การศึกษาแบบกลุ่มตามประชากรแบบเบย์ (Bayesian Cohort Study)
- ผู้เสนอ
- Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
- ปี
- 1990s–2000s (widespread adoption in epidemiology)
- ประเภท
- Observational longitudinal study with Bayesian inference
- กลุ่มวิธี
- Clinical / epidemiology
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การศึกษาแบบกลุ่มตามประชากรแบบเบย์เป็นการติดตามกลุ่มบุคคลที่กำหนดไว้ในช่วงเวลาหนึ่งเพื่อประมาณอุบัติการณ์ ความเสี่ยง หรืออัตราของผลลัพธ์ โดยใช้การอนุมานทางสถิติแบบเบย์เพื่อรวมความรู้เดิมและวัดปริมาณความไม่แน่นอนผ่านการแจกแจงความน่าจะเป็นภายหลัง (posterior probability distributions) แทนที่จะใช้ค่า p-value และช่วงความเชื่อมั่นแบบดั้งเดิม เป็นการผสมผสานการออกแบบการสังเกตการณ์ตามระยะเวลาของการศึกษาแบบกลุ่มเข้ากับตรรกะการปรับปรุงความน่าจะเป็นของการวิเคราะห์แบบเบย์ ทำให้สามารถวัดปริมาณความไม่แน่นอนได้อย่างสมบูรณ์ยิ่งขึ้น และปรับปรุงข้อมูลตามลำดับเมื่อข้อมูลสะสมมากขึ้น
แนวคิดเบื้องหลังวิธีการ
ในการศึกษาแบบกลุ่มตามประชากรแบบมาตรฐาน คุณจะรวบรวมกลุ่มคน สังเกตว่าใครเกิดผลลัพธ์เมื่อเวลาผ่านไป จากนั้นจึงคำนวณอัตราอุบัติการณ์แบบถี่ (frequentist incidence rate) หรืออัตราส่วนอันตราย (hazard ratio) พร้อมช่วงความเชื่อมั่น 95% การศึกษาแบบกลุ่มตามประชากรแบบเบย์จะทำการติดตามเช่นเดียวกัน แต่จะถามว่า: เมื่อพิจารณาจากสิ่งที่เราทราบอยู่แล้วก่อนการศึกษา (ซึ่งเข้ารหัสเป็นการแจกแจงก่อนหน้า - prior distribution) และเมื่อพิจารณาจากข้อมูลใหม่ที่เราเพิ่งรวบรวมได้ (ฟังก์ชันความควรจะเป็น - likelihood) เราควรเชื่ออะไรเกี่ยวกับความเสี่ยงหรืออันตรายที่แท้จริงในตอนนี้ (การแจกแจงภายหลัง - posterior distribution)? การแจกแจงภายหลังคือเส้นโค้งความน่าจะเป็นที่สมบูรณ์ คุณสามารถอ่านค่าความน่าจะเป็นที่ความเสี่ยงเกินกว่าเกณฑ์ใดๆ สื่อสารช่วงความน่าเชื่อถือ (credible intervals) ที่ตีความได้ง่ายกว่าช่วงความเชื่อมั่นแบบถี่ และปรับปรุงความเชื่อของคุณอีกครั้งเมื่อข้อมูลชุดถัดไปมาถึง
ประวัติศาสตร์
ทฤษฎีความน่าจะเป็นแบบเบย์มีรากฐานมาจาก Thomas Bayes (1763) และได้รับการขยายโดย Pierre-Simon Laplace การประยุกต์ใช้ระบาดวิทยาได้รับแรงผลักดันในทางปฏิบัติในช่วงทศวรรษ 1990 เมื่ออัลกอริทึม MCMC กลายเป็นไปได้ในเชิงคำนวณ บทความที่มีอิทธิพลของ Sander Greenland ในวารสาร International Journal of Epidemiology (2006–2007) ได้โต้แย้งอย่างเป็นระบบสำหรับแนวทางแบบเบย์และกึ่งเบย์ในการระบาดวิทยาเชิงสังเกต หนังสือเรียนปี 2004 ของ Spiegelhalter และคณะ ได้รวบรวมวิธีการแบบเบย์สำหรับการทดลองทางคลินิกและการประเมินผลด้านสุขภาพ ซึ่งเป็นโครงสร้างพื้นฐานทางระเบียบวิธีที่นำมาใช้กับการศึกษาแบบกลุ่มตามประชากรในเวลาต่อมา
ควรใช้เมื่อใด
ใช้การศึกษาแบบกลุ่มตามประชากรแบบเบย์เมื่อคุณมีหลักฐานก่อนหน้าที่มีข้อมูล (เช่น ข้อมูลจากการศึกษาแบบกลุ่มก่อนหน้า การประมาณค่าจากการวิเคราะห์อภิมาน (meta-analytic estimates) บรรทัดฐานของหน่วยงานกำกับดูแล) ที่สามารถนำมารวมอย่างเป็นทางการเพื่อเพิ่มความแม่นยำในการอนุมาน หรือเมื่อคุณต้องการข้อความแสดงความน่าจะเป็นโดยตรงเกี่ยวกับพารามิเตอร์ แทนที่จะเป็น p-value แบบถี่ นอกจากนี้ยังเหมาะสำหรับการติดตามข้อมูลกลุ่มตามประชากรที่สะสมอย่างต่อเนื่องหรือแบบปรับเปลี่ยนได้ (sequential or adaptive monitoring) และสำหรับผลลัพธ์ที่หายากซึ่งการแจกแจงก่อนหน้าสามารถชดเชยเหตุการณ์ที่จำกัดได้บางส่วน อย่าใช้เมื่อการระบุการแจกแจงก่อนหน้าเป็นที่ถกเถียงกันอย่างมากและผู้มีส่วนได้ส่วนเสียจะไม่ยอมรับองค์ประกอบที่เป็นอัตวิสัย (subjective component) ในการวิเคราะห์ หรือเมื่อบริบทการวิจัยต้องการกรอบการทดสอบสมมติฐานล้วนๆ การศึกษาแบบกลุ่มตามประชากรแบบทั่วไปที่วิเคราะห์ด้วยแบบจำลองแบบผสม (mixed-effects) หรือแบบจำลอง Cox จะง่ายกว่าเมื่อกลุ่มตัวอย่างมีขนาดใหญ่ การแจกแจงก่อนหน้าไม่มีข้อมูล และไม่มีการปรับปรุงตามลำดับที่วางแผนไว้
ข้อจำกัดและข้อควรพิจารณา
- การระบุการแจกแจงก่อนหน้าจำเป็นต้องมีการให้เหตุผล การแจกแจงก่อนหน้าที่เลือกไม่ดีหรือไม่เปิดเผยอาจทำให้ผลลัพธ์เอนเอียงโดยไม่ชัดเจนต่อผู้อ่าน
- การคำนวณ MCMC ช้ากว่าและต้องการความเชี่ยวชาญทางเทคนิคมากกว่าซอฟต์แวร์แบบถี่มาตรฐาน ต้องมีการตรวจสอบการลู่เข้า
- ผลลัพธ์อาจสื่อสารได้ยากกว่าสำหรับกลุ่มเป้าหมายทางคลินิกหรือผู้กำหนดนโยบายที่ไม่คุ้นเคยกับการแจกแจงภายหลังและช่วงความน่าเชื่อถือ
- หน่วยงานกำกับดูแลและผู้ทบทวนวารสารในบางสาขายังคงคาดหวังการวิเคราะห์หลักแบบถี่ การวิเคราะห์แบบเบย์อาจถูกจำกัดให้อยู่ในส่วนเสริม
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ช่วยให้สามารถรวมหลักฐานภายนอกหรือความรู้ของผู้เชี่ยวชาญเข้ากับการแจกแจงก่อนหน้าได้อย่างเป็นทางการ เพิ่มประสิทธิภาพสำหรับผลลัพธ์ที่หายาก
- ให้ผลลัพธ์ความน่าจะเป็นภายหลังที่สามารถตีความได้โดยตรง (เช่น 'ความน่าจะเป็นที่อัตราอุบัติการณ์เกิน X') ซึ่งเข้าใจง่ายกว่าค่า p-value แบบถี่
- สนับสนุนการวิเคราะห์ตามลำดับและแบบปรับเปลี่ยนได้: การแจกแจงภายหลังจากชุดข้อมูลหนึ่งจะกลายเป็นการแจกแจงก่อนหน้าสำหรับชุดถัดไป ทำให้สามารถปรับปรุงความเชื่อได้อย่างโปร่งใส
- ช่วงความน่าเชื่อถือมีการตีความเชิงความน่าจะเป็นที่โดยทั่วไปแล้วช่วงความเชื่อมั่นแบบถี่ (ผิดพลาด) ถูกสันนิษฐานว่ามี
- รองรับข้อมูลที่ขาดหายไปและโครงสร้างแบบลำดับชั้น (hierarchical structures) ได้อย่างเป็นธรรมชาติผ่านกรอบการสร้างแบบจำลอง (generative modelling framework)
การประยุกต์ใช้
- การประมาณอุบัติการณ์มะเร็งและอัตราส่วนความเสี่ยงในกลุ่มประชากรตามอาชีพหรือสิ่งแวดล้อม โดยใช้ข้อมูลก่อนหน้าจากการศึกษาในทะเบียน
- การติดตามประสิทธิภาพของวัคซีนในการเฝ้าระวังกลุ่มประชากรหลังการอนุญาต โดยมีการปรับปรุงตามลำดับเมื่อข้อมูลการติดตามสะสมเพิ่มขึ้น
- การประเมินอัตราการเกิดเหตุการณ์ทางหัวใจและหลอดเลือดในกลุ่มประชากรผู้ป่วยตามระยะเวลา ซึ่งมีข้อมูลก่อนหน้าที่มีข้อมูลจากการทดลองทางคลินิก
- การศึกษาอุบัติการณ์ของโรคหายากในกลุ่มประชากรที่อิงตามทะเบียน ซึ่งการหดตัวแบบเบย์ (Bayesian shrinkage) ช่วยให้ประมาณค่าเซลล์ขนาดเล็กมีความเสถียร
- กลุ่มประชากรด้านความปลอดภัยทางเภสัชระบาดวิทยา (Pharmacoepidemiological safety cohorts) ซึ่งหน่วยงานกำกับดูแลยอมรับการวิเคราะห์ทุติยภูมิแบบเบย์ควบคู่ไปกับการวิเคราะห์หลักแบบถี่
วิธีการทำงาน
วิธีการทำงาน
กำหนดกลุ่มประชากรเป้าหมาย เกณฑ์คุณสมบัติ การสัมผัสที่สนใจ ผลลัพธ์ และระยะเวลาการติดตามที่วางแผนไว้ ลงทะเบียนแผนการวิเคราะห์ล่วงหน้า รวมถึงการเลือกการแจกแจงก่อนหน้าและแบบจำลองความควรจะเป็น ขั้นตอนนี้จะเหมือนกับการวางแผนการศึกษาแบบกลุ่มตามประชากรแบบมาตรฐาน และมีความสำคัญอย่างยิ่งต่อความโปร่งใส
ระบุการแจกแจงก่อนหน้า p(θ) สำหรับพารามิเตอร์หลักแต่ละตัว (เช่น อัตราอุบัติการณ์ อัตราส่วนอันตราย) การแจกแจงก่อนหน้าอาจมีข้อมูล (อิงตามการศึกษาครั้งก่อนหรือความคิดเห็นของผู้เชี่ยวชาญ) มีข้อมูลเล็กน้อย หรือไม่มีข้อมูลเลย ควรวางแผนการวิเคราะห์ความไว (sensitivity analyses) ด้วยการแจกแจงก่อนหน้าทางเลือกในขั้นตอนนี้
สูตร
p(\theta)
รับสมัครกลุ่มประชากรและติดตามผู้เข้าร่วมแบบไปข้างหน้า (prospective) (หรือดึงข้อมูลย้อนหลัง - retrospective) วัดสถานะการสัมผัส ตัวแปรร่วม (covariates) และการเกิดผลลัพธ์เป็นระยะๆ หลักการคุณภาพข้อมูลของการศึกษาแบบกลุ่มตามประชากรแบบมาตรฐานยังคงใช้ได้: ลดการสูญเสียจากการติดตามให้น้อยที่สุด และจัดการกับตัวแปรร่วมที่เปลี่ยนแปลงตามเวลา (time-varying confounders)
สร้างฟังก์ชันความควรจะเป็น L(θ | data) ที่เชื่อมโยงผลลัพธ์ที่สังเกตได้กับพารามิเตอร์ที่สนใจ แบบจำลองทั่วไป ได้แก่ การถดถอยแบบปัวซง (Poisson regression) สำหรับอัตราอุบัติการณ์ แบบจำลอง Cox หรือ Weibull สำหรับผลลัพธ์แบบเวลาจนเกิดเหตุ (time-to-event outcomes) และการถดถอยแบบโลจิสติก (logistic regression) สำหรับความเสี่ยงสะสม ในบริบทแบบเบย์ สิ่งเหล่านี้จะถูกเข้ารหัสในภาษาโปรแกรมเชิงความน่าจะเป็น เช่น Stan หรือ JAGS
สูตร
L(\theta | \text{data})รวมการแจกแจงก่อนหน้าและฟังก์ชันความควรจะเป็นเข้าด้วยกันผ่านทฤษฎีบทของเบย์ (Bayes' theorem) เพื่อให้ได้การแจกแจงภายหลัง p(θ | data) ซึ่งเป็นสัดส่วนกับ p(θ) คูณ L(θ | data) การประมาณค่ามักจะดำเนินการด้วยการสุ่มตัวอย่างแบบลูกโซ่มาร์คอฟ (Markov Chain Monte Carlo - MCMC) ต้องมีการประเมินการวินิจฉัยการลู่เข้า (convergence diagnostics) (เช่น Gelman-Rubin R-hat, trace plots) ก่อนที่จะสรุปผล
สูตร
p(\theta | \text{data}) \propto p(\theta) \cdot L(\theta | \text{data})สรุปการแจกแจงภายหลังด้วยค่าประมาณจุด (ค่ามัธยฐานหรือค่าเฉลี่ยภายหลัง) ช่วงความน่าเชื่อถือ 95% และข้อความแสดงความน่าจะเป็น (เช่น 'ความน่าจะเป็นที่ HR > 1 คือ 0.97') รายงานข้อกำหนดของการแจกแจงก่อนหน้าและการวิเคราะห์ความไว ปฏิบัติตามแนวทางการรายงานการศึกษาแบบกลุ่ม STROBE และเพิ่มเติมด้วยรายการเฉพาะของเบย์ เช่น การให้เหตุผลสำหรับการแจกแจงก่อนหน้าและการวินิจฉัย MCMC
ข้อผิดพลาดที่พบบ่อย
- การเลือกการแจกแจงก่อนหน้าที่มีข้อมูลเพื่อสนับสนุนข้อสรุปที่ต้องการโดยเจตนา — ต้องรายงานการวิเคราะห์ความไวของการแจกแจงก่อนหน้าเพื่อให้ผู้อ่านสามารถประเมินความแข็งแกร่งของข้อสรุปได้
- การไม่ประเมินการลู่เข้าของ MCMC ก่อนรายงานผลการแจกแจงภายหลัง — ลูกโซ่ที่ไม่ลู่เข้าจะให้ค่าประมาณพารามิเตอร์ที่ไม่มีความหมาย
- การตีความช่วงความน่าเชื่อถือผิดพลาดว่าเป็นช่วงความเชื่อมั่น — ทั้งสองอย่างถูกต้อง แต่ตอบคำถามต่างกัน อย่าผสมภาษา
- การละเลยภัยคุกคามต่อความตรง (validity) ของการศึกษาแบบกลุ่มตามประชากรแบบมาตรฐาน (ความเอนเอียงจากการเลือก ความสูญเสียจากการติดตาม การทำให้สับสนที่เปลี่ยนแปลงตามเวลา) — การอนุมานแบบเบย์ไม่สามารถแก้ไขข้อบกพร่องของการออกแบบได้
- การใช้การแจกแจงก่อนหน้าแบบไม่มีข้อมูลเมื่อมีหลักฐานภายนอกที่แข็งแกร่ง — เป็นการทิ้งข้อมูลที่มีประโยชน์และมักให้ผลลัพธ์เช่นเดียวกับการวิเคราะห์แบบถี่โดยไม่มีข้อดีของเบย์
คำถามที่พบบ่อย
การศึกษาแบบกลุ่มตามประชากรแบบเบย์เป็นการสังเกตการณ์หรือการทดลองหรือไม่?
เป็นการสังเกตการณ์ ส่วน 'แบบเบย์' หมายถึงกรอบการวิเคราะห์ทางสถิติ ไม่ใช่การออกแบบการศึกษา การออกแบบแบบกลุ่ม — การติดตามกลุ่มบุคคลที่กำหนดไว้ในช่วงเวลาหนึ่งโดยไม่มีการจัดการทดลอง — ยังคงเหมือนเดิม วิธีการแบบเบย์ถูกนำมาใช้ในขั้นตอนการวิเคราะห์เพื่อประมาณค่าพารามิเตอร์อุบัติการณ์ ความเสี่ยง หรืออันตราย
ฉันจะเลือกการแจกแจงก่อนหน้าได้อย่างไร?
การแจกแจงก่อนหน้าควรรองรับความรู้ก่อนการศึกษาก่อนหน้าอย่างแท้จริง: การวิเคราะห์อภิมานที่ตีพิมพ์ ข้อมูลจากการศึกษาแบบกลุ่มก่อนหน้า หรือการรวบรวมความคิดเห็นของผู้เชี่ยวชาญอย่างเป็นระบบ การแจกแจงก่อนหน้าที่มีข้อมูลเล็กน้อย (เช่น half-normal บน log hazard ratios) เป็นค่าเริ่มต้นที่สามารถป้องกันได้เมื่อหลักฐานภายนอกมีน้อย ควรรายงานการแจกแจงก่อนหน้าเสมอ และทำการวิเคราะห์ความไวด้วยการแจกแจงก่อนหน้าทางเลือกอย่างน้อยหนึ่งรายการเพื่อแสดงให้เห็นว่าข้อสรุปมีความแข็งแกร่งเพียงใด
ฉันสามารถใช้ซอฟต์แวร์มาตรฐานเช่น R หรือ Stata ได้หรือไม่?
ได้ ภาษาโปรแกรมเชิงความน่าจะเป็น Stan (ผ่านส่วนต่อประสาน RStan หรือ CmdStanR ของ R) เป็นแพลตฟอร์มที่ใช้กันอย่างแพร่หลายที่สุดสำหรับแบบจำลองกลุ่มตามประชากรแบบเบย์ JAGS (ผ่าน rjags) เป็นทางเลือกหนึ่ง แบบจำลองการรอดชีวิตแบบเบย์ (Bayesian survival models) ก็มีให้ใช้งานผ่านแพ็กเกจ brms ของ R ซึ่งมีส่วนต่อประสานตามสูตร (formula-based interface) ไปยัง Stan การวิเคราะห์กลุ่มตามประชากรแบบถี่มาตรฐานใน R หรือ Stata สามารถกำหนดค่าใหม่ในเครื่องมือแบบเบย์เหล่านี้ได้โดยใช้ความพยายามเพิ่มเติมเล็กน้อย
การวิเคราะห์แบบเบย์สามารถชดเชยกลุ่มตัวอย่างขนาดเล็กได้หรือไม่?
การแจกแจงก่อนหน้าที่มีข้อมูลสามารถเพิ่มความแม่นยำได้เมื่อกลุ่มตัวอย่างมีเหตุการณ์น้อย แต่ไม่สามารถช่วยกอบกู้การศึกษาที่ขาดพลัง (underpowered) โดยพื้นฐานได้ หากการแจกแจงก่อนหน้ามีอิทธิพลเนื่องจากข้อมูลเบาบางเกินไป ข้อสรุปจะสะท้อนความเชื่อก่อนหน้ามากกว่าหลักฐานใหม่ การรายงานความสัมพันธ์นี้และการวิเคราะห์ความไวของการแจกแจงก่อนหน้าอย่างโปร่งใสเป็นสิ่งจำเป็น
แตกต่างจากการทดลองทางคลินิกแบบสุ่มตัวอย่างแบบเบย์อย่างไร?
ความแตกต่างพื้นฐานคือการออกแบบ: การทดลองทางคลินิกแบบสุ่มกำหนดการสัมผัสแบบทดลอง ทำให้สามารถอนุมานเชิงสาเหตุได้ การศึกษาแบบกลุ่มจะสังเกตการสัมผัสที่เกิดขึ้นตามธรรมชาติและต้องควบคุมการทำให้สับสน (confounding) ด้วยการวิเคราะห์ ทั้งสองวิธีสามารถใช้วิธีการอนุมานแบบเบย์ในขั้นตอนการวิเคราะห์ได้ แต่การควบคุมการทำให้สับสน (ผ่าน propensity scores, การปรับค่าการถดถอย หรือ g-methods) ยังคงมีความจำเป็นในรูปแบบการศึกษาแบบกลุ่ม และไม่จำเป็นในการทดลองที่สุ่มอย่างเหมาะสม
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN: 978-0471499756คัดลอกแล้วGreenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765–775.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว