Байесовское когортное исследование
- Автор метода
- Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
- Год
- 1990s–2000s (widespread adoption in epidemiology)
- Тип
- Observational longitudinal study with Bayesian inference
- Семейство
- Clinical / epidemiology
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Байесовское когортное исследование следует за определенной группой индивидуумов во времени для оценки заболеваемости, риска или частоты исходов, используя байесовский статистический вывод для включения априорных знаний и количественной оценки неопределенности через апостериорные распределения вероятностей, а не классические p-значения и доверительные интервалы.
Оно сочетает продольный наблюдательный дизайн когортного исследования с логикой обновления вероятностей байесовского анализа, позволяя более богато количественно оценивать неопределенность и последовательно обновлять ее по мере накопления данных.
Интуиция метода
В стандартном когортном исследовании вы набираете группу людей, наблюдаете, у кого развивается исход с течением времени, а затем вычисляете частотный показатель заболеваемости или отношение рисков с 95% доверительным интервалом. Байесовское когортное исследование проводит такое же наблюдение, но задает вопрос: учитывая то, что мы уже знали до исследования (закодированное как априорное распределение), и учитывая новые данные, которые мы только что собрали (правдоподобие), во что мы теперь должны верить относительно истинного риска или частоты (апостериорное распределение)? Апостериорное распределение — это полная кривая вероятности; вы можете определить вероятность того, что риск превышает любой порог, сообщить о правдоподобных интервалах, которые легче интерпретировать, чем частотные доверительные интервалы, и снова обновить свои убеждения, когда прибудет следующая волна данных.
История
Байесовская теория вероятностей восходит к Томасу Байесу (1763 г.) и была развита Пьером-Симоном Лапласом. Ее применение в эпидемиологии получило практическое распространение в 1990-х годах, когда алгоритмы Марковских цепей Монте-Карло стали вычислительно осуществимыми. Влиятельные статьи Сандера Гринланда в International Journal of Epidemiology (2006–2007 гг.) систематически отстаивали байесовские и полубайесовские подходы в наблюдательной эпидемиологии. Учебник Шпигельхальтера и коллег 2004 года кодифицировал байесовские методы для клинических испытаний и оценки медицинского обслуживания, предоставив методологическую основу, широко принятую для когортных исследований после этого.
Когда применять
Используйте байесовское когортное исследование, когда у вас есть информативные априорные свидетельства (например, данные предыдущих когорт, мета-аналитические оценки, регуляторные прецеденты), которые могут быть формально включены для повышения точности выводов, или когда вам нужны прямые вероятностные утверждения о параметрах, а не частотные p-значения. Оно также предпочтительно для последовательного или адаптивного мониторинга накапливающихся данных когорты и для редких исходов, где априорное распределение может частично компенсировать ограниченное количество событий. Не используйте его, когда спецификация априорного распределения является предметом ожесточенных споров и заинтересованные стороны не примут субъективный компонент в анализе, или когда исследовательский контекст требует чисто гипотетико-тестовой структуры. Обычное когортное исследование, проанализированное с использованием смешанных моделей или моделей Кокса, проще, когда выборка велика, априорные распределения неинформативны и не планируется последовательное обновление.
Ограничения и замечания
- Спецификация априорного распределения требует обоснования; плохо выбранные или нераскрытые априорные распределения могут исказить результаты, не будучи очевидными для читателей.
- Вычисления MCMC медленнее и технически сложнее, чем стандартное частотное программное обеспечение; необходимо проверять сходимость.
- Результаты может быть труднее донести до клинической или политической аудитории, незнакомой с апостериорными распределениями и правдоподобными интервалами.
- Регулирующие органы и рецензенты журналов в некоторых областях по-прежнему ожидают частотных первичных анализов; байесовские анализы могут быть отнесены к дополнительным материалам.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Позволяет формально включать внешние доказательства или экспертные знания через априорные распределения, повышая эффективность для редких исходов.
- Производит апостериорные вероятности, которые напрямую интерпретируемы (например, «вероятность того, что частота заболеваемости превышает X») — более интуитивно, чем частотные p-значения.
- Поддерживает последовательные и адаптивные анализы: апостериорное распределение из одной волны становится априорным для следующей, обеспечивая прозрачное обновление убеждений.
- Правдоподобные интервалы имеют вероятностную интерпретацию, которую частотные доверительные интервалы часто (неправильно) предполагают.
- Естественно учитывает пропущенные данные и иерархические структуры посредством генеративной модели.
Применение
- Оценка заболеваемости раком и относительных рисков в профессиональных или экологических когортах с использованием априорных данных из регистровых исследований.
- Мониторинг эффективности вакцин в постмаркетинговом когортном надзоре с последовательным обновлением по мере накопления новых данных наблюдения.
- Оценка частоты сердечно-сосудистых событий в продольных когортах пациентов, где имеются информативные априорные распределения из клинических испытаний.
- Изучение заболеваемости редкими заболеваниями в когортах на основе регистров, где байесовское сжатие стабилизирует оценки для малых групп.
- Когорты безопасности в фармакоэпидемиологии, где регулирующие органы принимают байесовские вторичные анализы наряду с частотными первичными.
Как это работает
Как это работает
Определите когорту: целевую популяцию, критерии включения, интересующий фактор воздействия, исход(ы) и запланированную продолжительность наблюдения. Предварительно зарегистрируйте план анализа, включая выбор априорных распределений и модели правдоподобия. Этот шаг аналогичен планированию стандартного когортного исследования и имеет решающее значение для прозрачности.
Задайте априорные распределения p(θ) для каждого ключевого параметра (например, частоты заболеваемости, отношения рисков). Априорные распределения могут быть информативными (основанными на предыдущих исследованиях или экспертном мнении), слабо информативными или неинформативными. На этом этапе следует планировать анализ чувствительности с альтернативными априорными распределениями.
Формула
p(\theta)
Наберите когорту и наблюдайте за участниками проспективно (или ретроспективно извлекайте записи). Измеряйте статус воздействия, ковариаты и возникновение исходов через регулярные промежутки времени. Применяются стандартные принципы обеспечения качества данных когортных исследований: минимизация потери участников при наблюдении и учет зависящих от времени конфаундеров.
Постройте функцию правдоподобия L(θ | данные), которая связывает наблюдаемые исходы с интересующими параметрами. Распространенные модели включают регрессию Пуассона для частот заболеваемости, модели Кокса или Вейбулла для исходов, связанных со временем до события, и логистическую регрессию для кумулятивного риска. В байесовских условиях они кодируются в языках вероятностного программирования, таких как Stan или JAGS.
Формула
L(\theta | \text{data})Объедините априорное распределение и правдоподобие с помощью теоремы Байеса, чтобы получить апостериорное распределение p(θ | данные), пропорциональное p(θ) умноженному на L(θ | данные). Оценка обычно выполняется с помощью выборки методом Марковских цепей Монте-Карло (MCMC). Перед обобщением результатов необходимо оценить диагностические показатели сходимости (R-hat Гельмана-Рубина, трассировочные графики).
Формула
p(\theta | \text{data}) \propto p(\theta) \cdot L(\theta | \text{data})Обобщите апостериорные распределения с помощью точечных оценок (медиана или среднее апостериорного распределения), 95% правдоподобных интервалов и вероятностных утверждений (например, «вероятность того, что отношение рисков > 1, составляет 0,97»). Сообщите о спецификациях априорных распределений и анализах чувствительности. Следуйте рекомендациям STROBE для когортных исследований и дополните их байесовскими элементами, такими как обоснование априорных распределений и диагностика MCMC.
Частые ошибки
- Выбор информативного априорного распределения для намеренного подтверждения желаемого вывода — необходимо сообщать о анализах чувствительности априорных распределений, чтобы читатели могли оценить надежность.
- Неспособность оценить сходимость MCMC перед сообщением об апостериорных распределениях — несходящиеся цепи дают бессмысленные оценки параметров.
- Смешение правдоподобных интервалов с доверительными интервалами в интерпретации — оба являются действительными, но отвечают на разные вопросы; не смешивайте язык.
- Игнорирование стандартных угроз валидности когортных исследований (смещение отбора, потеря участников при наблюдении, зависящее от времени смешение) — байесовский вывод не устраняет недостатки дизайна.
- Применение неинформативного априорного распределения при наличии сильных внешних свидетельств — это отбрасывает полезную информацию и часто дает тот же результат, что и частотный анализ, без байесовских преимуществ.
Часто задаваемые вопросы
Является ли байесовское когортное исследование наблюдательным или экспериментальным?
Оно является наблюдательным. Часть «байесовское» относится к фреймворку статистического анализа, а не к дизайну исследования. Дизайн когорты — наблюдение за определенной группой во времени без экспериментального вмешательства — остается неизменным. Байесовские методы применяются на этапе анализа для оценки параметров заболеваемости, риска или частоты.
Как выбрать априорное распределение?
Априорные распределения должны отражать реальные доисследовательские знания: опубликованные мета-анализы, данные предыдущих когорт или структурированный сбор экспертных оценок. Слабо информативные априорные распределения (например, полунормальное распределение для логарифмов отношений рисков) являются обоснованным выбором по умолчанию, когда внешние свидетельства скудны. Всегда сообщайте об априорном распределении и проводите анализы чувствительности как минимум с одним альтернативным априорным распределением, чтобы показать, насколько надежны выводы.
Можно ли использовать стандартное программное обеспечение, такое как R или Stata?
Да. Язык вероятностного программирования Stan (через R-интерфейсы RStan или CmdStanR) является наиболее широко используемой платформой для байесовских когортных моделей. JAGS (через rjags) — это альтернатива. Байесовские модели выживаемости также доступны через пакет R brms, который предоставляет интерфейс на основе формул к Stan. Стандартные частотные когортные анализы в R или Stata могут быть переопределены в этих байесовских инструментах с минимальными дополнительными усилиями.
Улучшает ли байесовский анализ ситуацию с небольшой когортой?
Информативные априорные распределения могут повысить точность при малом количестве событий в когорте, но они не могут спасти принципиально недостаточно мощное исследование. Если априорное распределение доминирует из-за слишком разреженных данных, выводы отражают априорные убеждения, а не новые свидетельства. Прозрачное сообщение об этом компромиссе и анализы чувствительности априорных распределений имеют важное значение.
Чем это отличается от байесовского рандомизированного клинического испытания?
Фундаментальное отличие заключается в дизайне: рандомизированное клиническое испытание экспериментально назначает воздействие, что позволяет делать причинно-следственные выводы; когортное исследование наблюдает естественные воздействия и должно контролировать смешивающие факторы аналитически. Оба могут использовать байесовский вывод на этапе анализа, но контроль смешения (через пропенсити-скоры, регрессионную корректировку или g-методы) остается существенным в когортной версии и не требуется в должным образом рандомизированном испытании.
Похожие методы
Источники
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN: 978-0471499756Скопировано.Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765–775.
Открыть ссылку DOIСкопировано.