Bayes Tanısal Doğruluk Çalışması
- Ortaya koyan
- Joseph, Gyorkos & Coupal; Dendukuri & Joseph (formal Bayesian DTA framework)
- Yıl
- 1995–2001
- Tür
- Bayesian inferential study design
- Aile
- Clinical / epidemiology
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Bir Bayes tanısal doğruluk çalışması, Bayes istatistiksel yöntemlerini kullanarak, bir tıbbi testin bir durumu olan kişiler ile olmayanları ne kadar iyi ayırt ettiğini değerlendirir.
Bu yöntemler, duyarlılık, özgüllük ve ilgili ölçümlerin tahminine önsel bilgiyi resmi olarak dahil eder. Yalnızca gözlemlenen örneğe dayanan klasik yaklaşımların aksine, Bayes çıkarımı, sezgisel güven aralıklarına sahip sonsal tahminler üretmek için veri olasılık modelini önsel olasılık dağılımlarıyla birleştirir.
Yöntemin mantığı
Tüberküloz için yeni bir hızlı test değerlendirdiğinizi düşünün. Klasik istatistikler, duyarlılık ve özgüllüğü yalnızca örnek verilerinizden tahmin ederdi ve bazen küçük örneklerle veya mükemmel bir referans standardının yokluğuyla mücadele ederdi. Bir Bayes yaklaşımı, önceki çalışmalardan, uzman panellerinden veya yerleşik epidemiyolojik verilerden zaten bilinenleri resmi olarak önsel dağılımlar olarak dahil etmenize olanak tanır. Analiz daha sonra bu önsel bilgileri yeni verilerinizle günceller ve duyarlılık ve özgüllük için sonsal dağılımlar elde eder. Sonuç daha zengin bir resimdir: sadece nokta tahminleri değil, aynı zamanda belirsizliği dürüstçe ölçen ve hastalık prevalansı, kusurlu referans standartları ve tek bir tutarlı model içinde ilişkili testler hakkındaki bilgileri içerebilen tam olasılık dağılımlarıdır.
Tarih
Tanısal test değerlendirmesi için resmi Bayes yöntemleri 1990'larda ortaya çıktı. Joseph, Gyorkos & Coupal (1995), gizli sınıf modelleri kullanarak altın standart olmadan Se ve Sp'nin Bayes tahminini tanıttı. Dendukuri & Joseph (2001), birden fazla test arasındaki koşullu bağımlılığı ele almak için çerçeveyi genişletti, bu da test panellerinin gerçekçi modellemesini sağlayan dönüm noktası niteliğinde bir katkıydı. Vacek'in (1985) eşzamanlı çalışması daha önce sıkı gizli sınıf yaklaşımlarını göstermişti ve Bayes iyileştirmelerine ilham vermişti. 2000'lerde MCMC yazılımlarının (BUGS, JAGS, Stan) kullanılabilirliği ve kusurlu referans standartlarının klinik tanılarda kural olduğu gerçeğinin artan kabulü ile benimsenme hızlandı.
Ne zaman kullanılır?
Bayes tanısal doğruluk çalışmasını şu durumlarda kullanın: (1) mükemmel bir referans standardı mevcut değilse ve altın standart olmadan Se ve Sp'yi eş zamanlı olarak tahmin etmek için gizli sınıf Bayes modelleri gerekiyorsa; (2) meta-analizlerden veya uzman bilgisinden elde edilen önsel bilgi, yalnızca sıkı bir analizden elde edilen kesinliği anlamlı ölçüde artıracak kadar güçlüyse; (3) örneklem büyüklüğü sınırlıysa ve klasik asimptotik yöntemler güvenilmez aralıklar üretiyorsa; veya (4) birden fazla potansiyel olarak bağımlı test karşılaştırılıyorsa ve ortak model karmaşıklığı klasik yaklaşımları uygulanamaz hale getiriyorsa. MCMC yazılımına veya Bayes modelleme uzmanlığına erişim eksikse, düzenleyici başvurular yalnızca sıkı işletim özelliklerini gerektiriyorsa (birçok sağlık teknolojisi kuruluşu hala klasik güven aralıkları talep etmektedir) veya önselin gerekçesi zayıfsa ve sonuçlar öznel olarak reddedilebilirse kullanmayın.
Sınırlar ve dikkat edilmesi gerekenler
- Önsel belirtim, gerekçe gerektirir; kötü seçilmiş veya açıklanmamış önsel bilgiler sonuçları bozabilir ve güvenilirliği zayıflatabilir.
- MCMC uygulaması, klasik 2x2 tablo analizine kıyasla hesaplama ve teknik olarak zordur.
- Birçok düzenleyici ve klinik kılavuz kuruluşu hala sıkı işletim özelliklerini gerektirmekte, bu da düzenleyici başvurularda doğrudan uygulanabilirliği sınırlamaktadır.
- Önsel duyarlılık analizleri hakkında şeffaflık gerektirir; bunları atlayan çalışmalar öznel eleştirilere davetiye çıkarır.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Mevcut örneklemden daha fazlasını elde ederek belirsizliği azaltan önsel kanıtları (önceki çalışmalardan, meta-analizlerden veya uzman bilgisinden) resmi olarak entegre eder.
- Altın standart olmadan Se/Sp tahminini sağlayan gizli sınıf modelleri aracılığıyla kusurlu referans standartlarını işler.
- Sıkı güven aralıklarının aksine, doğrudan olasılıksal bir yoruma sahip güven aralıkları üretir ('gerçek duyarlılığın a ile b arasında olma olasılığı %95'), sıkı güven aralıkları.
- Klasik büyük örneklem yaklaşımlarının bozulduğu küçük örnekleri ve nadir hastalık bağlamlarını doğal olarak barındırır.
- Birden fazla bağımlı testi ve hastalık prevalansını tek bir tutarlı olasılıksal çerçevede ortaklaşa modelleyebilir.
Uygulama alanları
- Kültür veya PCR referanslarının saha ortamlarında kusurlu veya mevcut olmadığı durumlarda bulaşıcı hastalıklar (tüberküloz, COVID-19, sıtma) için hızlı tanı testlerinin değerlendirilmesi.
- Altın standart olmadığında gizli sınıf modelleri kullanarak otoimmün veya paraziter hastalıklar için birden fazla serolojik tahlilin karşılaştırılması.
- Bilgilendirici önsel içeren tanısal test doğruluğu meta-analizinde (bivaryat veya HSROC modelleri) çalışmalar arasında tanısal doğruluğun sentezlenmesi.
- Biyopsinin referans standardı olarak kullanılmasına ilişkin etik kısıtlamaların veya küçük örneklem boyutlarının olduğu durumlarda kanser tespiti için görüntüleme modalitelerinin (MR, BT, ultrason) değerlendirilmesi.
- Klasik kesinlik için yetersiz deneme kaydı olan nadir durumlar için Se/Sp tahminine uzman klinik bilgisinin dahil edilmesi.
- Referans standardı testinin tüm katılımcılar için lojistik olarak imkansız olduğu düşük kaynaklı ortamlarda nokta bakımı testlerinin değerlendirilmesi.
Nasıl çalışır?
Nasıl çalışır?
Veri toplama işleminden önce, duyarlılık (Se), özgüllük (Sp) ve hastalık prevalansı gibi temel parametreler için önsel dağılımlar belirlenir. Önsel bilgiler bilgilendirici (önceki çalışmalara veya uzman görüşlerine dayalı) veya zayıf bilgilendirici (yaygın Beta dağılımları) olabilir. Önsel seçimi şeffaf bir şekilde belgelenmeli ve bir duyarlılık analizi planlanmalıdır.
Çalışma tasarımı belirlenir: katılımcıların hem indeks teste hem de bir referans standardına (veya altın standart olmadığında birden fazla kusurlu teste) tabi tutulduğu kesitsel bir kayıt. Örneklem büyüklüğü planlaması, modeldeki önsel bilgiyi yansıtan, klasik güç formülleri yerine simülasyon veya Bayes beklenen fayda kriterlerini kullanır.
Katılımcılar indeks test ve referans standardı (veya karşılaştırıcı testler) ile test edilir. Sonuçlar, doğru-pozitifler, yanlış-pozitifler, doğru-negatifler ve yanlış-negatifleri yakalayan bir olasılık tablosu veya bireysel düzeyde veri olarak kaydedilir. Mükemmel bir referans standardı mevcut olmadığında, gözlemlenmeyen gerçek hastalık durumunu modellemek için gizli sınıf yapısı kullanılabilir.
Gözlemlenen test sonucu deseni için Se, Sp ve prevalansın bir fonksiyonu olarak istatistiksel bir olasılık fonksiyonu (tipik olarak çok değişkenli veya Bernoulli) yazılır. Testler koşullu olarak bağımlı olabileceğinde (örneğin, iki immünolojik tahlil biyolojik bir yolu paylaştığında), olasılık bu bağımlılık yapısını açıkça modeller, bağımsızlığı varsaymaz.
Formül
P(data | Se, Sp, prev)
Markov Zinciri Monte Carlo (MCMC) örneklemesi (veya basit binom modeller için analitik eşlenik güncelleme), ortak sonsal dağılım P(Se, Sp, prev | veri)'den örnekler çekmek için kullanılır. Sonsal özetler, gerçek parametre değerleri hakkındaki olasılık ifadeleri olarak doğrudan yorumlanabilen %95 güven aralıkları (en yüksek sonsal yoğunluk aralıkları) ile birlikte medyan veya ortalama tahminleri içerir.
Formül
P(Se, Sp | data) \propto P(data | Se, Sp) \cdot P(Se, Sp)
Sonuçlar STARD (Tanısal Doğruluk Raporlama Standartları) yönergelerine uygun olarak raporlanır, Bayes'e özgü unsurlarla desteklenir: önsel belirtimler ve gerekçeleri, MCMC zincirleri için yakınsama tanıları, alternatif önsel bilgiler altında sonuçların nasıl değiştiğini gösteren önsel duyarlılık analizleri ve model uyumunu değerlendiren sonsal öngörücü kontroller.
Sık yapılan hatalar
- Duyarlılık analizi olmadan bilgilendirici önsel kullanmak - sonuçlar alternatif savunulabilir önsel bilgiler altında belirgin şekilde değişirse, bulgular kırılgandır ve bu şekilde raporlanmalıdır.
- Testler arasındaki koşullu bağımlılığı göz ardı etmek - iki testin bir biyolojik mekanizmayı paylaşması durumunda bağımsızlığı varsaymak, görünen özgüllüğü şişirir ve yanıltıcı sonsal tahminler üretir.
- Sonsal güven aralıklarını klasik güven aralıkları gibi ele almak - farklı soruları yanıtlarlar ve karıştırılmamalı veya birbirinin yerine kullanılmamalıdırlar.
- MCMC yakınsamasını kontrol etmemek - yakınsamayan zincirler güvenilmez sonsal özetler üretir; her zaman R-hat istatistiklerini ve izleme grafiklerini raporlayın.
Sık sorulan sorular
Bayes tanısal doğruluk çalışmaları için hangi yazılımlar kullanılır?
En yaygın platformlar JAGS (R paketi rjags veya R2jags aracılığıyla), Stan (RStan veya CmdStanR aracılığıyla) ve eski WinBUGS/OpenBUGS paketidir. BLTM ve TestaR gibi özel R paketleri, tanısal doğruluk için gizli sınıf modellerini uygular. STATA ve SAS'ın sınırlı Bayes tanı modülleri vardır. Stan, verimliliği ve aktif geliştirme nedeniyle giderek daha fazla tercih edilmektedir.
Duyarlılık ve özgüllük için bir önsel nasıl belirtilir?
Se ve Sp olasılıklar sınırlı olduğundan, Beta dağılımları doğal seçimdir. Bir Beta(alfa, beta) önseli, bir ortalama (alfa/(alfa+beta)) ve etkili örneklem büyüklüğü (alfa+beta) kullanılarak parametrelendirilebilir. Örneğin, önceki bir çalışma 40 gözleme dayanarak Se ≈ 0.85 bulduysa, Beta(34, 6) bu önseli kodlar. Önsel kanıt zayıf olduğunda, bir Beta(1,1) düz veya Beta(0.5, 0.5) Jeffreys önseli savunulabilir. Bir duyarlılık analizi olarak her zaman iki veya üç alternatif önsel altındaki sonuçları karşılaştırın.
Standart bir 2x2 tablo yerine ne zaman gizli sınıf modeli kullanmalıyım?
Mükemmel bir referans standardı olmadığında - yani, referans testin kendisi 1.0'dan düşük duyarlılığa veya özgüllüğe sahip olduğunda. Bu pratikte son derece yaygındır (örneğin, tüberküloz için kültür hassas ama yavaştır; uzman klinik teşhis kusurludur). Kusurlu referans standardı hatasını göz ardı etmek, görünen özgüllüğü şişirir ve duyarlılığı hafife alır. Bir Bayes gizli sınıf modeli, gerçek hastalık durumunu gözlemlenmeyen (gizli) bir değişken olarak ele alır ve onu Se ve Sp ile birlikte tahmin eder, bu da tanımlanabilirlik elde etmek için birden fazla test veya bilgilendirici önsel gerektirme maliyetiyle tarafsız tahminler üretir.
Bayes DTA çalışmasını raporlamak için STARD kontrol listesi yeterli midir?
STARD, tanısal doğruluk çalışmasının temel yapısını kapsar ancak Bayes'e özgü unsurları ele almaz. STARD raporlamasını şunlarla destekleyin: (1) tüm önsel dağılımların ve kaynaklarının açık bir ifadesi; (2) MCMC yakınsama tanıları (R-hat, etkili örneklem büyüklüğü, izleme grafikleri); (3) önsel duyarlılık analizleri; ve (4) sonsal öngörücü kontroller. Bazı dergiler ayrıca tekrarlanabilirliği sağlamak için analiz kodunu ve verilerini ek materyal olarak talep eder.
Örneklem büyüklüğü planlaması klasik tanısal çalışmalardan nasıl farklıdır?
Klasik DTA örneklem büyüklüğü formülleri, sıkı bir güven aralığının istenen genişliğini veya Se/Sp'nin bir eşiğe karşı testinin klasik gücünü hedefler. Bayes planlaması bunun yerine istenen sonsal güven aralığı genişliğini belirtir ve ortalama olarak elde etmek için gereken kaydı bulmak üzere önsel altında veri kümelerini simüle eder (beklenen sonsal varyans veya ortalama uzunluk kriteri). Bu yaklaşım, önseldeki bilgiyi otomatik olarak hesaba katar ve önsel kanıtın güçlü olduğu durumlarda genellikle daha küçük gerekli örneklem boyutları verir.
İlgili yöntemler
Kaynaklar
Dendukuri, N., & Joseph, L. (2001). Bayesian approaches to modeling the conditional dependence between multiple diagnostic tests. Biometrics, 57(1), 158–167.
DOI kaynağını açKopyalandı.Gatsonis, C., & Paliwal, P. (2006). Meta-analysis of diagnostic and screening test accuracy evaluations: Methodologic primer. American Journal of Roentgenology, 187(2), 271–281.
DOI kaynağını açKopyalandı.