贝叶斯队列研究
- 提出者
- Bayesian framework: Thomas Bayes / Pierre-Simon Laplace; applied to cohort epidemiology from the 1990s onward
- 年份
- 1990s–2000s (widespread adoption in epidemiology)
- 类型
- Observational longitudinal 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?
贝叶斯队列研究通过随访一个特定人群来估计发病率、风险或结局发生率,同时利用贝叶斯统计推断纳入先验知识,并通过后验概率分布而非经典的p值和置信区间来量化不确定性。它结合了队列研究的纵向观察设计与贝叶斯分析的概率更新逻辑,从而实现更丰富的不确定性量化和数据累积时的序贯更新。
方法背后的直觉
在标准队列研究中,您招募一组人群,观察随时间推移谁出现了结局,然后计算一个频率论的发病率或风险比,并给出95%置信区间。贝叶斯队列研究进行相同的随访,但它提出的问题是:鉴于我们在研究前已知的知识(编码为先验分布),以及我们刚刚收集到的新数据(似然),我们现在应该如何看待真实的风险或危害(后验分布)?后验是一个完整的概率曲线——您可以从中读取风险超过任何阈值的概率,传达比频率论置信区间更容易解释的可信区间,并在下一波数据到来时再次更新您的信念。
历史学
贝叶斯概率论可追溯到托马斯·贝叶斯(Thomas Bayes,1763年),并由皮埃尔-西蒙·拉普拉斯(Pierre-Simon Laplace)扩展。随着马尔可夫链蒙特卡洛算法在计算上变得可行,其在流行病学中的应用在1990年代获得了实际牵引力。桑德·格陵兰(Sander Greenland)在《国际流行病学杂志》(International Journal of Epidemiology,2006-2007年)上发表的有影响力的论文系统地论证了观察性流行病学中的贝叶斯和半贝叶斯方法。斯皮格尔哈特(Spiegelhalter)及其同事2004年的教科书将贝叶斯方法编纂用于临床试验和医疗保健评估,为之后广泛采用的队列研究提供了方法学支架。
何时使用
当您拥有信息性先验证据(例如,早期队列数据、荟萃分析估计、监管先例)可以正式纳入以提高推断精度时,或者当您需要关于参数的直接概率陈述而非频率论p值时,请使用贝叶斯队列研究。对于累积队列数据的序贯或自适应监测以及先验可以部分弥补有限事件的罕见结局,它也更可取。当先验规范存在高度争议且利益相关者不接受分析中的主观成分时,或者当研究背景需要纯粹的假设检验框架时,请勿使用。当样本量大、先验无信息且未计划序贯更新时,使用混合效应或Cox模型分析的常规队列研究更为简单。
局限与注意事项
- 先验规范需要合理性说明;选择不当或未披露的先验可能会在读者不明显的情况下偏倚结果。
- MCMC计算比标准频率论软件更慢且技术要求更高;必须验证收敛性。
- 结果可能更难传达给不熟悉后验分布和可信区间的临床或政策受众。
- 某些领域的监管机构和期刊审稿人仍然期望频率论主要分析;贝叶斯分析可能会被降级为补充材料。
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
- 允许通过先验分布正式纳入外部证据或专家知识,提高罕见结局的效率。
- 产生可直接解释的后验概率(例如,“发病率超过X的概率”)——比频率论p值更直观。
- 支持序贯和自适应分析:一波数据的后验成为下一波数据的先验,从而实现透明的信念更新。
- 可信区间具有频率论置信区间通常(错误地)被假定的概率解释。
- 通过生成建模框架自然地处理缺失数据和分层结构。
应用
- 利用来自登记研究的先验数据,估计职业或环境队列中的癌症发病率和相对风险。
- 在上市后队列监测中监测疫苗有效性,并随着新的随访数据累积进行序贯更新。
- 评估纵向患者队列中的心血管事件发生率,其中可从临床试验中获得信息性先验。
- 研究基于登记的队列中的罕见疾病发病率,其中贝叶斯收缩稳定了小单元格估计。
- 药物流行病学安全队列,其中监管机构接受贝叶斯次要分析以及频率论主要分析。
使用方式
使用方式
定义队列:目标人群、入选标准、感兴趣的暴露、结局以及计划的随访持续时间。预先注册分析计划,包括先验分布的选择和似然模型。此步骤与标准队列研究规划类似,对透明度至关重要。
为每个关键参数(例如,发病率、风险比)指定先验分布p(theta)。先验可以是信息性先验(基于早期研究或专家意见)、弱信息性先验或无信息性先验。在此阶段应计划对替代先验进行敏感性分析。
公式
p(\theta)
招募队列并前瞻性地随访参与者(或回顾性地提取记录)。定期测量暴露状态、协变量和结局发生情况。标准队列研究的数据质量原则适用:尽量减少失访并处理时变混杂因素。
构建似然函数L(theta | data),将观察到的结局与感兴趣的参数联系起来。常用模型包括用于发病率的泊松回归、用于事件发生时间的Cox或Weibull模型,以及用于累积风险的逻辑回归。在贝叶斯环境中,这些模型通常使用Stan或JAGS等概率编程语言进行编码。
公式
L(\theta | \text{data})通过贝叶斯定理结合先验和似然,得到与p(theta)乘以L(theta | data)成比例的后验分布p(theta | data)。估计通常通过马尔可夫链蒙特卡洛(MCMC)抽样进行。在总结结果之前,必须评估收敛诊断(Gelman-Rubin R-hat、迹线图)。
公式
p(\theta | \text{data}) \propto p(\theta) \cdot L(\theta | \text{data})用点估计(后验中位数或均值)、95%可信区间和概率陈述(例如,“HR > 1 的概率为 0.97”)总结后验分布。报告先验规范和敏感性分析。遵循STROBE队列报告指南,并补充贝叶斯特有的项目,例如先验合理性说明和MCMC诊断。
常见陷阱
- 选择信息性先验以故意支持期望的结论——必须报告先验敏感性分析,以便读者判断稳健性。
- 在报告后验之前未能评估MCMC收敛性——未收敛的链会产生无意义的参数估计。
- 在解释中混淆可信区间和置信区间——两者都有效但回答不同的问题;不要混淆语言。
- 忽略标准队列研究对有效性的威胁(选择偏倚、失访、时变混杂)——贝叶斯推断不能解决设计缺陷。
- 当存在强有力的外部证据时应用无信息先验——这会丢弃有用的信息,并且通常会产生与频率论分析相同的结果,而没有贝叶斯优势。
常见问题
贝叶斯队列研究是观察性研究还是实验性研究?
它是观察性的。“贝叶斯”部分指的是统计分析框架,而不是研究设计。队列设计——在没有实验干预的情况下随访特定人群——保持不变。贝叶斯方法应用于分析阶段,以估计发病率、风险或危害参数。
我如何选择先验分布?
先验应反映真实的研究前知识:已发表的荟萃分析、早期队列数据或结构化专家启发。当外部证据稀疏时,弱信息性先验(例如,对数风险比的半正态分布)是一个可辩护的默认选择。始终报告先验并至少使用一个替代先验进行敏感性分析,以显示结论的稳健性。
我可以使用R或Stata等标准软件吗?
可以。Stan概率编程语言(通过RStan或CmdStanR R接口)是贝叶斯队列模型最广泛使用的平台。JAGS(通过rjags)是另一种选择。贝叶斯生存模型也可以通过brms R包获得,该包提供了Stan的公式化接口。R或Stata中的标准频率论队列分析可以通过这些贝叶斯工具进行重新指定,只需少量额外工作。
贝叶斯分析能弥补小队列的不足吗?
信息性先验可以在队列事件较少时提高精度,但它们无法挽救一个根本上动力不足的研究。如果数据过于稀疏导致先验占据主导地位,那么结论更多地反映了先验信念而非新证据。透明地报告这种权衡和先验敏感性分析至关重要。
这与贝叶斯随机临床试验有何不同?
根本区别在于设计:随机临床试验通过实验分配暴露,从而实现因果推断;队列研究观察自然发生的暴露,必须通过分析控制混杂。两者都可以在分析阶段使用贝叶斯推断,但混杂控制(通过倾向评分、回归调整或g-方法)在队列版本中仍然至关重要,而在适当随机化的试验中则不必要。
相关方法
参考文献
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN:978-0471499756已复制。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。