Байесовское исследование случай-контроль
- Автор метода
- Sander Greenland (Bayesian epidemiology formalization); earlier Bayesian logistic methods: Leonard (1972)
- Год
- 1990s–2000s (systematic application); Bayesian inference foundations: Bayes/Laplace 18th–19th c.
- Тип
- Observational analytic study with Bayesian inference
- Семейство
- Clinical / epidemiology
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Байесовское исследование случай-контроль применяет байесовский статистический вывод к классическому эпидемиологическому дизайну случай-контроль, формально объединяя априорные знания о связи экспозиции и заболевания с наблюдаемыми данными по случаям и контролю для оценки апостериорных отношений шансов и доверительных интервалов.
Вместо того чтобы полагаться исключительно на наблюдаемые данные, байесовская структура позволяет исследователям включать внешние доказательства — из предыдущих исследований, экспертных знаний или механистического понимания — в анализ, получая вероятностные утверждения о размерах эффекта, которые часто более интерпретируемы, чем классические p-значения и доверительные интервалы.
Интуиция метода
В стандартном исследовании случай-контроль вы идентифицируете людей, у которых развилось заболевание (случаи), и похожих людей, у которых его нет (контроли), а затем сравниваете их прошлые экспозиции для выявления факторов риска. Байесовская версия добавляет критический уровень: прежде чем анализировать ваши данные, вы формально излагаете то, во что вы уже верите относительно связи экспозиции и заболевания — возможно, из предыдущих исследований или биологической правдоподобности — в виде априорного распределения вероятностей. Собранные вами данные затем обновляют этот априорный через теорему Байеса, производя апостериорное распределение, которое сочетает априорные убеждения с новыми доказательствами. Если ваши данные сильно склоняются в одном направлении, апостериорное распределение будет это отражать независимо от априорного; если данные скудны или шумны, априорное распределение обеспечивает значимую регуляризацию, которая предотвращает экстремальные, ненадежные оценки.
История
Методология случай-контроль была формализована в середине двадцатого века, а демонстрация Корнфилдом в 1951 году того, что отношение шансов аппроксимирует относительный риск при редких заболеваниях, дала основополагающий результат. Байесовские подходы к эпидемиологии начали появляться в 1970-х годах, когда Демпстер и другие исследовали вероятностный вывод в биомедицинских контекстах. Влиятельная серия статей Сандера Гринланда в 2000-х годах — особенно его статья 2006 года в International Journal of Epidemiology — систематизировала байесовские перспективы для практикующих эпидемиологов, демонстрируя, как байесовская логистическая регрессия может улучшить вывод в исследованиях случай-контроль и когортных исследованиях. Рост доступного программного обеспечения MCMC (WinBUGS, JAGS, Stan) с 1990-х годов сделал возможным его рутинное внедрение.
Когда применять
Используйте байесовское исследование случай-контроль, когда у вас есть значимая априорная информация о связи экспозиции и заболевания (например, из предыдущего мета-анализа или механистических знаний), которую вы хотите формально включить в анализ, или когда исследование мало, и вам нужна принципиальная регуляризация для предотвращения необоснованно экстремальных оценок отношения шансов. Оно также подходит, когда исследовательский вопрос требует прямого вероятностного утверждения («какова вероятность, что ОШ превышает 2?»), а не бинарного решения о значимости. Не используйте этот подход, когда исследовательская группа не обладает опытом байесовского моделирования, когда спецификация априорных распределений является предметом споров среди заинтересованных сторон, когда первостепенное значение имеет прозрачность для строго частотной аудитории, или когда размеры выборки достаточно велики, чтобы выбор априорного распределения оказывал незначительное влияние на апостериорное распределение.
Ограничения и замечания
- Спецификация априорных распределений субъективна; выбор должен быть обоснован и, в идеале, проанализирован на чувствительность к диапазону правдоподобных априорных распределений.
- Вычисление MCMC значительно сложнее и более трудоемко, чем выполнение стандартной логистической регрессии.
- Результаты могут быть не приняты рецензентами или регулирующими органами в контекстах, где частотные методы являются устоявшимся стандартом.
- Когда априорное распределение очень информативно, а данные ограничены, апостериорное распределение в основном определяется априорным, что затрудняет оценку вклада нового исследования.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Формально и прозрачно включает априорные доказательства, снижая риск чрезмерной интерпретации скудных данных.
- Предоставляет доверительные интервалы с прямой вероятностной интерпретацией, более интуитивные, чем частотные доверительные интервалы.
- Более эффективно обрабатывает малые размеры выборки и редкие экспозиции, чем методы максимального правдоподобия, благодаря априорной регуляризации.
- Естественным образом распространяет все источники неопределенности — включая неопределенность относительно конфаундеров и ошибок измерения — через апостериорное распределение.
- Облегчает расширения для принятия решений: апостериорные распределения могут быть напрямую использованы в моделях экономики здравоохранения или оценки рисков и выгод.
Применение
- Фармакоэпидемиологические исследования редких нежелательных реакций на лекарства, где малое число случаев делает классические оценки нестабильными.
- Генетическая эпидемиология и полногеномные ассоциативные исследования, включающие априорную биологическую правдоподобность для регуляризации тысяч одновременных тестов на экспозицию.
- Экологическая эпидемиология, связывающая профессиональные или химические экспозиции с заболеваниями, где априорные токсикологические данные могут быть формально закодированы.
- Больничные исследования случай-контроль хирургических осложнений или внутрибольничных инфекций с ограниченным числом случаев.
- Исследования эпидемиологии рака с доступным априорным мета-анализом, позволяющим формально синтезировать новые данные с существующими доказательствами.
- Исследования по расследованию вспышек инфекционных заболеваний, где быстрое принятие решений требует вероятностных утверждений о риске экспозиции, а не бинарных тестов на значимость.
Как это работает
Как это работает
Отберите случаи (индивиды с интересующим исходом) и контроли (индивиды без исхода) из одной и той же исходной популяции, используя те же принципы дизайна случай-контроль, что и в обычных исследованиях — включая решения о подборе пар, соотношении случаев к контролю и оценке экспозиции. Байесовский подход не изменяет сам дизайн исследования, только последующий статистический анализ.
Задайте априорные распределения для логарифма отношения шансов (и любых других параметров модели) на основе существующих доказательств, мета-анализов или знаний из предметной области. Слабо информативное априорное распределение, такое как Нормальное(0, 2.5) на шкале логарифма ОШ, является разумным выбором по умолчанию, когда априорные знания ограничены; информативное априорное распределение, полученное из предыдущего исследования, может быть использовано, когда такие доказательства существуют и релевантны.
Формула
\pi(\beta) \propto \text{Normal}(\mu_0, \sigma_0^2)Соберите данные об экспозиции и ковариатах для случаев и контролей. Экспозиции оцениваются ретроспективно (медицинские записи, интервью, биомаркеры). Тщательное внимание к смещению воспоминаний, отбору репрезентативной исходной популяции и контролю конфаундеров остаются столь же важными, как и в классических исследованиях случай-контроль.
Сформулируйте функцию правдоподобия — обычно модель логистической регрессии — которая связывает экспозицию и ковариаты с логарифмом шансов быть случаем. Функция правдоподобия отражает информацию, которую предоставляют наблюдаемые данные об отношении шансов, независимо от априорных убеждений.
Формула
L(\beta | y) = \prod_{i=1}^{n} p_i^{y_i}(1-p_i)^{1-y_i},\; p_i = \text{logistic}(X_i\beta)Объедините априорное распределение и функцию правдоподобия через теорему Байеса, чтобы получить апостериорное распределение логарифма ОШ. На практике это вычисляется с помощью выборки методом Монте-Карло по цепям Маркова (MCMC) с использованием такого программного обеспечения, как Stan, JAGS или пакета brms для R.
Формула
\pi(\beta | y) \propto L(\beta | y)\, \pi(\beta)
Суммируйте апостериорное распределение: представьте апостерианскую медиану или среднее как точечную оценку отношения шансов, а 95% доверительный интервал (интервал, содержащий 95% массы апостериорной вероятности) как меру неопределенности. Доверительный интервал имеет прямую вероятностную интерпретацию — в отличие от классического доверительного интервала — что часто более интуитивно для клиницистов и политиков.
Формула
\text{OR} = e^{\beta},\; 95\% \text{ credible interval from posterior}Частые ошибки
- Использование информативного априорного распределения, полученного из исследования с другой популяцией или определением экспозиции без адекватного обоснования — это может сместить апостериорное распределение к вводящей в заблуждение оценке.
- Представление только точечной оценки без анализа чувствительности к альтернативным априорным распределениям; рецензенты не имеют возможности оценить, насколько влиятельным было априорное распределение.
- Сбои сходимости в цепях MCMC, которые остаются незамеченными — всегда проверяйте трассировочные графики, статистики R-hat и эффективные размеры выборки перед интерпретацией результатов.
- Трактовка байесовского доверительного интервала как классического доверительного интервала в отчете или наоборот — эти два понятия имеют разные интерпретации и не должны смешиваться.
- Пренебрежение классическими проблемами валидности исследований случай-контроль (смещение воспоминаний, смещение отбора, адекватный подбор пар) под предположением, что байесовский анализ их исправит — это не так.
Часто задаваемые вопросы
Что отличает байесовское исследование случай-контроль от стандартного исследования случай-контроль?
Дизайн исследования — отбор случаев и контролей, оценка экспозиций, контроль конфаундеров — идентичен. Различие полностью заключается в статистическом анализе: вместо логистической регрессии методом максимального правдоподобия, байесовский подход задает априорные распределения для параметров, вычисляет апостериорное распределение через теорему Байеса и представляет доверительные интервалы вместо доверительных интервалов и p-значений.
Как выбрать априорное распределение для отношения шансов?
Начните со слабо информативного априорного распределения, такого как Нормальное(0, 2.5) на шкале логарифма ОШ, которое допускает большие эффекты, но препятствует экстремальным значениям без поддержки данными. Если существует высококачественное предыдущее исследование или мета-анализ для той же пары экспозиция-заболевание в сопоставимой популяции, вы можете вывести информативное априорное распределение из его сообщенной оценки и стандартной ошибки. Всегда проводите анализ чувствительности, повторно запуская модель как минимум с одним альтернативным априорным распределением, чтобы оценить, насколько апостериорное распределение зависит от вашего выбора.
Можно ли опубликовать байесовское исследование случай-контроль в ведущих эпидемиологических журналах?
Да. Байесовские методы все чаще принимаются в эпидемиологических журналах, особенно для исследований, включающих малые выборки, множественные сравнения или явный синтез априорных доказательств. Ключевым является тщательное обоснование априорного распределения, прозрачное представление анализов чувствительности к априорным распределениям и четкое представление апостериорных сводок наряду с обычными оценками эффекта для сопоставимости с читателями.
Какое программное обеспечение можно использовать для байесовского анализа случай-контроль?
Наиболее распространенными инструментами являются Stan (доступный через пакеты brms или rstan для R), JAGS (через rjags) и PyMC в Python. Пакет brms в R особенно удобен для байесовской логистической регрессии, требуя минимальных знаний кода сэмплера. Для сложных коррекций ошибок измерения или иерархических структур Stan предлагает наибольшую гибкость.
Можно ли использовать байесовский дизайн случай-контроль для подобранных исследований?
Да. Подобранные дизайны случай-контроль могут быть проанализированы с использованием условной логистической регрессии в частотном каркасе; байесовский аналог использует условное правдоподобие с априорными распределениями для коэффициентов экспозиции. Это сохраняет контроль дизайна для подобранных конфаундеров, сохраняя при этом преимущества байесовского вывода. Реализация требует осторожности при правильном указании условного правдоподобия в Stan или JAGS.
Похожие методы
Источники
Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765-775.
Открыть ссылку DOIСкопировано.Gustafson, P. (2004). Measurement Error and Misclassification in Statistics and Epidemiology: Impacts and Bayesian Adjustments. Chapman and Hall/CRC.
ISBN: 978-1584884316Скопировано.