Bayesci Vaka-Kontrol Çalışması
- Ortaya koyan
- Sander Greenland (Bayesian epidemiology formalization); earlier Bayesian logistic methods: Leonard (1972)
- Yıl
- 1990s–2000s (systematic application); Bayesian inference foundations: Bayes/Laplace 18th–19th c.
- Tür
- Observational analytic study with Bayesian inference
- Aile
- Clinical / epidemiology
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Bayesci bir vaka-kontrol çalışması, klasik vaka-kontrol epidemiyolojik tasarımına Bayes istatistiksel çıkarımını uygular; bu çalışma, maruz kalma-hastalık ilişkileri hakkındaki önsel bilgiyi gözlemlenen vaka ve kontrol verileriyle resmi olarak birleştirerek sonsal oranlar ve güven aralıkları tahmin eder.
Gözlemlenen verilere tek başına güvenmek yerine, Bayes çerçevesi araştırmacıların önsel çalışmalar, uzman bilgisi veya mekanik anlayış gibi dış kanıtları analize dahil etmelerine olanak tanır; bu da klasik p-değerleri ve güven aralıklarından genellikle daha yorumlanabilir olan etki büyüklükleri hakkında olasılık ifadeleri üretir.
Yöntemin mantığı
Standart bir vaka-kontrol çalışmasında, hastalığa yakalanmış kişileri (vakalar) ve yakalanmamış benzer kişileri (kontroller) belirlersiniz, ardından risk faktörlerini belirlemek için geçmiş maruziyetlerini karşılaştırırsınız. Bayesci versiyon, kritik bir katman ekler: verilerinize bakmadan önce, maruz kalma-hastalık ilişkisi hakkındaki mevcut inancınızı - belki önceki çalışmalardan veya biyolojik makullükten - önsel bir olasılık dağılımı olarak resmi olarak belirtirsiniz. Topladığınız veriler, Bayes teoremi aracılığıyla bu önseli güncelleyerek, önsel inancı yeni kanıtlarla harmanlayan bir sonsal dağılım üretir. Verileriniz bir yönü güçlü bir şekilde destekliyorsa, sonsal dağılım önselden bağımsız olarak bunu yansıtacaktır; veriler seyrek veya gürültülü ise, önsel aşırı ve güvenilmez tahminleri önleyen anlamlı bir düzenlileştirme sağlar.
Tarih
Vaka-kontrol metodolojisi yirminci yüzyılın ortalarında biçimlendirilmiş olup, Cornfield'ın 1951'de oranların nadir hastalıklarda göreceli riski yaklaştırdığını gösteren çalışması temel bir sonuç sağlamıştır. Epidemiyolojide Bayesci yaklaşımlar 1970'lerde ortaya çıkmaya başlamış, Dempster ve diğerleri biyomedikal bağlamlarda olasılıksal çıkarımı araştırmıştır. Sander Greenland'ın 2000'lerdeki etkili makaleler dizisi - özellikle 2006 tarihli International Journal of Epidemiology makalesi - uygulayıcı epidemiyologlar için Bayesci perspektifleri sistematize etmiş ve Bayesci lojistik regresyonun vaka-kontrol ve kohort çalışmalarında çıkarımı nasıl iyileştirebileceğini göstermiştir. 1990'lardan itibaren erişilebilir MCMC yazılımlarının (WinBUGS, JAGS, Stan) büyümesi, rutin uygulamayı mümkün kılmıştır.
Ne zaman kullanılır?
Anlamlı önsel bilgiye (örneğin, önceki bir meta-analizden veya mekanik bilgiden) sahip olduğunuz ve analize resmi olarak dahil etmek istediğiniz bir maruz kalma-hastalık ilişkisi olduğunda veya çalışma küçük olduğunda ve aşırı derecede aşırı oran tahminlerini önlemek için prensipli bir düzenlileştirmeye ihtiyaç duyduğunuzda bir Bayesci vaka-kontrol çalışması kullanın. Ayrıca, araştırma sorusunun ikili bir anlamlılık kararı yerine doğrudan bir olasılık ifadesi ('OR'nin 2'yi aşma olasılığı nedir?') gerektirdiği durumlarda da uygundur. Araştırma ekibinin Bayesci modelleme uzmanlığı eksik olduğunda, önsel belirlemenin paydaşlar arasında yüksek derecede tartışmalı olduğu durumlarda, kesinlikle sıklıkçı bir kitleyle şeffaflığın en önemli olduğu durumlarda veya örneklem büyüklüklerinin önsel seçimin sonsal üzerinde ihmal edilebilir bir fark yarattığı kadar büyük olduğu durumlarda bu yaklaşımı kullanmayın.
Sınırlar ve dikkat edilmesi gerekenler
- Önsel belirleme özneldir; seçimler gerekçelendirilmeli ve ideal olarak makul önsel aralıklar üzerinde duyarlılık analizi yapılmalıdır.
- MCMC hesaplaması, standart bir lojistik regresyon çalıştırmaktan önemli ölçüde daha karmaşık ve zaman alıcıdır.
- Sonuçlar, sıklıkçı yöntemlerin standart olduğu bağlamlarda hakemler veya düzenleyici kurumlar tarafından kabul edilmeyebilir.
- Önsel çok bilgilendirici olduğunda ve veriler sınırlı olduğunda, sonsal büyük ölçüde önsel tarafından yönlendirilir, bu da yeni çalışmanın katkısının değerlendirilmesini zorlaştırır.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Önsel kanıtları resmi ve şeffaf bir şekilde dahil ederek, seyrek verilerin aşırı yorumlanması riskini azaltır.
- Sıklıkçı güven aralıklarından daha sezgisel olan doğrudan olasılık yorumlarına sahip güven aralıkları üretir.
- Önsel düzenlileştirme yoluyla maksimum olasılık yöntemlerinden daha iyi bir şekilde küçük örneklem boyutlarını ve nadir maruziyetleri ele alır.
- Belirsizliğin tüm kaynaklarını - karıştırıcılar ve ölçüm hatası hakkındaki belirsizlikler dahil - sonsal dağılım yoluyla doğal olarak yayar.
- Karar analizi uzantılarını kolaylaştırır: sonsal dağılımlar doğrudan sağlık-ekonomik veya risk-fayda modellerine beslenebilir.
Uygulama alanları
- Klasik tahminleri kararsız hale getiren az sayıda vakanın olduğu nadir ilaç reaksiyonlarını değerlendiren farmakoepidemiyolojik çalışmalar.
- Binlerce eşzamanlı maruz kalma testini düzenlemek için önsel biyolojik makullüğü dahil eden genetik epidemiyoloji ve genom çapında ilişkilendirme çalışmaları.
- Önsel toksikolojik kanıtların resmi olarak kodlanabileceği mesleki veya kimyasal maruziyetleri hastalıkla ilişkilendiren çevresel epidemiyoloji.
- Sınırlı vaka sayısına sahip cerrahi komplikasyonlar veya sağlık hizmetiyle ilişkili enfeksiyonlar üzerine hastane bazlı vaka-kontrol çalışmaları.
- Yeni verileri mevcut kanıtlarla resmi olarak sentezlemeye izin veren önsel bir meta-analizin mevcut olduğu kanser epidemiyolojisi çalışmaları.
- Hızlı karar vermenin ikili anlamlılık testleri yerine maruz kalma riski hakkında olasılık ifadeleri gerektirdiği bulaşıcı hastalık salgını araştırmaları.
Nasıl çalışır?
Nasıl çalışır?
Geleneksel çalışmalarla aynı vaka-kontrol tasarım ilkelerini kullanarak - eşleştirme, vaka-kontrol oranı ve maruz kalma belirleme kararları dahil olmak üzere - ilgilenilen sonucu olan bireyleri (vakalar) ve sonucu olmayan bireyleri (kontroller) aynı kaynak popülasyonundan seçin. Bayesci yaklaşım, yalnızca takip eden istatistiksel analizi değil, çalışma tasarımının kendisini değiştirmez.
Mevcut kanıtlara, meta-analizlere veya temel alan bilgisine dayalı olarak log-oran (ve diğer model parametreleri) için önsel dağılımları belirtin. Önsel bilgi sınırlı olduğunda log-OR ölçeğinde Normal(0, 2.5) gibi zayıf bilgilendirici bir önsel makul bir varsayılan değerdir; ilgili kanıtlar mevcut olduğunda önceki bir çalışmadan türetilen bilgilendirici bir önsel kullanılabilir.
Formül
\pi(\beta) \propto \text{Normal}(\mu_0, \sigma_0^2)Vakalar ve kontroller için maruz kalma ve kovaryat verilerini toplayın. Maruziyetler geriye dönük olarak belirlenir (tıbbi kayıtlar, görüşmeler, biyobelirteçler). Geri çağırma yanlılığına, temsili bir kaynak popülasyonunun seçimine ve karıştırıcı kontrolüne dikkat edilmesi, klasik vaka-kontrol çalışmalarında olduğu kadar önemlidir.
Maruz kalma ve kovaryatları bir vakanın log-olasılığına bağlayan olasılık fonksiyonunu - tipik olarak bir lojistik regresyon modeli - formüle edin. Olasılık fonksiyonu, gözlemlenen verilerin önsel inançlardan bağımsız olarak oranlar hakkındaki bilgiyi yakalar.
Formül
L(\beta | y) = \prod_{i=1}^{n} p_i^{y_i}(1-p_i)^{1-y_i},\; p_i = \text{logistic}(X_i\beta)Önseli ve olasılık fonksiyonunu Bayes teoremi aracılığıyla birleştirerek log-OR'nin sonsal dağılımını elde edin. Uygulamada bu, Stan, JAGS veya brms R paketi gibi yazılımlar kullanılarak Markov Zinciri Monte Carlo (MCMC) örneklemesi ile hesaplanır.
Formül
\pi(\beta | y) \propto L(\beta | y)\, \pi(\beta)
Sonsal dağılımı özetleyin: oranlar için nokta tahmini olarak sonsal medyan veya ortalamayı ve belirsizlik ölçüsü olarak %95 güven aralığını (sonsal olasılık kütlesinin %95'ini içeren aralık) raporlayın. Güven aralığı, klasik bir güven aralığının aksine doğrudan bir olasılık yorumuna sahiptir; bu da klinisyenler ve politika yapıcılar için genellikle daha sezgiseldir.
Formül
\text{OR} = e^{\beta},\; 95\% \text{ credible interval from posterior}Sık yapılan hatalar
- Farklı bir popülasyondaki veya maruz kalma tanımındaki bir çalışmadan türetilen bilgilendirici bir önselin yeterli gerekçe olmaksızın kullanılması - bu, sonsalı yanıltıcı bir tahmine doğru yanlı hale getirebilir.
- Alternatif önseller üzerinde duyarlılık analizi yapmadan yalnızca nokta tahminini raporlamak; hakemlerin önselin ne kadar etkili olduğunu değerlendirme yolu yoktur.
- MCMC zincirlerindeki yakınsama başarısızlıklarının tespit edilmemesi - sonuçları yorumlamadan önce her zaman izleme grafikleri, R-hat istatistikleri ve etkili örneklem boyutlarını inceleyin.
- Bayesci güven aralığını yazıdaki klasik bir güven aralığı olarak ele almak veya tam tersi - ikisi farklı yorumlara sahiptir ve karıştırılmamalıdır.
- Bayesci analizin bunları düzelteceği varsayımıyla klasik vaka-kontrol geçerlilik sorunlarını (geri çağırma yanlılığı, seçim yanlılığı, uygun eşleştirme) ihmal etmek - bu doğru değildir.
Sık sorulan sorular
Standart bir vaka-kontrol çalışmasından bir Bayesci vaka-kontrol çalışmasını farklı kılan nedir?
Çalışma tasarımı - vakaların ve kontrollerin seçilmesi, maruziyetlerin belirlenmesi, karıştırıcıların kontrol edilmesi - aynıdır. Fark, tamamen istatistiksel analizdedir: maksimum olasılık lojistik regresyon yerine, Bayesci yaklaşım parametreler için önsel dağılımları belirtir, Bayes teoremi aracılığıyla sonsal dağılımı hesaplar ve güven aralıkları ve p-değerleri yerine güven aralıklarını raporlar.
Oranlar için önsel dağılımı nasıl seçerim?
Log-OR ölçeğinde Normal(0, 2.5) gibi zayıf bilgilendirici bir önsel ile başlayın; bu, büyük etkilere izin verir ancak veri desteği olmayan aşırı değerleri caydırır. Aynı maruz kalma-hastalık çifti için karşılaştırılabilir bir popülasyonda yüksek kaliteli bir önceki çalışma veya meta-analiz varsa, rapor edilen tahmininden ve standart hatasından bilgilendirici bir önsel türetebilirsiniz. Sonsalın seçiminize ne kadar bağlı olduğunu değerlendirmek için modeli en az bir alternatif önsel ile yeniden çalıştırarak her zaman bir duyarlılık analizi yapın.
En iyi epidemiyoloji dergilerinde bir Bayesci vaka-kontrol çalışması yayınlanabilir mi?
Evet. Bayesci yöntemler, özellikle küçük örneklemler, çoklu karşılaştırmalar veya açık önsel kanıt sentezi içeren çalışmalar için epidemiyoloji dergilerinde giderek daha fazla kabul görmektedir. Anahtar, önselin tam gerekçelendirilmesi, önsel duyarlılık analizlerinin şeffaf raporlanması ve okuyucu karşılaştırılabilirliği için geleneksel etki tahminlerinin yanında sonsal özetlerin net sunumudur.
Bayesci vaka-kontrol analizi için hangi yazılımları kullanabilirim?
En yaygın araçlar Stan (brms veya rstan R paketleri aracılığıyla erişilir), JAGS (rjags aracılığıyla) ve Python'da PyMC'dir. R'deki brms paketi, Bayesci lojistik regresyon için özellikle kullanıcı dostudur ve örnekleyici kodu hakkında minimum bilgi gerektirir. Karmaşık ölçüm hatası düzeltmeleri veya hiyerarşik yapılar için Stan en fazla esnekliği sunar.
Bayesci vaka-kontrol tasarımı eşleştirilmiş çalışmalar için kullanabilir miyim?
Evet. Eşleştirilmiş vaka-kontrol tasarımları, sıklıkçı çerçevede koşullu lojistik regresyon kullanılarak analiz edilebilir; Bayesci analoğu, maruz kalma katsayıları üzerindeki önsellerle koşullu bir olasılık fonksiyonu kullanır. Bu, Bayesci çıkarımın faydalarını korurken eşleştirilmiş karıştırıcılar için tasarımın kontrolünü sürdürür. Uygulama, koşullu olasılık fonksiyonunu Stan veya JAGS'de doğru bir şekilde belirlemede dikkat gerektirir.
İlgili yöntemler
Kaynaklar
Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765-775.
DOI kaynağını açKopyalandı.Gustafson, P. (2004). Measurement Error and Misclassification in Statistics and Epidemiology: Impacts and Bayesian Adjustments. Chapman and Hall/CRC.
ISBN: 978-1584884316Kopyalandı.