贝叶斯病例对照研究
- 提出者
- Sander Greenland (Bayesian epidemiology formalization); earlier Bayesian logistic methods: Leonard (1972)
- 年份
- 1990s–2000s (systematic application); Bayesian inference foundations: Bayes/Laplace 18th–19th c.
- 类型
- Observational analytic study with Bayesian inference
- 类别
- Clinical / epidemiology
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
贝叶斯病例对照研究将贝叶斯统计推断应用于经典的病例对照流行病学设计,正式地将关于暴露-疾病关联的先验知识与观察到的病例和对照数据相结合,以估计后验优势比和可信区间。贝叶斯框架不依赖于纯粹的观察数据,而是允许研究者将外部证据——来自先前的研究、专家知识或机制理解——纳入分析,从而产生关于效应大小的概率陈述,这些陈述通常比经典的p值和置信区间更具可解释性。
方法背后的直觉
在标准的病例对照研究中,您会识别出患有某种疾病的人(病例)和相似的未患病者(对照),然后比较他们过去的暴露情况以识别风险因素。贝叶斯版本增加了一个关键层面:在查看数据之前,您正式陈述您已经相信的关于暴露-疾病关系的信息——可能来自先前的研究或生物学上的合理性——作为先验概率分布。您收集的数据随后通过贝叶斯定理更新这个先验,产生一个结合了先验信念和新证据的后验分布。如果您的数据强烈支持某个方向,后验将反映这一点,而不管先验如何;如果数据稀疏或嘈杂,先验提供了有意义的正则化,可以防止极端、不可靠的估计。
历史学
病例对照方法学在二十世纪中叶正式确立,Cornfield在1951年证明了优势比在罕见病中近似于相对风险,这提供了基础性结果。流行病学中的贝叶斯方法始于20世纪70年代,Dempster等人探索了生物医学背景下的概率推断。Sander Greenland在21世纪初发表的一系列有影响力的文章——特别是他2006年发表在《国际流行病学杂志》上的论文——系统化了实践流行病学家使用的贝叶斯观点,展示了贝叶斯逻辑回归如何改进病例对照和队列研究的推断。从20世纪90年代开始,易于访问的MCMC软件(WinBUGS、JAGS、Stan)的增长使得常规实施成为可能。
何时使用
当您拥有关于暴露-疾病关联的有意义的先验信息(例如,来自先前荟萃分析或机制知识)并希望将其正式纳入分析时,或者当研究规模较小且您需要原则性的正则化以防止出现虚假的极端优势比估计时,可以使用贝叶斯病例对照研究。当研究问题需要直接的概率陈述(“优势比超过2的概率是多少?”)而不是二元显著性决策时,也适用。当研究团队缺乏贝叶斯建模专业知识时,当先验的指定在利益相关者之间存在高度争议时,当与严格的频率主义受众进行透明沟通至关重要时,或者当样本量足够大以至于先验选择对后验影响微乎其微时,不应使用此方法。
局限与注意事项
- 先验的指定是主观的;必须证明选择的合理性,并最好对一系列合理的先验进行敏感性分析。
- MCMC计算比运行标准的逻辑回归复杂得多,也耗时得多。
- 在频率主义方法是既定标准的环境中,结果可能不被审稿人或监管机构接受。
- 当先验信息非常强,而数据有限时,后验主要由先验驱动,使得新研究的贡献难以评估。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 正式且透明地纳入先验证据,降低了对稀疏数据的过度解释的风险。
- 产生具有直接概率解释的可信区间,比频率主义置信区间更具直观性。
- 通过先验正则化,比最大似然方法更优雅地处理小样本量和罕见暴露。
- 自然地将所有不确定性来源——包括关于混杂因素和测量误差的不确定性——通过后验分布传播。
- 便于决策分析的扩展:后验分布可以直接输入健康经济学或风险-效益模型。
应用
- 评估罕见药物不良反应的药物流行病学研究,其中病例数量少使得经典估计不稳定。
- 遗传流行病学和全基因组关联研究,纳入先验生物学合理性以正则化数千个同时进行的暴露检验。
- 环境流行病学,将职业或化学暴露与疾病联系起来,其中先验毒理学证据可以被正式编码。
- 基于医院的病例对照研究,关于手术并发症或医疗保健相关感染,病例数量有限。
- 癌症流行病学研究,有可用的先验荟萃分析,允许将新数据与现有证据进行正式综合。
- 传染病疫情调查,其中快速决策需要关于暴露风险的概率陈述,而不是二元显著性检验。
使用方式
使用方式
选择病例(具有关注结果的个体)和对照(没有该结果的个体),这些个体来自同一来源人群,并使用与常规研究相同的病例对照设计原则——包括匹配、病例与对照比例以及暴露评估的决策。贝叶斯方法本身不改变研究设计,只改变后续的统计分析。
基于现有证据、荟萃分析或实质性领域知识,为对数优势比(以及任何其他模型参数)指定先验分布。当先验知识有限时,对数优势比尺度上的弱信息先验(如正态分布(0, 2.5))是一个合理的默认值;当存在相关证据时,可以使用从先前研究中得出的信息先验。
公式
\pi(\beta) \propto \text{Normal}(\mu_0, \sigma_0^2)收集病例和对照的暴露和协变量数据。暴露是通过回顾性评估(病历、访谈、生物标志物)确定的。对回忆偏倚的仔细关注、代表性来源人群的选择以及混杂因素的控制,与经典病例对照研究一样重要。
构建似然函数——通常是逻辑回归模型——该模型将暴露和协变量与成为病例的对数几率相关联。似然函数捕捉了观察数据提供的关于优势比的信息,独立于先验信念。
公式
L(\beta | y) = \prod_{i=1}^{n} p_i^{y_i}(1-p_i)^{1-y_i},\; p_i = \text{logistic}(X_i\beta)通过贝叶斯定理结合先验和似然,得到对数优势比的后验分布。在实践中,这通常通过马尔可夫链蒙特卡洛(MCMC)抽样使用Stan、JAGS或brms R包等软件进行计算。
公式
\pi(\beta | y) \propto L(\beta | y)\, \pi(\beta)
总结后验分布:将后验中位数或均值作为优势比的点估计,并将95%可信区间(包含95%后验概率质量的区间)作为不确定性度量。可信区间具有直接的概率解释——与经典的置信区间不同——这通常对临床医生和政策制定者更具直观性。
公式
\text{OR} = e^{\beta},\; 95\% \text{ credible interval from posterior}常见陷阱
- 使用从具有不同人群或暴露定义的研究所得出的信息先验,而没有充分的理由——这可能导致后验偏向误导性估计。
- 仅报告点估计而没有对不同先验的敏感性分析;审稿人无法评估先验的影响程度。
- MCMC链的收敛失败且未被发现——在解释结果之前,务必检查迹线图、R-hat统计量和有效样本量。
- 在报告中将贝叶斯可信区间视为经典的置信区间,反之亦然——两者具有不同的解释,不应混淆。
- 假设贝叶斯分析会纠正经典病例对照研究的有效性问题(回忆偏倚、选择偏倚、适当的匹配)——实际上并不会。
常见问题
是什么让贝叶斯病例对照研究与标准病例对照研究不同?
研究设计——选择病例和对照、评估暴露、控制混杂因素——是相同的。区别完全在于统计分析:贝叶斯方法使用逻辑回归代替最大似然估计,指定参数的先验分布,通过贝叶斯定理计算后验分布,并报告可信区间而不是置信区间和p值。
如何选择优势比的先验分布?
从对数优势比尺度上的弱信息先验(如正态分布(0, 2.5))开始,它允许较大的效应但阻止没有数据支持的极端值。如果存在关于同一暴露-疾病对在可比人群中的高质量先前研究或荟萃分析,您可以从其报告的估计值和标准误差中推导出信息先验。务必通过使用至少一个替代先验重新运行模型进行敏感性分析,以评估后验在多大程度上依赖于您的选择。
贝叶斯病例对照研究能否在顶级流行病学期刊上发表?
可以。贝叶斯方法在流行病学期刊上越来越被接受,特别是在涉及小样本、多重比较或明确的先验证据综合的研究中。关键在于充分论证先验的合理性,透明地报告先验敏感性分析,并清晰地展示后验总结以及常规效应估计以供读者比较。
可以使用什么软件进行贝叶斯病例对照分析?
最常用的工具是Stan(通过brms或rstan R包访问)、JAGS(通过rjags)和Python中的PyMC。R中的brms包对于贝叶斯逻辑回归特别用户友好,只需要很少的采样器代码知识。对于复杂的测量误差校正或分层结构,Stan提供了最大的灵活性。
我可以使用贝叶斯病例对照设计进行匹配研究吗?
可以。匹配的病例对照设计可以在频率主义框架中使用条件逻辑回归进行分析;贝叶斯模型使用条件似然和暴露系数的先验。这保留了设计对匹配混杂因素的控制,同时保留了贝叶斯推断的好处。实施时需要小心地在Stan或JAGS中正确指定条件似然。
相关方法
参考文献
Greenland, S. (2006). Bayesian perspectives for epidemiological research: I. Foundations and basic methods. International Journal of Epidemiology, 35(3), 765-775.
打开 DOI 文献已复制。Gustafson, P. (2004). Measurement Error and Misclassification in Statistics and Epidemiology: Impacts and Bayesian Adjustments. Chapman and Hall/CRC.
ISBN:978-1584884316已复制。