Przejdź do treści
Wróć do wyników wyszukiwania

Badanie kohortowe bayesowskie

Autor metody
Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
Rok
1990s–2000s (widespread adoption in epidemiology)
Typ
Observational longitudinal study with Bayesian inference
Rodzina
Clinical / epidemiology

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Bayesowskie badanie kohortowe śledzi zdefiniowaną grupę osób w czasie w celu oszacowania zapadalności, ryzyka lub częstości występowania zdarzeń, wykorzystując bayesowską wnioskowanie statystyczne do uwzględnienia wcześniejszej wiedzy i kwantyfikacji niepewności za pomocą rozkładów prawdopodobieństwa a posteriori, zamiast klasycznych wartości p i przedziałów ufności.

Łączy ono podłużny projekt obserwacyjny badania kohortowego z logiką aktualizacji prawdopodobieństwa analizy bayesowskiej, umożliwiając bogatszą kwantyfikację niepewności i sekwencyjne aktualizacje w miarę gromadzenia danych.

Intuicja stojąca za metodą

W standardowym badaniu kohortowym rekrutuje się grupę osób, obserwuje, kto rozwinie chorobę w czasie, a następnie oblicza częstości zapadalności lub hazardu za pomocą metod częstościowych wraz z 95% przedziałem ufności. Bayesowskie badanie kohortowe przeprowadza tę samą obserwację, ale zadaje pytanie: biorąc pod uwagę to, co już wiedzieliśmy przed badaniem (ujęte jako rozkład a priori), i biorąc pod uwagę nowe dane, które właśnie zebraliśmy (wiarygodność), w co powinniśmy teraz wierzyć na temat rzeczywistego ryzyka lub hazardu (rozkład a posteriori)? Rozkład a posteriori to pełna krzywa prawdopodobieństwa — można z niej odczytać prawdopodobieństwo, że ryzyko przekroczy dowolny próg, zakomunikować przedziały wiarygodności, które są łatwiejsze do interpretacji niż częstościowe przedziały ufności, i ponownie zaktualizować swoje przekonania, gdy nadejdzie kolejna fala danych.

Historia

Teoria prawdopodobieństwa bayesowskiego wywodzi się od Thomasa Bayesa (1763) i została rozwinięta przez Pierre'a-Simona Laplace'a. Jej zastosowanie w epidemiologii zyskało praktyczne znaczenie w latach 90. XX wieku, gdy algorytmy łańcuchów Markowa (MCMC) stały się wykonalne obliczeniowo. Wpływowe artykuły Sandera Greenlanda w International Journal of Epidemiology (2006–2007) systematycznie argumentowały za podejściami bayesowskimi i pół-bayesowskimi w epidemiologii obserwacyjnej. Podręcznik Spiegelhaltera i współpracowników z 2004 roku skodyfikował metody bayesowskie dla badań klinicznych i oceny opieki zdrowotnej, dostarczając metodologicznych ram szeroko przyjętych dla badań kohortowych od tego czasu.

Kiedy stosować

Stosować bayesowskie badanie kohortowe, gdy istnieją informacyjne dowody a priori (np. wcześniejsze dane kohortowe, oszacowania z metaanaliz, precedensy regulacyjne), które można formalnie uwzględnić w celu wyostrzenia wnioskowania, lub gdy potrzebne są bezpośrednie stwierdzenia prawdopodobieństwa dotyczące parametrów, a nie częstościowe wartości p. Jest to również preferowane rozwiązanie w przypadku sekwencyjnego lub adaptacyjnego monitorowania gromadzonych danych kohortowych oraz dla rzadkich zdarzeń, gdzie rozkład a priori może częściowo zrekompensować ograniczoną liczbę zdarzeń. Nie należy go stosować, gdy specyfikacja rozkładu a priori jest wysoce sporna, a interesariusze nie zaakceptują subiektywnego komponentu w analizie, lub gdy kontekst badawczy wymaga czysto hipotetycznego ramowania testowania hipotez. Konwencjonalne badanie kohortowe analizowane za pomocą modeli mieszanych lub modeli Coxa jest prostsze, gdy próba jest duża, rozkłady a priori są nieinformacyjne i nie planuje się sekwencyjnego aktualizowania.

Ograniczenia i uwagi

  • Specyfikacja rozkładu a priori wymaga uzasadnienia; źle dobrane lub nieujawnione rozkłady a priori mogą zniekształcić wyniki, nie będąc oczywistymi dla czytelników.
  • Obliczenia MCMC są wolniejsze i bardziej wymagające technicznie niż standardowe oprogramowanie częstościowe; należy zweryfikować zbieżność.
  • Wyniki mogą być trudniejsze do przekazania odbiorcom klinicznym lub decydentom niezaznajomionym z rozkładami a posteriori i przedziałami wiarygodności.
  • Agencje regulacyjne i recenzenci czasopism w niektórych dziedzinach nadal oczekują analiz pierwotnych opartych na metodach częstościowych; analizy bayesowskie mogą być relegowane do materiałów dodatkowych.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Umożliwia formalne uwzględnienie zewnętrznych dowodów lub wiedzy eksperckiej za pomocą rozkładów a priori, poprawiając efektywność w przypadku rzadkich zdarzeń.
  • Generuje prawdopodobieństwa a posteriori, które są bezpośrednio interpretowalne (np. „prawdopodobieństwo, że częstość zapadalności przekracza X”) — bardziej intuicyjne niż częstościowe wartości p.
  • Wspiera analizy sekwencyjne i adaptacyjne: rozkład a posteriori z jednej fali staje się rozkładem a priori dla następnej, umożliwiając przejrzystą aktualizację przekonań.
  • Przedziały wiarygodności mają probabilistyczną interpretację, którą częstościowe przedziały ufności są powszechnie (niepoprawnie) zakładane, że posiadają.
  • Naturalnie uwzględnia brakujące dane i struktury hierarchiczne za pomocą ram generatywnego modelowania.

Zastosowania

  • Szacowanie zapadalności na raka i ryzyka względnego w kohortach zawodowych lub środowiskowych z wykorzystaniem wcześniejszych danych z badań rejestrowych.
  • Monitorowanie skuteczności szczepionek w nadzorze kohortowym po wprowadzeniu do obrotu z sekwencyjnym aktualizowaniem w miarę gromadzenia nowych danych z obserwacji.
  • Ocena częstości zdarzeń sercowo-naczyniowych w podłużnych kohortach pacjentów, dla których dostępne są informacyjne rozkłady a priori z badań klinicznych.
  • Badanie zapadalności na rzadkie choroby w kohortach opartych na rejestrach, gdzie bayesowskie kurczenie (shrinkage) stabilizuje oszacowania dla małych liczebności.
  • Kohorty bezpieczeństwa farmakoepidemiologicznego, gdzie organy regulacyjne akceptują bayesowskie analizy wtórne obok pierwotnych analiz częstościowych.

Jak to działa

Jak to działa

1

Zdefiniowanie kohorty: populacja docelowa, kryteria kwalifikowalności, badana ekspozycja, wynik(i) i planowany czas obserwacji. Wstępne zarejestrowanie planu analizy, w tym wybór rozkładów a priori i modelu wiarygodności. Ten krok odzwierciedla standardowe planowanie badania kohortowego i jest kluczowy dla przejrzystości.

2

Określenie rozkładów a priori p(theta) dla każdego kluczowego parametru (np. częstości zapadalności, hazardu). Rozkłady a priori mogą być informacyjne (oparte na wcześniejszych badaniach lub opinii ekspertów), słabo informacyjne lub nieinformacyjne. Na tym etapie należy zaplanować analizy wrażliwości z alternatywnymi rozkładami a priori.

Wzór
p(\theta)
3

Rekrutacja kohorty i prospektywne śledzenie uczestników (lub retrospektywne pozyskiwanie danych). Pomiar statusu ekspozycji, zmiennych zakłócających i występowania zdarzeń w regularnych odstępach czasu. Obowiązują standardowe zasady jakości danych w badaniach kohortowych: minimalizacja utraty obserwacji i uwzględnianie zmiennych zakłócających zależnych od czasu.

4

Skonstruowanie funkcji wiarygodności L(theta | dane), która łączy obserwowane wyniki z parametrami będącymi przedmiotem zainteresowania. Typowe modele obejmują regresję Poissona dla częstości zapadalności, modele Coxa lub Weibullla dla wyników czasowo-zdarzeniowych oraz regresję logistyczną dla skumulowanego ryzyka. W kontekście bayesowskim są one kodowane w probabilistycznych językach programowania, takich jak Stan lub JAGS.

Wzór
L(\theta | \text{data})
5

Połączenie rozkładu a priori i wiarygodności za pomocą twierdzenia Bayesa w celu uzyskania rozkładu a posteriori p(theta | dane) proporcjonalnego do p(theta) razy L(theta | dane). Estymacja jest zazwyczaj przeprowadzana za pomocą próbkowania metodą łańcuchów Markowa (MCMC). Przed podsumowaniem wyników należy ocenić diagnostykę zbieżności (współczynnik R-hat Gelmana-Rubina, wykresy śladów).

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

Podsumowanie rozkładów a posteriori za pomocą estymatorów punktowych (mediana lub średnia a posteriori), 95% przedziałów wiarygodności i stwierdzeń prawdopodobieństwa (np. „prawdopodobieństwo, że HR > 1 wynosi 0,97”). Należy zgłosić specyfikacje rozkładów a priori i analizy wrażliwości. Należy przestrzegać wytycznych STROBE dotyczących raportowania badań kohortowych i uzupełnić je o elementy specyficzne dla metod bayesowskich, takie jak uzasadnienie rozkładów a priori i diagnostyka MCMC.

Częste pułapki

  • Wybór informacyjnego rozkładu a priori w celu celowego wsparcia pożądanego wniosku — należy zgłosić analizy wrażliwości rozkładu a priori, aby czytelnicy mogli ocenić jego solidność.
  • Niewłaściwa ocena zbieżności MCMC przed zgłoszeniem rozkładów a posteriori — niezbieżne łańcuchy dają bezsensowne oszacowania parametrów.
  • Mylenie przedziałów wiarygodności z przedziałami ufności w interpretacji — oba są poprawne, ale odpowiadają na różne pytania; nie należy mieszać języka.
  • Ignorowanie standardowych zagrożeń dla ważności badania kohortowego (błąd selekcji, utrata obserwacji, zmienne zakłócające zależne od czasu) — wnioskowanie bayesowskie nie rozwiązuje wad projektu.
  • Stosowanie nieinformacyjnego rozkładu a priori, gdy istnieją silne dowody zewnętrzne — dyskwalifikuje to użyteczne informacje i często daje taki sam wynik jak analiza częstościowa bez zalet bayesowskich.

Najczęściej zadawane pytania

Czy bayesowskie badanie kohortowe jest obserwacyjne czy eksperymentalne?

Jest obserwacyjne. Część „bayesowskie” odnosi się do ram analizy statystycznej, a nie do projektu badania. Projekt kohortowy — śledzenie zdefiniowanej grupy w czasie bez manipulacji eksperymentalnych — pozostaje niezmieniony. Metody bayesowskie są stosowane na etapie analizy do szacowania parametrów zapadalności, ryzyka lub hazardu.

Jak wybrać rozkład a priori?

Rozkłady a priori powinny odzwierciedlać rzeczywistą wiedzę przed badaniem: opublikowane metaanalizy, wcześniejsze dane kohortowe lub ustrukturyzowane zbieranie opinii ekspertów. Słabo informacyjne rozkłady a priori (np. półnormalny dla logarytmu hazardu) są obronnym domyślnym wyborem, gdy dowody zewnętrzne są skąpe. Zawsze należy zgłosić rozkład a priori i przeprowadzić analizy wrażliwości z co najmniej jednym alternatywnym rozkładem a priori, aby pokazać, jak solidne są wnioski.

Czy mogę używać standardowego oprogramowania, takiego jak R lub Stata?

Tak. Język programowania probabilistycznego Stan (za pośrednictwem interfejsów RStan lub CmdStanR w R) jest najczęściej używaną platformą dla bayesowskich modeli kohortowych. Alternatywą jest JAGS (za pośrednictwem rjags). Bayesowskie modele przeżycia są również dostępne za pośrednictwem pakietu brms w R, który zapewnia interfejs oparty na formułach do Stana. Standardowe analizy kohortowe oparte na metodach częstościowych w R lub Stata można zredefiniować w tych narzędziach bayesowskich przy niewielkim dodatkowym wysiłku.

Czy analiza bayesowska rekompensuje małą kohortę?

Informacyjne rozkłady a priori mogą poprawić precyzję, gdy kohorta ma niewiele zdarzeń, ale nie mogą uratować fundamentalnie niewystarczająco mocy badania. Jeśli rozkład a priori dominuje z powodu zbyt małej liczby danych, wnioski odzwierciedlają przekonania a priori bardziej niż nowe dowody. Przejrzyste raportowanie tego kompromisu i analizy wrażliwości rozkładu a priori jest niezbędne.

Czym to się różni od bayesowskiego randomizowanego badania klinicznego?

Podstawowa różnica polega na projekcie: randomizowane badanie kliniczne przypisuje ekspozycję eksperymentalnie, umożliwiając wnioskowanie przyczynowe; badanie kohortowe obserwuje naturalnie występujące ekspozycje i musi analitycznie kontrolować zakłócenia. Oba mogą wykorzystywać wnioskowanie bayesowskie na etapie analizy, ale kontrola zakłóceń (za pomocą wyników skłonności, dopasowania regresji lub metod g) pozostaje niezbędna w wersji kohortowej i niepotrzebna w prawidłowo randomizowanym badaniu.

Pokrewne metody

Źródła

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

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

    Otwórz odnośnik DOI
    Skopiowano.