Estudo de Coorte Bayesiano
- Proposto por
- Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
- Ano
- 1990s–2000s (widespread adoption in epidemiology)
- Tipo
- Observational longitudinal study with Bayesian inference
- Família
- Clinical / epidemiology
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Um estudo de coorte bayesiano segue um grupo definido de indivíduos ao longo do tempo para estimar a incidência, o risco ou a taxa de desfechos, utilizando inferência estatística bayesiana para incorporar conhecimento prévio e quantificar a incerteza por meio de distribuições de probabilidade a posteriori, em vez de valores-p clássicos e intervalos de confiança.
Ele combina o desenho observacional longitudinal de um estudo de coorte com a lógica de atualização de probabilidade da análise bayesiana, permitindo uma quantificação mais rica da incerteza e atualizações sequenciais à medida que os dados se acumulam.
A intuição por trás do método
Em um estudo de coorte padrão, você recruta um grupo de pessoas, observa quem desenvolve o desfecho ao longo do tempo e, em seguida, calcula uma taxa de incidência frequentista ou uma razão de riscos com um intervalo de confiança de 95%. Um estudo de coorte bayesiano faz o mesmo acompanhamento, mas pergunta: dado o que já sabíamos antes do estudo (codificado como uma distribuição a priori), e dados os novos dados que acabamos de coletar (a verossimilhança), o que devemos acreditar agora sobre o risco ou risco real (a distribuição a posteriori)? A posteriori é uma curva de probabilidade completa — você pode ler a probabilidade de o risco exceder qualquer limiar, comunicar intervalos críveis que são mais fáceis de interpretar do que intervalos de confiança frequentistas e atualizar suas crenças novamente quando a próxima onda de dados chegar.
História
A teoria da probabilidade bayesiana remonta a Thomas Bayes (1763) e foi estendida por Pierre-Simon Laplace. Sua aplicação à epidemiologia ganhou tração prática nos anos 1990, à medida que os algoritmos de Monte Carlo via Cadeias de Markov se tornaram computacionalmente viáveis. Os artigos influentes de Sander Greenland no International Journal of Epidemiology (2006–2007) argumentaram sistematicamente a favor de abordagens bayesianas e semi-bayesianas em epidemiologia observacional. O livro de Spiegelhalter e colegas de 2004 codificou métodos bayesianos para ensaios clínicos e avaliação de cuidados de saúde, fornecendo o arcabouço metodológico amplamente adotado para estudos de coorte a partir de então.
Quando usar
Utilizar um estudo de coorte bayesiano quando houver evidências a priori informativas (por exemplo, dados de coortes anteriores, estimativas meta-analíticas, precedente regulatório) que possam ser formalmente incorporadas para refinar a inferência, ou quando forem necessárias declarações de probabilidade diretas sobre os parâmetros em vez de valores-p frequentistas. É também preferível para monitoramento sequencial ou adaptativo de dados de coorte acumulados e para desfechos raros onde a a priori pode compensar parcialmente eventos limitados. Não o utilizar quando a especificação a priori for altamente contestada e as partes interessadas não aceitarem um componente subjetivo na análise, ou quando o contexto da pesquisa exigir um framework puramente de teste de hipóteses. Um estudo de coorte convencional analisado com modelos mistos ou de Cox é mais simples quando a amostra é grande, as a priori são não informativas e nenhuma atualização sequencial é planejada.
Limitações e considerações
- A especificação a priori requer justificativa; a priori mal escolhidas ou não divulgadas podem enviesar os resultados sem serem óbvias para os leitores.
- A computação MCMC é mais lenta e tecnicamente mais exigente do que o software frequentista padrão; a convergência deve ser verificada.
- Os resultados podem ser mais difíceis de comunicar a públicos clínicos ou de políticas que não estão familiarizados com distribuições a posteriori e intervalos críveis.
- Agências reguladoras e revisores de periódicos em alguns campos ainda esperam análises primárias frequentistas; análises bayesianas podem ser relegadas a material suplementar.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Permite a incorporação formal de evidências externas ou conhecimento de especialistas por meio de distribuições a priori, melhorando a eficiência para desfechos raros.
- Produz probabilidades a posteriori que são diretamente interpretáveis (por exemplo, 'probabilidade de a taxa de incidência exceder X') — mais intuitivo do que valores-p frequentistas.
- Suporta análises sequenciais e adaptativas: a posteriori de uma onda torna-se a a priori para a próxima, permitindo a atualização transparente de crenças.
- Intervalos críveis têm a interpretação probabilística que os intervalos de confiança frequentistas comumente (incorretamente) assumem ter.
- Acomoda naturalmente dados faltantes e estruturas hierárquicas por meio do framework de modelagem generativa.
Aplicações
- Estimar a incidência de câncer e riscos relativos em coortes ocupacionais ou ambientais com dados prévios de estudos de registro.
- Monitorar a eficácia de vacinas em vigilância de coorte pós-licenciamento com atualização sequencial à medida que o novo acompanhamento se acumula.
- Avaliar taxas de eventos cardiovasculares em coortes longitudinais de pacientes onde a priori informativas estão disponíveis a partir de ensaios clínicos.
- Estudar a incidência de doenças raras em coortes baseadas em registro, onde o encolhimento bayesiano estabiliza as estimativas de células pequenas.
- Coortes de segurança farmacoepidemiológica onde órgãos reguladores aceitam análises secundárias bayesianas ao lado de primárias frequentistas.
Como funciona
Como funciona
Definir a coorte: a população-alvo, os critérios de elegibilidade, a exposição de interesse, o(s) desfecho(s) e a duração planejada do acompanhamento. Pré-registrar o plano de análise, incluindo a escolha das distribuições a priori e do modelo de verossimilhança. Esta etapa espelha o planejamento padrão de estudos de coorte e é crucial para a transparência.
Especificar as distribuições a priori p(θ) para cada parâmetro chave (por exemplo, taxa de incidência, razão de riscos). As a priori podem ser informativas (baseadas em estudos anteriores ou opinião de especialistas), fracamente informativas ou não informativas. Análises de sensibilidade com a priori alternativas devem ser planejadas nesta fase.
Fórmula
p(\theta)
Recrutar a coorte e acompanhar os participantes prospectivamente (ou extrair registros retrospectivamente). Medir o status de exposição, covariáveis e ocorrência de desfechos em intervalos regulares. Princípios padrão de qualidade de dados de estudos de coorte se aplicam: minimizar perdas de acompanhamento e abordar confundidores dependentes do tempo.
Construir a função de verossimilhança L(θ | dados) que conecta os desfechos observados aos parâmetros de interesse. Modelos comuns incluem regressão de Poisson para taxas de incidência, modelos de Cox ou Weibull para desfechos de tempo até o evento e regressão logística para risco cumulativo. Em ambientes bayesianos, estes são codificados em linguagens de programação probabilística como Stan ou JAGS.
Fórmula
L(\theta | \text{data})Combinar a priori e verossimilhança via teorema de Bayes para obter a distribuição a posteriori p(θ | dados) proporcional a p(θ) vezes L(θ | dados). A estimação é tipicamente realizada com amostragem de Monte Carlo via Cadeias de Markov (MCMC). Diagnósticos de convergência (R-hat de Gelman-Rubin, gráficos de traço) devem ser avaliados antes de resumir os resultados.
Fórmula
p(\theta | \text{data}) \propto p(\theta) \cdot L(\theta | \text{data})Resumir as distribuições a posteriori com estimativas pontuais (mediana ou média a posteriori), intervalos críveis de 95% e declarações de probabilidade (por exemplo, 'probabilidade de que HR > 1 seja 0.97'). Relatar as especificações a priori e as análises de sensibilidade. Seguir as diretrizes de relato de coorte STROBE e complementar com itens específicos de Bayesianos, como justificativa a priori e diagnósticos de MCMC.
Erros comuns
- Escolher uma a priori informativa para apoiar deliberadamente uma conclusão desejada — análises de sensibilidade a priori devem ser relatadas para que os leitores possam julgar a robustez.
- Falha em avaliar a convergência MCMC antes de relatar as a posteriori — cadeias não convergentes produzem estimativas de parâmetros sem sentido.
- Confundir intervalos críveis com intervalos de confiança na interpretação — ambos são válidos, mas respondem a perguntas diferentes; não misture a linguagem.
- Ignorar as ameaças padrão à validade do estudo de coorte (viés de seleção, perda de acompanhamento, confundimento dependente do tempo) — a inferência bayesiana não resolve falhas de desenho.
- Aplicar uma a priori não informativa quando existe forte evidência externa — isso descarta informações úteis e frequentemente produz o mesmo resultado de uma análise frequentista sem as vantagens bayesianas.
Perguntas frequentes
Um estudo de coorte bayesiano é observacional ou experimental?
É observacional. A parte 'Bayesiana' refere-se ao framework de análise estatística, não ao desenho do estudo. O desenho de coorte — seguir um grupo definido ao longo do tempo sem manipulação experimental — permanece inalterado. Métodos bayesianos são aplicados na fase de análise para estimar parâmetros de incidência, risco ou risco.
Como escolho a distribuição a priori?
As a priori devem refletir o conhecimento genuíno pré-estudo: meta-análises publicadas, dados de coortes anteriores ou elicitação estruturada de especialistas. A priori fracamente informativas (por exemplo, uma semi-normal em razões de riscos logarítmicos) são um padrão defensável quando a evidência externa é escassa. Sempre relate a a priori e execute análises de sensibilidade com pelo menos uma a priori alternativa para mostrar quão robustas são as conclusões.
Posso usar software padrão como R ou Stata?
Sim. A linguagem de programação probabilística Stan (via interfaces RStan ou CmdStanR do R) é a plataforma mais utilizada para modelos de coorte bayesianos. JAGS (via rjags) é uma alternativa. Modelos de sobrevivência bayesianos também estão disponíveis através do pacote R brms, que fornece uma interface baseada em fórmulas para Stan. Análises de coorte frequentistas padrão em R ou Stata podem ser reespecificadas nessas ferramentas bayesianas com esforço adicional modesto.
A análise bayesiana compensa uma coorte pequena?
A priori informativas podem melhorar a precisão quando a coorte tem poucos eventos, mas não podem resgatar um estudo fundamentalmente subdimensionado. Se a a priori domina porque os dados são muito esparsos, as conclusões refletem crenças a priori mais do que a nova evidência. O relato transparente desse trade-off e as análises de sensibilidade a priori são essenciais.
Qual a diferença em relação a um ensaio clínico randomizado bayesiano?
A diferença fundamental é o desenho: um ensaio clínico randomizado atribui a exposição experimentalmente, permitindo inferência causal; um estudo de coorte observa exposições naturais e deve controlar o confundimento analiticamente. Ambos podem usar inferência bayesiana na fase de análise, mas o controle de confundimento (via escores de propensão, ajuste de regressão ou métodos-g) permanece essencial na versão de coorte e desnecessário em um ensaio devidamente randomizado.
Métodos relacionados
Fontes
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN: 978-0471499756Copiado.Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765–775.
Abrir referência DOICopiado.