Bayesçi Kohort Çalışması
- Ortaya koyan
- Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
- Yıl
- 1990s–2000s (widespread adoption in epidemiology)
- Tür
- Observational longitudinal study with Bayesian inference
- Aile
- Clinical / epidemiology
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Bir Bayesçi kohort çalışması, Bayesçi istatistiksel çıkarımı kullanarak önceki bilgileri dahil etmek ve klasik p-değerleri ve güven aralıkları yerine sonsal olasılık dağılımları aracılığıyla belirsizliği ölçmek amacıyla, insidans, risk veya sonuç oranını tahmin etmek için tanımlanmış bir birey grubunu zaman içinde takip eder.
Kohort çalışmasının boylamsal gözlemsel tasarımını Bayesçi analizin olasılık güncelleme mantığıyla birleştirerek, veri biriktikçe daha zengin belirsizlik ölçümü ve ardışık güncellemeler sağlar.
Yöntemin mantığı
Standart bir kohort çalışmasında bir grup insanı işe alır, zaman içinde kimin sonucu geliştirdiğini gözlemler ve ardından %95 güven aralığı ile sıklıkçı bir insidans oranı veya tehlike oranı hesaplarsınız. Bir Bayesçi kohort çalışması da aynı takibi yapar ancak şu soruyu sorar: çalışma öncesinde zaten bildiklerimiz (önsel dağılım olarak kodlanmış) ve az önce topladığımız yeni veriler (olabilirlik) göz önüne alındığında, gerçek risk veya tehlike hakkında artık neye inanmalıyız (sonsal dağılım)? Sonsal, tam bir olasılık eğrisidir — riskin herhangi bir eşiği aşma olasılığını okuyabilir, sıklıkçı güven aralıklarından yorumlanması daha kolay olan inanılır aralıkları iletebilir ve bir sonraki veri dalgası geldiğinde inançlarınızı tekrar güncelleyebilirsiniz.
Tarih
Bayesçi olasılık teorisi Thomas Bayes (1763) tarafından ortaya atılmış ve Pierre-Simon Laplace tarafından genişletilmiştir. Epidemiyolojiye uygulaması, Markov Zinciri Monte Carlo algoritmaları hesaplama açısından fizibil hale geldikçe 1990'larda pratik bir ivme kazandı. Sander Greenland'in International Journal of Epidemiology'deki etkili makaleleri (2006–2007), gözlemsel epidemiyolojide Bayesçi ve yarı-Bayesçi yaklaşımları sistematik olarak savundu. Spiegelhalter ve arkadaşlarının 2004 tarihli ders kitabı, klinik denemeler ve sağlık hizmetleri değerlendirmesi için Bayesçi yöntemleri kodlayarak, sonrasında kohort çalışmaları için yaygın olarak benimsenen metodolojik yapıyı sağladı.
Ne zaman kullanılır?
Bilgilendirici önsel kanıtların (örneğin, önceki kohort verileri, meta-analitik tahminler, düzenleyici emsal) çıkarımı keskinleştirmek için resmi olarak dahil edilebildiği durumlarda veya parametreler hakkında sıklıkçı p-değerleri yerine doğrudan olasılık ifadelerine ihtiyaç duyduğunuzda bir Bayesçi kohort çalışması kullanın. Ayrıca, biriken kohort verilerinin ardışık veya uyarlanabilir izlenmesi ve önselin sınırlı olayları kısmen telafi edebildiği nadir sonuçlar için de tercih edilir. Önsel spesifikasyonunun oldukça tartışmalı olduğu ve paydaşların analizde öznel bir bileşeni kabul etmeyeceği veya araştırma bağlamının tamamen hipotez testi çerçevesi gerektirdiği durumlarda kullanmayın. Örneklem büyük olduğunda, önseler bilgilendirici olmadığında ve ardışık güncelleme planlanmadığında, karışık etkiler veya Cox modelleriyle analiz edilen geleneksel bir kohort çalışması daha basittir.
Sınırlar ve dikkat edilmesi gerekenler
- Önsel spesifikasyonu gerekçe gerektirir; kötü seçilmiş veya açıklanmamış önseler, okuyuculara bariz olmadan sonuçları yanlı hale getirebilir.
- MCMC hesaplaması standart sıklıkçı yazılımlardan daha yavaş ve teknik olarak daha zordur; yakınsama doğrulanmalıdır.
- Sonuçların, sonsal dağılımlar ve inanılır aralıklar konusunda bilgisi olmayan klinik veya politika kitlelerine iletilmesi daha zor olabilir.
- Bazı alanlardaki düzenleyici kurumlar ve dergi hakemleri hala sıklıkçı birincil analizleri beklemektedir; Bayesçi analizler ikincil materyallere bırakılabilir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Önsel dağılımlar aracılığıyla harici kanıtların veya uzman bilgisinin resmi olarak dahil edilmesine izin vererek, nadir sonuçlar için verimliliği artırır.
- Doğrudan yorumlanabilir sonsal olasılıklar üretir (örneğin, 'insidans oranının X'i aşma olasılığı') — sıklıkçı p-değerlerinden daha sezgiseldir.
- Ardışık ve uyarlanabilir analizleri destekler: bir dalganın sonsal sonucu, bir sonraki için önsel olur, şeffaf inanç güncellemesini sağlar.
- İnanılır aralıklar, sıklıkçı güven aralıklarının yaygın olarak (yanlışlıkla) varsayıldığı olasılıksal yoruma sahiptir.
- Üretken modelleme çerçevesi aracılığıyla eksik verilere ve hiyerarşik yapılara doğal olarak uyum sağlar.
Uygulama alanları
- Kayıt çalışmalarıyla elde edilen önsel verilere sahip mesleki veya çevresel kohortlarda kanser insidansını ve göreceli riskleri tahmin etmek.
- Yeni takip verileri biriktikçe ardışık güncellemelerle, lisans sonrası kohort gözetiminde aşı etkinliğini izlemek.
- Klinik denemelerden elde edilen bilgilendirici önsel verilerin bulunduğu boylamsal hasta kohortlarında kardiyovasküler olay oranlarını değerlendirmek.
- Bayesçi büzülmenin küçük hücre tahminlerini stabilize ettiği kayıt tabanlı kohortlarda nadir hastalık insidansını incelemek.
- Düzenleyici kurumların sıklıkçı birincil analizlerin yanında Bayesçi ikincil analizleri kabul ettiği farmakoepidemiyolojik güvenlik kohortları.
Nasıl çalışır?
Nasıl çalışır?
Kohortu tanımlayın: hedef popülasyon, uygunluk kriterleri, ilgi çekici maruziyet, sonuç(lar) ve planlanan takip süresi. Önsel dağılımların ve olabilirlik modelinin seçilmesini içeren analiz planını önceden kaydedin. Bu adım standart kohort çalışması planlamasını yansıtır ve şeffaflık için kritiktir.
Her bir anahtar parametre (örneğin, insidans oranı, tehlike oranı) için önsel dağılımları p(theta) belirtin. Önseler bilgilendirici (önceki çalışmalara veya uzman görüşlerine dayanarak), zayıf bilgilendirici veya bilgilendirici olmayan olabilir. Alternatif önselerle duyarlılık analizleri bu aşamada planlanmalıdır.
Formül
p(\theta)
Kohortu işe alın ve katılımcıları prospektif olarak takip edin (veya kayıtları retrospektif olarak çıkarın). Maruziyet durumunu, kovaryetleri ve sonuç oluşumunu düzenli aralıklarla ölçün. Standart kohort çalışması veri kalitesi ilkeleri geçerlidir: takip kaybını en aza indirin ve zamanla değişen karıştırıcıları ele alın.
Gözlemlenen sonuçları ilgi çekici parametrelere bağlayan olabilirlik fonksiyonunu L(theta | veri) oluşturun. Yaygın modeller arasında insidans oranları için Poisson regresyonu, zamana-olay sonuçları için Cox veya Weibull modelleri ve kümülatif risk için lojistik regresyon bulunur. Bayesçi ortamlarda bunlar Stan veya JAGS gibi olasılıksal programlama dillerinde kodlanır.
Formül
L(\theta | \text{data})Bayes teoremi aracılığıyla önseli ve olabilirlik fonksiyonunu birleştirerek sonsal dağılımı p(theta | veri) elde edin, bu da p(theta) çarpı L(theta | veri) ile orantılıdır. Tahmin genellikle Markov Zinciri Monte Carlo (MCMC) örneklemesi ile yapılır. Sonuçları özetlemeden önce yakınsama tanıları (Gelman-Rubin R-hat, iz grafikleri) değerlendirilmelidir.
Formül
p(\theta | \text{data}) \propto p(\theta) \cdot L(\theta | \text{data})Sonsal dağılımları nokta tahminleri (sonsal medyan veya ortalama), %95 inanılır aralıklar ve olasılık ifadeleri ('örneğin, tehlike oranının 1'den büyük olma olasılığı %97') ile özetleyin. Önsel spesifikasyonları ve duyarlılık analizlerini raporlayın. STROBE kohort raporlama yönergelerini izleyin ve önsel gerekçelendirme ve MCMC tanıları gibi Bayesçi'ye özgü öğelerle destekleyin.
Sık yapılan hatalar
- İstenen bir sonucu kasıtlı olarak desteklemek için bilgilendirici bir önsel seçmek — okuyucuların sağlamlığı değerlendirebilmesi için önsel duyarlılık analizleri raporlanmalıdır.
- Sonsal sonuçları raporlamadan önce MCMC yakınsamasını değerlendirmemek — yakınsamayan zincirler anlamsız parametre tahminleri üretir.
- İnanılır aralıkları güven aralıklarıyla yorumlamada karıştırmak — her ikisi de geçerlidir ancak farklı soruları yanıtlarlar; dili karıştırmayın.
- Standart kohort çalışması geçerlilik tehditlerini (seçim yanlılığı, takip kaybı, zamanla değişen karıştırıcılar) göz ardı etmek — Bayesçi çıkarım tasarım kusurlarını çözmez.
- Güçlü harici kanıtlar varken bilgilendirici olmayan bir önsel uygulamak — bu, faydalı bilgiyi atar ve genellikle Bayesçi avantajlar olmadan sıklıkçı bir analizle aynı sonucu verir.
Sık sorulan sorular
Bir Bayesçi kohort çalışması gözlemsel midir yoksa deneysel midir?
Gözlemseldir. 'Bayesçi' kısmı çalışma tasarımını değil, istatistiksel analiz çerçevesini ifade eder. Tanımlanmış bir grubu deneysel manipülasyon olmadan zaman içinde takip etme şeklindeki kohort tasarımı değişmez. Bayesçi yöntemler, insidans, risk veya tehlike parametrelerini tahmin etmek için analiz aşamasında uygulanır.
Önsel dağılımı nasıl seçerim?
Önseler, yayınlanmış meta-analizler, önceki kohort verileri veya yapılandırılmış uzman görüşmeleri gibi gerçek çalışma öncesi bilgileri yansıtmalıdır. Harici kanıtların az olduğu durumlarda zayıf bilgilendirici önseler (örneğin, log tehlike oranları üzerinde yarı-normal) savunulabilir bir varsayılan değerdir. Her zaman önseli raporlayın ve sonuçların ne kadar sağlam olduğunu göstermek için en az bir alternatif önsel ile duyarlılık analizleri çalıştırın.
R veya Stata gibi standart yazılımları kullanabilir miyim?
Evet. Stan olasılıksal programlama dili (RStan veya CmdStanR R arayüzleri aracılığıyla) Bayesçi kohort modelleri için en yaygın kullanılan platformdur. JAGS (rjags aracılığıyla) bir alternatiftir. Bayesçi sağkalım modelleri ayrıca Stan'a formül tabanlı bir arayüz sağlayan brms R paketi aracılığıyla da mevcuttur. R veya Stata'daki standart sıklıkçı kohort analizleri, mütevazı ek çabayla bu Bayesçi araçlarda yeniden belirtilebilir.
Bayesçi analiz küçük bir kohortı telafi eder mi?
Bilgilendirici önseler, kohortta az sayıda olay olduğunda kesinliği artırabilir, ancak temelde yetersiz güçlendirilmiş bir çalışmayı kurtaramaz. Önsel, veriler çok seyrek olduğu için baskınsa, sonuçlar yeni kanıtlardan çok önsel inançları yansıtır. Bu ödünleşmenin şeffaf raporlanması ve önsel duyarlılık analizleri esastır.
Bu, Bayesçi randomize klinik denemeden nasıl farklıdır?
Temel fark tasarımda yatar: randomize klinik deneme, deneysel olarak maruziyeti atar ve nedensel çıkarıma olanak tanır; kohort çalışması doğal olarak oluşan maruziyetleri gözlemler ve karıştırıcıları analitik olarak kontrol etmelidir. Her ikisi de analiz aşamasında Bayesçi çıkarımı kullanabilir, ancak karıştırıcı kontrolü (eğilim skorları, regresyon ayarlaması veya g-yöntemleri aracılığıyla) kohort versiyonunda esastır ve düzgün randomize edilmiş bir denemede gereksizdir.
İlgili yöntemler
Kaynaklar
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN: 978-0471499756Kopyalandı.Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765–775.
DOI kaynağını açKopyalandı.