich przeszłe narażenia w celu zidentyfikowania czynników ryzyka. Wersja bayesowska dodaje kluczową warstwę: przed analizą danych formalnie określa się, co już wiadomo na temat związku narażenie-choroba — być może z poprzednich badań lub biologicznej prawdopodobieństwa — jako rozkład prawdopodobieństwa a priori. Zebrane dane następnie aktualizują ten rozkład a priori za pomocą twierdzenia Bayesa, generując rozkład a posteriori, który łączy wcześniejsze przekonania z nowymi dowodami. Jeśli dane silnie wskazują w jednym kierunku, rozkład a posteriori to odzwierciedli, niezależnie od rozkładu a priori; jeśli dane są skąpe lub zaszumione, rozkład a priori zapewnia znaczącą regularyzację, która zapobiega ekstremalnym, niewiarygodnym oszacowaniom.
Historia
Metodologia z kontrolą przypadków została sformalizowana w połowie XX wieku, a demonstracja Cornfielda z 1951 r., że iloraz szans przybliża ryzyko względne w rzadkich chorobach, stanowiła fundamentalny wynik. Podejścia bayesowskie w epidemiologii zaczęły pojawiać się w latach 70. XX wieku, a Dempster i inni badali wnioskowanie probabilistyczne w kontekstach biomedycznych. Wpływowa seria artykułów Sandera Greenlanda w latach 2000. — szczególnie jego artykuł z 2006 r. w International Journal of Epidemiology — usystematyzowała perspektywy bayesowskie dla praktykujących epidemiologów, demonstrując, jak bayesowska regresja logistyczna może poprawić wnioskowanie w badaniach z kontrolą przypadków i kohortowych. Rozwój dostępnego oprogramowania MCMC (WinBUGS, JAGS, Stan) od lat 90. XX wieku umożliwił rutynową implementację.
Kiedy stosować
Użyj bayesowskiego badania z kontrolą przypadków, gdy masz znaczące informacje a priori na temat związku narażenie-choroba (np. z poprzedniej metaanalizy lub wiedzy mechanistycznej), które chcesz formalnie włączyć do analizy, lub gdy badanie jest małe i potrzebujesz zasadniczej regularyzacji, aby zapobiec pozornie ekstremalnym oszacowaniom ilorazu szans. Jest to również odpowiednie, gdy pytanie badawcze wymaga bezpośredniego stwierdzenia prawdopodobieństwa („jakie jest prawdopodobieństwo, że OR przekroczy 2?”), a nie binarnej decyzji o istotności. Nie stosuj tego podejścia, gdy zespół badawczy nie posiada wiedzy z zakresu modelowania bayesowskiego, gdy specyfikacja a priori jest wysoce sporna wśród interesariuszy, gdy przejrzystość wobec ściśle częstościowej publiczności jest priorytetem, lub gdy wielkość próby jest wystarczająco duża, aby wybór a priori miał znikomy wpływ na rozkład a posteriori.
Ograniczenia i uwagi
- Specyfikacja a priori jest subiektywna; wybory muszą być uzasadnione i, idealnie, poddane analizie wrażliwości dla zakresu prawdopodobnych rozkładów a priori.
- Obliczenia MCMC są znacznie bardziej złożone i czasochłonne niż uruchomienie standardowej regresji logistycznej.
- Wyniki mogą nie zostać zaakceptowane przez recenzentów lub organy regulacyjne w kontekstach, w których metody częstościowe są uznanym standardem.
- Gdy rozkład a priori jest bardzo informacyjny, a dane ograniczone, rozkład a posteriori jest napędzany głównie przez rozkład a priori, co utrudnia ocenę wkładu nowego badania.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Formalnie i przejrzyście uwzględnia wcześniejsze dowody, zmniejszając ryzyko nadinterpretacji skąpych danych.
- Dostarcza przedziały wiarygodności z bezpośrednią interpretacją prawdopodobieństwa, bardziej intuicyjną niż częstościowe przedziały ufności.
- Lepiej radzi sobie z małymi wielkościami prób i rzadkimi narażeniami niż metody maksymalnej wiarygodności dzięki regularyzacji a priori.
- Naturalnie propaguje wszystkie źródła niepewności — w tym niepewność dotyczącą zmiennych zakłócających i błędów pomiaru — poprzez rozkład a posteriori.
- Ułatwia rozszerzenia analityczno-decyzyjne: rozkłady a posteriori mogą być bezpośrednio wprowadzane do modeli ekonomiczno-zdrowotnych lub modeli korzyści-ryzyka.
Zastosowania
- Badania farmakoepidemiologiczne oceniające rzadkie działania niepożądane leków, gdzie mała liczba przypadków sprawia, że klasyczne oszacowania są niestabilne.
- Epidemiologia genetyczna i badania asocjacyjne całego genomu uwzględniające wcześniejsze biologiczne prawdopodobieństwo w celu regularyzacji tysięcy jednoczesnych testów narażenia.
- Epidemiologia środowiskowa łącząca narażenie zawodowe lub chemiczne z chorobami, gdzie wcześniejsze dowody toksykologiczne mogą być formalnie zakodowane.
- Szpitalne badania z kontrolą przypadków powikłań chirurgicznych lub infekcji związanych z opieką zdrowotną z ograniczoną liczbą przypadków.
- Badania epidemiologii nowotworów z dostępną metaanalizą, pozwalającą na formalną syntezę nowych danych z istniejącymi dowodami.
- Badania epidemiologii chorób zakaźnych, gdzie szybkie podejmowanie decyzji wymaga stwierdzeń prawdopodobieństwa dotyczących ryzyka narażenia zamiast binarnych testów istotności.
Jak to działa
Jak to działa
Wybierz przypadki (osoby z badanym wynikiem) i kontrole (osoby bez badanego wyniku) z tej samej populacji źródłowej, stosując te same zasady projektowania badania z kontrolą przypadków, co w badaniach konwencjonalnych — w tym decyzje dotyczące dopasowania, stosunku przypadków do kontroli i ustalania narażenia. Podejście bayesowskie nie zmienia samego projektu badania, a jedynie następującą po nim analizę statystyczną.
Określ rozkłady a priori dla logarytmu ilorazu szans (i wszelkich innych parametrów modelu) na podstawie istniejących dowodów, metaanaliz lub wiedzy z dziedziny merytorycznej. Słabo informacyjny rozkład a priori, taki jak Normalny(0, 2.5) w skali log-OR, jest rozsądnym domyślnym wyborem, gdy wiedza a priori jest ograniczona; informacyjny rozkład a priori pochodzący z poprzedniego badania może być użyty, gdy takie dowody istnieją i są istotne.
Wzór
\pi(\beta) \propto \text{Normal}(\mu_0, \sigma_0^2)Zbierz dane dotyczące narażenia i zmiennych zakłócających dla przypadków i kontroli. Narażenia są ustalane retrospektywnie (dokumentacja medyczna, wywiady, biomarkery). Należy zwrócić szczególną uwagę na błąd odtwarzania, wybór reprezentatywnej populacji źródłowej i kontrolę zmiennych zakłócających, co pozostaje tak samo ważne, jak w klasycznych badaniach z kontrolą przypadków.
Sformułuj funkcję wiarygodności — zazwyczaj model regresji logistycznej — która wiąże narażenie i zmienne zakłócające z logarytmem szans bycia przypadkiem. Funkcja wiarygodności zawiera informacje, które zebrane dane dostarczają na temat ilorazu szans, niezależnie od wcześniejszych przekonań.
Wzór
L(\beta | y) = \prod_{i=1}^{n} p_i^{y_i}(1-p_i)^{1-y_i},\; p_i = \text{logistic}(X_i\beta)Połącz rozkład a priori i funkcję wiarygodności za pomocą twierdzenia Bayesa, aby uzyskać rozkład a posteriori log-OR. W praktyce jest to obliczane za pomocą próbkowania metodą łańcuchów Markowa (MCMC) przy użyciu oprogramowania takiego jak Stan, JAGS lub pakietu brms w R.
Wzór
\pi(\beta | y) \propto L(\beta | y)\, \pi(\beta)
Podsumuj rozkład a posteriori: podaj medianę lub średnią a posteriori jako oszacowanie punktowe ilorazu szans, a 95% przedział wiarygodności (przedział zawierający 95% masy prawdopodobieństwa a posteriori) jako miarę niepewności. Przedział wiarygodności ma bezpośrednią interpretację prawdopodobieństwa — w przeciwieństwie do klasycznego przedziału ufności — co jest często bardziej intuicyjne dla klinicystów i decydentów.
Wzór
\text{OR} = e^{\beta},\; 95\% \text{ credible interval from posterior}Częste pułapki
- Użycie informacyjnego rozkładu a priori pochodzącego z badania z inną populacją lub definicją narażenia bez odpowiedniego uzasadnienia — może to spowodować tendencyjność rozkładu a posteriori w kierunku mylącego oszacowania.
- Raportowanie jedynie oszacowania punktowego bez analizy wrażliwości dla alternatywnych rozkładów a priori; recenzenci nie mają możliwości oceny, jak wpływowy był rozkład a priori.
- Niewykryte błędy zbieżności łańcuchów MCMC — zawsze sprawdzaj wykresy śladu, statystyki R-hat i efektywne wielkości próby przed interpretacją wyników.
- Traktowanie bayesowskiego przedziału wiarygodności jako klasycznego przedziału ufności w tekście lub odwrotnie — oba mają różne interpretacje i nie należy ich mylić.
- Zaniedbywanie klasycznych kwestii ważności badań z kontrolą przypadków (błąd odtwarzania, błąd selekcji, odpowiednie dopasowanie) przy założeniu, że analiza bayesowska je naprawi — nie naprawia.
Najczęściej zadawane pytania
Co odróżnia bayesowskie badanie z kontrolą przypadków od standardowego badania z kontrolą przypadków?
Projekt badania — wybór przypadków i kontroli, ustalanie narażeń, kontrola zmiennych zakłócających — jest identyczny. Różnica leży wyłącznie w analizie statystycznej: zamiast regresji logistycznej metodą maksymalnej wiarygodności, podejście bayesowskie określa rozkłady a priori dla parametrów, oblicza rozkład a posteriori za pomocą twierdzenia Bayesa i podaje przedziały wiarygodności zamiast przedziałów ufności i wartości p.
Jak wybrać rozkład a priori dla ilorazu szans?
Zacznij od słabo informacyjnego rozkładu a priori, takiego jak Normalny(0, 2.5) w skali log-OR, który dopuszcza duże efekty, ale zniechęca do ekstremalnych wartości bez potwierdzenia w danych. Jeśli istnieje wysokiej jakości poprzednie badanie lub metaanaliza dla tej samej pary narażenie-choroba w porównywalnej populacji, można wyprowadzić informacyjny rozkład a priori z podanego w nim oszacowania i błędu standardowego. Zawsze przeprowadzaj analizę wrażliwości, ponownie uruchamiając model z co najmniej jednym alternatywnym rozkładem a priori, aby ocenić, na ile rozkład a posteriori zależy od Twojego wyboru.
Czy bayesowskie badanie z kontrolą przypadków może być opublikowane w czołowych czasopismach epidemiologicznych?
Tak. Metody bayesowskie są coraz szerzej akceptowane w czasopismach epidemiologicznych, szczególnie w badaniach obejmujących małe próby, wielokrotne porównania lub wyraźną syntezę dowodów a priori. Kluczem jest dokładne uzasadnienie rozkładu a priori, przejrzyste raportowanie analiz wrażliwości a priori oraz jasne przedstawienie podsumowań a posteriori obok konwencjonalnych oszacowań efektu dla porównywalności z czytelnikami.
Jakiego oprogramowania mogę użyć do bayesowskiej analizy z kontrolą przypadków?
Najczęściej używane narzędzia to Stan (dostępny za pośrednictwem pakietów brms lub rstan w R), JAGS (za pośrednictwem rjags) i PyMC w Pythonie. Pakiet brms w R jest szczególnie przyjazny dla użytkownika w zakresie bayesowskiej regresji logistycznej, wymagając minimalnej znajomości kodu samplera. Dla złożonych korekt błędów pomiaru lub struktur hierarchicznych, Stan oferuje największą elastyczność.
Czy mogę użyć bayesowskiego projektu z kontrolą przypadków dla badań dopasowanych?
Tak. Dopasowane projekty z kontrolą przypadków można analizować za pomocą warunkowej regresji logistycznej w ramach częstościowym, a bayesowskim analogiem jest warunkowa funkcja wiarygodności z rozkładami a priori dla współczynników narażenia. Zachowuje to kontrolę projektu nad dopasowanymi zmiennymi zakłócającymi, zachowując jednocześnie korzyści z wnioskowania bayesowskiego. Implementacja wymaga staranności w prawidłowym określeniu warunkowej funkcji wiarygodności w Stan lub JAGS.
Pokrewne metody
Źródła
Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765-775.
Otwórz odnośnik DOISkopiowano.Gustafson, P. (2004). Measurement Error and Misclassification in Statistics and Epidemiology: Impacts and Bayesian Adjustments. Chapman and Hall/CRC.
ISBN: 978-1584884316Skopiowano.