การศึกษาแบบควบคุมกรณีด้วยวิธีเบย์
- ผู้เสนอ
- Sander Greenland (Bayesian epidemiology formalization); earlier Bayesian logistic methods: Leonard (1972)
- ปี
- 1990s–2000s (systematic application); Bayesian inference foundations: Bayes/Laplace 18th–19th c.
- ประเภท
- Observational analytic study with Bayesian inference
- กลุ่มวิธี
- Clinical / epidemiology
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การศึกษาแบบควบคุมกรณีด้วยวิธีเบย์ (Bayesian case-control study) เป็นการประยุกต์ใช้การอนุมานทางสถิติแบบเบย์ (Bayesian statistical inference) กับการออกแบบการศึกษาทางระบาดวิทยาแบบควบคุมกรณี (case-control epidemiological design) แบบคลาสสิก โดยเป็นการรวมความรู้เดิมเกี่ยวกับความสัมพันธ์ระหว่างการสัมผัสโรคกับข้อมูลผู้ป่วยและกลุ่มควบคุมที่สังเกตได้ เพื่อประมาณค่าอัตราส่วนความน่าจะเป็น (odds ratios) ภายหลัง (posterior) และช่วงความเชื่อถือได้ (credible intervals) แทนที่จะพึ่งพาข้อมูลที่สังเกตได้เพียงอย่างเดียว กรอบการทำงานแบบเบย์ช่วยให้นักวิจัยสามารถรวมหลักฐานภายนอก ซึ่งอาจมาจากงานวิจัยก่อนหน้า ความรู้จากผู้เชี่ยวชาญ หรือความเข้าใจเชิงกลไก เข้ามาในการวิเคราะห์ได้ ทำให้ได้ข้อความเชิงความน่าจะเป็นเกี่ยวกับขนาดผลกระทบที่มักจะตีความได้ง่ายกว่าค่า p-values และช่วงความเชื่อมั่น (confidence intervals) แบบคลาสสิก
แนวคิดเบื้องหลังวิธีการ
ในการศึกษาแบบควบคุมกรณีมาตรฐาน คุณจะระบุผู้ที่ป่วยเป็นโรค (กรณี) และผู้ที่คล้ายกันแต่ไม่ป่วย (กลุ่มควบคุม) จากนั้นเปรียบเทียบการสัมผัสในอดีตเพื่อระบุปัจจัยเสี่ยง การศึกษาแบบเบย์เพิ่มชั้นที่สำคัญ: ก่อนที่จะดูข้อมูลของคุณ คุณจะระบุอย่างเป็นทางการว่าคุณเชื่ออะไรเกี่ยวกับความสัมพันธ์ระหว่างการสัมผัสโรค ซึ่งอาจมาจากงานวิจัยก่อนหน้าหรือความเป็นไปได้ทางชีวภาพ ในรูปแบบของการแจกแจงความน่าจะเป็นก่อนหน้า (prior probability distribution) ข้อมูลที่คุณรวบรวมจะอัปเดตค่าก่อนหน้านี้ผ่านทฤษฎีของเบย์ (Bayes' theorem) ทำให้เกิดการแจกแจงภายหลัง (posterior distribution) ที่ผสมผสานความเชื่อก่อนหน้าเข้ากับหลักฐานใหม่ หากข้อมูลของคุณสนับสนุนทิศทางใดทิศทางหนึ่งอย่างมาก ค่าภายหลังจะสะท้อนสิ่งนั้นโดยไม่คำนึงถึงค่าก่อนหน้า หากข้อมูลมีน้อยหรือไม่ชัดเจน ค่าก่อนหน้าจะให้การปรับให้เป็นมาตรฐาน (regularisation) ที่มีความหมาย ซึ่งป้องกันการประมาณค่าที่รุนแรงและไม่น่าเชื่อถือ
ประวัติศาสตร์
ระเบียบวิธีควบคุมกรณีได้รับการจัดทำเป็นทางการในช่วงกลางศตวรรษที่ 20 โดยการสาธิตของ Cornfield ในปี 1951 ที่แสดงให้เห็นว่าอัตราส่วนความน่าจะเป็นประมาณความเสี่ยงสัมพัทธ์ในโรคหายาก ซึ่งเป็นผลลัพธ์พื้นฐาน แนวทางแบบเบย์ในการระบาดวิทยาเริ่มปรากฏขึ้นในทศวรรษ 1970 โดย Dempster และคนอื่น ๆ ได้สำรวจการอนุมานเชิงความน่าจะเป็นในบริบททางการแพทย์ ชุดบทความที่มีอิทธิพลของ Sander Greenland ในทศวรรษ 2000 โดยเฉพาะอย่างยิ่งบทความของเขาในปี 2006 ใน International Journal of Epidemiology ได้จัดระบบมุมมองแบบเบย์สำหรับนักระบาดวิทยาที่ปฏิบัติงาน โดยแสดงให้เห็นว่าการถดถอยโลจิสติกแบบเบย์สามารถปรับปรุงการอนุมานในการศึกษาแบบควบคุมกรณีและการศึกษาแบบโคฮอร์ทได้อย่างไร การเติบโตของซอฟต์แวร์ MCMC ที่เข้าถึงได้ (WinBUGS, JAGS, Stan) ตั้งแต่ทศวรรษ 1990 เป็นต้นมา ทำให้การนำไปใช้งานเป็นประจำทำได้จริง
ควรใช้เมื่อใด
ใช้การศึกษาแบบควบคุมกรณีด้วยวิธีเบย์เมื่อคุณมีข้อมูลก่อนหน้าที่มีความหมายเกี่ยวกับความสัมพันธ์ระหว่างการสัมผัสโรค (เช่น จากการวิเคราะห์อภิมานก่อนหน้าหรือความรู้เชิงกลไก) ที่คุณต้องการรวมเข้ากับการวิเคราะห์อย่างเป็นทางการ หรือเมื่อการศึกษามีขนาดเล็กและคุณต้องการการปรับให้เป็นมาตรฐานอย่างมีหลักการเพื่อป้องกันการประมาณค่าอัตราส่วนความน่าจะเป็นที่รุนแรงเกินจริง นอกจากนี้ยังเหมาะสมเมื่อคำถามวิจัยต้องการข้อความเชิงความน่าจะเป็นโดยตรง ('ความน่าจะเป็นที่ OR เกิน 2 คือเท่าใด?') แทนที่จะเป็นการตัดสินใจเชิงนัยสำคัญแบบไบนารี อย่าใช้วิธีการนี้เมื่อทีมวิจัยขาดความเชี่ยวชาญในการสร้างแบบจำลองเบย์ เมื่อการระบุค่าก่อนหน้าเป็นที่ถกเถียงกันอย่างมากในหมู่ผู้มีส่วนได้ส่วนเสีย เมื่อความโปร่งใสกับกลุ่มเป้าหมายที่ยึดหลักความถี่นิยมอย่างเคร่งครัดเป็นสิ่งสำคัญยิ่ง หรือเมื่อขนาดตัวอย่างมีขนาดใหญ่พอที่การเลือกค่าก่อนหน้าสร้างความแตกต่างเล็กน้อยต่อค่าภายหลัง
ข้อจำกัดและข้อควรพิจารณา
- การระบุค่าก่อนหน้าเป็นเรื่องส่วนตัว การเลือกต้องมีเหตุผลและควรมีการวิเคราะห์ความไว (sensitivity-analysed) ในช่วงของค่าก่อนหน้าที่เป็นไปได้
- การคำนวณ MCMC มีความซับซ้อนและใช้เวลานานกว่าการรันการถดถอยโลจิสติกมาตรฐานอย่างมาก
- ผลลัพธ์อาจไม่ได้รับการยอมรับจากผู้ตรวจสอบหรือหน่วยงานกำกับดูแลในบริบทที่วิธีการความถี่นิยมเป็นมาตรฐานที่กำหนดไว้
- เมื่อค่าก่อนหน้าให้ข้อมูลสูงมากและข้อมูลมีจำกัด ค่าภายหลังจะถูกขับเคลื่อนโดยค่าก่อนหน้าเป็นหลัก ทำให้ยากต่อการประเมินการมีส่วนร่วมของการศึกษาใหม่
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- รวมหลักฐานก่อนหน้าอย่างเป็นทางการและโปร่งใส ลดความเสี่ยงของการตีความข้อมูลที่กระจัดกระจายมากเกินไป
- ให้ช่วงความเชื่อถือได้ที่มีการตีความความน่าจะเป็นโดยตรง ซึ่งเข้าใจง่ายกว่าช่วงความเชื่อมั่นแบบความถี่นิยม
- จัดการกับขนาดตัวอย่างเล็กและการสัมผัสที่หายากได้ดีกว่าวิธีการประมาณค่าความน่าจะเป็นสูงสุด (maximum-likelihood methods) ผ่านการปรับให้เป็นมาตรฐานก่อนหน้า
- เผยแพร่แหล่งที่มาของความไม่แน่นอนทั้งหมดอย่างเป็นธรรมชาติ รวมถึงความไม่แน่นอนเกี่ยวกับตัวแปรกวนและข้อผิดพลาดในการวัด ผ่านการแจกแจงภายหลัง
- อำนวยความสะดวกในการขยายการวิเคราะห์เชิงตัดสินใจ: การแจกแจงภายหลังสามารถป้อนเข้าสู่แบบจำลองเศรษฐศาสตร์สุขภาพหรือแบบจำลองความเสี่ยง-ผลประโยชน์ได้โดยตรง
การประยุกต์ใช้
- การศึกษาทางเภสัชระบาดวิทยาที่ประเมินปฏิกิริยาไม่พึงประสงค์จากยาที่หายาก ซึ่งจำนวนผู้ป่วยน้อยทำให้การประมาณค่าแบบคลาสสิกไม่เสถียร
- ระบาดวิทยาทางพันธุกรรมและการศึกษาความสัมพันธ์ทั่วทั้งจีโนมที่รวมความเป็นไปได้ทางชีวภาพก่อนหน้าเพื่อปรับให้เป็นมาตรฐานการทดสอบการสัมผัสพร้อมกันหลายพันรายการ
- ระบาดวิทยาทางสิ่งแวดล้อมที่เชื่อมโยงการสัมผัสทางอาชีพหรือสารเคมีกับโรค ซึ่งหลักฐานทางพิษวิทยาที่มีอยู่ก่อนสามารถเข้ารหัสได้อย่างเป็นทางการ
- การศึกษาแบบควบคุมกรณีในโรงพยาบาลเกี่ยวกับภาวะแทรกซ้อนจากการผ่าตัดหรือการติดเชื้อที่เกี่ยวข้องกับการดูแลสุขภาพที่มีจำนวนผู้ป่วยจำกัด
- การศึกษาทางระบาดวิทยาโรคมะเร็งที่มีการวิเคราะห์อภิมานก่อนหน้า ทำให้สามารถสังเคราะห์ข้อมูลใหม่กับหลักฐานที่มีอยู่ได้อย่างเป็นทางการ
- การสอบสวนการระบาดของโรคติดเชื้อที่การตัดสินใจอย่างรวดเร็วต้องการข้อความเชิงความน่าจะเป็นเกี่ยวกับความเสี่ยงจากการสัมผัส แทนที่จะเป็นการทดสอบนัยสำคัญแบบไบนารี
วิธีการทำงาน
วิธีการทำงาน
เลือกกรณี (บุคคลที่มีผลลัพธ์ที่สนใจ) และกลุ่มควบคุม (บุคคลที่ไม่มีผลลัพธ์) จากประชากรแหล่งเดียวกัน โดยใช้หลักการออกแบบการศึกษาแบบควบคุมกรณีเช่นเดียวกับการศึกษาทั่วไป ซึ่งรวมถึงการตัดสินใจเกี่ยวกับการจับคู่ อัตราส่วนกรณีต่อกลุ่มควบคุม และการยืนยันการสัมผัส วิธีการแบบเบย์ไม่ได้เปลี่ยนการออกแบบการศึกษาเอง แต่เปลี่ยนเฉพาะการวิเคราะห์ทางสถิติที่ตามมาเท่านั้น
ระบุการแจกแจงก่อนหน้า (prior distributions) สำหรับอัตราส่วนล็อกออดส์ (log-odds ratio) (และพารามิเตอร์โมเดลอื่น ๆ) โดยอิงจากหลักฐานที่มีอยู่ การวิเคราะห์อภิมาน (meta-analyses) หรือความรู้เชิงเนื้อหาในสาขา การแจกแจงก่อนหน้าแบบให้ข้อมูลน้อย (weakly informative prior) เช่น Normal(0, 2.5) บนมาตราส่วน log-OR เป็นค่าเริ่มต้นที่สมเหตุสมผลเมื่อความรู้ก่อนหน้ามีจำกัด การแจกแจงก่อนหน้าแบบให้ข้อมูล (informative prior) ที่ได้มาจากการศึกษาครั้งก่อนสามารถนำมาใช้ได้เมื่อมีหลักฐานดังกล่าวและมีความเกี่ยวข้อง
สูตร
\pi(\beta) \propto \text{Normal}(\mu_0, \sigma_0^2)รวบรวมข้อมูลการสัมผัสและตัวแปรควบคุมสำหรับกรณีและกลุ่มควบคุม การสัมผัสจะถูกยืนยันย้อนหลัง (เวชระเบียน การสัมภาษณ์ ตัวบ่งชี้ทางชีวภาพ) การให้ความสำคัญกับการอคติจากการระลึก (recall bias) การเลือกประชากรแหล่งที่มาที่เป็นตัวแทน และการควบคุมตัวแปรกวน (confounding control) ยังคงมีความสำคัญเช่นเดียวกับการศึกษาแบบควบคุมกรณีแบบคลาสสิก
กำหนดฟังก์ชันความน่าจะเป็น (likelihood function) ซึ่งโดยทั่วไปคือโมเดลการถดถอยโลจิสติก (logistic regression model) ที่เชื่อมโยงการสัมผัสและตัวแปรควบคุมกับล็อกออดส์ของการเป็นกรณี ฟังก์ชันความน่าจะเป็นจะรวบรวมข้อมูลที่ข้อมูลที่สังเกตได้ให้เกี่ยวกับอัตราส่วนความน่าจะเป็น โดยไม่ขึ้นกับความเชื่อก่อนหน้า
สูตร
L(\beta | y) = \prod_{i=1}^{n} p_i^{y_i}(1-p_i)^{1-y_i},\; p_i = \text{logistic}(X_i\beta)รวมค่าก่อนหน้าและฟังก์ชันความน่าจะเป็นผ่านทฤษฎีของเบย์ เพื่อให้ได้การแจกแจงภายหลังของ log-OR ในทางปฏิบัติ สิ่งนี้จะคำนวณโดยการสุ่มตัวอย่างแบบ Markov Chain Monte Carlo (MCMC) โดยใช้ซอฟต์แวร์เช่น Stan, JAGS หรือแพ็คเกจ brms ใน R
สูตร
\pi(\beta | y) \propto L(\beta | y)\, \pi(\beta)
สรุปการแจกแจงภายหลัง: รายงานค่ามัธยฐานภายหลัง (posterior median) หรือค่าเฉลี่ยภายหลัง (posterior mean) เป็นค่าประมาณจุดของอัตราส่วนความน่าจะเป็น และช่วงความเชื่อถือได้ 95% (ช่วงที่ประกอบด้วย 95% ของมวลความน่าจะเป็นภายหลัง) เป็นมาตรวัดความไม่แน่นอน ช่วงความเชื่อถือได้มีการตีความความน่าจะเป็นโดยตรง ซึ่งแตกต่างจากช่วงความเชื่อมั่นแบบคลาสสิก ซึ่งมักจะเข้าใจง่ายกว่าสำหรับแพทย์และผู้กำหนดนโยบาย
สูตร
\text{OR} = e^{\beta},\; 95\% \text{ credible interval from posterior}ข้อผิดพลาดที่พบบ่อย
- การใช้ค่าก่อนหน้าแบบให้ข้อมูลที่ได้มาจากการศึกษาที่มีประชากรหรือคำจำกัดความของการสัมผัสที่แตกต่างกันโดยไม่มีเหตุผลที่เพียงพอ ซึ่งอาจทำให้อคติของค่าภายหลังไปสู่การประมาณค่าที่ทำให้เข้าใจผิด
- การรายงานเฉพาะค่าประมาณจุดโดยไม่มีการวิเคราะห์ความไวในค่าก่อนหน้าทางเลือก ผู้ตรวจสอบไม่มีทางประเมินได้ว่าค่าก่อนหน้ามีอิทธิพลมากเพียงใด
- ความล้มเหลวในการบรรจบกันในสายโซ่ MCMC ที่ไม่ถูกตรวจพบ ควรตรวจสอบแผนภาพร่องรอย (trace plots) สถิติ R-hat และขนาดตัวอย่างที่มีประสิทธิภาพ (effective sample sizes) เสมอก่อนตีความผลลัพธ์
- การปฏิบัติต่อช่วงความเชื่อถือได้แบบเบย์เสมือนช่วงความเชื่อมั่นแบบคลาสสิกในการเขียนรายงาน หรือในทางกลับกัน ทั้งสองมีการตีความที่แตกต่างกันและไม่ควรนำมาปะปนกัน
- การละเลยปัญหาความถูกต้องของการศึกษาแบบควบคุมกรณีแบบคลาสสิก (อคติจากการระลึก อคติจากการเลือก การจับคู่ที่เหมาะสม) โดยสันนิษฐานว่าการวิเคราะห์แบบเบย์จะแก้ไขได้ ซึ่งไม่เป็นเช่นนั้น
คำถามที่พบบ่อย
อะไรที่ทำให้การศึกษาแบบควบคุมกรณีด้วยวิธีเบย์แตกต่างจากการศึกษาแบบควบคุมกรณีมาตรฐาน?
การออกแบบการศึกษา การเลือกกรณีและกลุ่มควบคุม การยืนยันการสัมผัส การควบคุมตัวแปรกวน เหมือนกันทุกประการ ความแตกต่างอยู่ที่การวิเคราะห์ทางสถิติทั้งหมด: แทนที่จะเป็นการถดถอยโลจิสติกแบบประมาณค่าความน่าจะเป็นสูงสุด วิธีการแบบเบย์จะระบุการแจกแจงก่อนหน้าสำหรับพารามิเตอร์ คำนวณการแจกแจงภายหลังผ่านทฤษฎีของเบย์ และรายงานช่วงความเชื่อถือได้แทนช่วงความเชื่อมั่นและ p-values
ฉันจะเลือกการแจกแจงก่อนหน้าสำหรับอัตราส่วนความน่าจะเป็นได้อย่างไร?
เริ่มต้นด้วยการแจกแจงก่อนหน้าแบบให้ข้อมูลน้อย เช่น Normal(0, 2.5) บนมาตราส่วน log-OR ซึ่งอนุญาตให้มีผลกระทบขนาดใหญ่แต่ไม่สนับสนุนค่าที่รุนแรงเกินไปโดยไม่มีข้อมูลสนับสนุน หากมีการศึกษาที่มีคุณภาพสูงก่อนหน้าหรือการวิเคราะห์อภิมานสำหรับคู่การสัมผัสโรคเดียวกันในประชากรที่เปรียบเทียบได้ คุณสามารถหาค่าก่อนหน้าแบบให้ข้อมูลจากค่าประมาณที่รายงานและค่าความคลาดเคลื่อนมาตรฐานได้ ควรทำการวิเคราะห์ความไวเสมอโดยการรันโมเดลซ้ำด้วยค่าก่อนหน้าทางเลือกอย่างน้อยหนึ่งค่าเพื่อประเมินว่าค่าภายหลังขึ้นอยู่กับการเลือกของคุณมากน้อยเพียงใด
การศึกษาแบบควบคุมกรณีด้วยวิธีเบย์สามารถตีพิมพ์ในวารสารระบาดวิทยาชั้นนำได้หรือไม่?
ได้ วิธีการแบบเบย์ได้รับการยอมรับมากขึ้นในวารสารระบาดวิทยา โดยเฉพาะอย่างยิ่งสำหรับการศึกษาที่เกี่ยวข้องกับตัวอย่างขนาดเล็ก การเปรียบเทียบหลายรายการ หรือการสังเคราะห์หลักฐานก่อนหน้าอย่างชัดเจน สิ่งสำคัญคือการให้เหตุผลที่ละเอียดถี่ถ้วนของค่าก่อนหน้า การรายงานการวิเคราะห์ความไวของค่าก่อนหน้าอย่างโปร่งใส และการนำเสนอสรุปค่าภายหลังอย่างชัดเจนควบคู่ไปกับค่าประมาณผลกระทบแบบทั่วไปเพื่อให้ผู้อ่านเปรียบเทียบได้
ฉันสามารถใช้ซอฟต์แวร์ใดในการวิเคราะห์แบบควบคุมกรณีด้วยวิธีเบย์ได้บ้าง?
เครื่องมือที่พบบ่อยที่สุดคือ Stan (เข้าถึงผ่านแพ็คเกจ brms หรือ rstan ใน R), JAGS (ผ่าน rjags) และ PyMC ใน Python แพ็คเกจ brms ใน R ใช้งานง่ายเป็นพิเศษสำหรับการถดถอยโลจิสติกแบบเบย์ โดยต้องการความรู้เกี่ยวกับโค้ดตัวอย่างน้อยที่สุด สำหรับการแก้ไขข้อผิดพลาดในการวัดที่ซับซ้อนหรือโครงสร้างแบบลำดับชั้น Stan ให้ความยืดหยุ่นสูงสุด
ฉันสามารถใช้การออกแบบแบบควบคุมกรณีด้วยวิธีเบย์สำหรับการศึกษาแบบจับคู่ได้หรือไม่?
ได้ การออกแบบการศึกษาแบบควบคุมกรณีแบบจับคู่สามารถวิเคราะห์ได้โดยใช้การถดถอยโลจิสติกแบบมีเงื่อนไข (conditional logistic regression) ในกรอบการทำงานแบบความถี่นิยม ส่วนการเทียบเคียงแบบเบย์จะใช้ฟังก์ชันความน่าจะเป็นแบบมีเงื่อนไข (conditional likelihood) ร่วมกับค่าก่อนหน้าสำหรับสัมประสิทธิ์การสัมผัส สิ่งนี้ช่วยรักษาการควบคุมตัวแปรกวนที่จับคู่กันของการออกแบบ ในขณะที่ยังคงรักษาประโยชน์ของการอนุมานแบบเบย์ การนำไปใช้งานต้องใช้ความระมัดระวังในการระบุฟังก์ชันความน่าจะเป็นแบบมีเงื่อนไขอย่างถูกต้องใน Stan หรือ JAGS
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765-775.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วGustafson, P. (2004). Measurement Error and Misclassification in Statistics and Epidemiology: Impacts and Bayesian Adjustments. Chapman and Hall/CRC.
ISBN: 978-1584884316คัดลอกแล้ว