您可能会问自己……“连续两个贝叶斯职位？到底是怎么回事？”
尽管我的统计培训集中在频率论方法论上，但是我坚信使用任何工具可以帮助我洞悉当前恰好要关注的统计问题。频繁或贝叶斯，没有区别。实际上，因为我是生物统计学家，所以我对这两种统计推断学派的欣赏是完全有意义的。
这是常见的误解生物统计学专注于医学或生物学数据的统计分析。没有东西会离事实很远。 我们来剖析“生物统计学”一词。根据字典，“ bi-”表示“两个”。显然，“ bi-”和“ statistics”是指现代统计的两个主要推论范式。“ o”代表什么？它代表“哦，我有多爱”。
因此，让我们回顾一下：
bi“贝叶斯或常客”
o“哦，我有多爱”
统计“统计”
因此，生物统计学的意思是“贝叶斯主义或频率论者，哦，我多么喜欢统计学。”
除了无所不包的问题，今天我们将讨论使用贝叶斯层次模型对不良事件进行分析。不良事件的分析和总体安全终点的分析往往涉及两个治疗组之间的大量比较，这也就不足为奇了。此外，许多不良事件很少发生。最后，不良事件的典型分析忽略了事件之间可能如何相互关联。
为了解决这些问题，贝瑞与贝瑞（2004） 定义一个三级分层混合模型：
同时分析所有事件。推论基于总结来自后验分布的MCMC样本。允许相关的AE相互借鉴力量（例如，基于系统器官类别成员资格）。可能由于某些事件的稀有性而调制极端结果。的 AE贝叶斯层次模型分析过程（AP）使用PROC MCMC拟合JMP Clinical 4.1中的Berry＆Berry（2004）模型，比较两个治疗组的治疗紧急不良事件情况。有一些选项可以指定老化样本和后验样本的数量，稀疏率和独立的马尔可夫链的数量。此外，用户可以更改Berry＆Berry（2004）中建议的假定超参数值。
图1总结了使用贝叶斯版本的火山图对尼卡地平与安慰剂的不良事件进行的分析（图2）。代替y轴的–log10（p值），我们使用后超出概率，该概率最初定义为p [比例差异> 0 |数据]（或者可以分析比值比）。对于每个不良事件，该概率均用后验样本数（比例差异（尼卡地平–安慰剂）> 0）除以后验样本总数（此处为10,000）得出。这可以解释为与安慰剂相比，尼卡地平发生事件的风险更高。用户可以自由更改后超出概率的定义并重绘火山图。
x轴类似于Frequentist火山图，不同之处在于我们使用比例差异的后验均值（这只是所有后验样本的平均值）。对气泡的大小进行调整，以使气泡的面积与两种治疗方法组合中经历该事件的受试者总数成比例。颜色表示事件所属的系统器官类别。直接观察到几种血管疾病，呼吸道疾病和精神疾病显示出尼卡地平的风险增加。
图3包含森林图，其中总结了所有事件的等尾和HPD后可信区间，其中p [比例差异> 0 | data]> 0.80。使用等尾间隔，我们可以看到有几项事件似乎对尼卡地平具有较高的风险：等渗尿症，静脉炎，胸腔积液，低血压和躁动。这些事件在图2中也很突出。
但是，贝叶斯模型强调了其他事件：肺不张（肺部塌陷），Deli妄和定向障碍。尼卡地平和安慰剂分别有86（19.2％）和63（13.8％）的肺不张，6（1.3％）和0的Deli妄，8（1.8％）和3（0.7％）的迷失力。肺不张的原始pDR值和FDR调整后的p值分别为0.0293和0.4100，0.01妄为0.0132和0.2876，迷失方向为0.1222和0.5416。重新定义超出概率并检查p [比例差异<0 |数据]> 0.80的事件表明安慰剂患高血压和血管收缩的风险增加（与图2中的分析一致）。然而，窦性心动过缓在治疗之间没有显示出重要的区别。 这可能是由于“心脏疾病”系统器官类别中还有其他12个事件没有治疗效果的事实。 理想情况下，贝叶斯分析应评估结果对先前不同假设的敏感性，但我们已经确定了治疗之间需要进一步审查的一些其他不良事件。
另外，可以针对受试者的暴露情况进行调整的模型可用于分析JMP Clinical中的不良事件（ 夏马＆卡林，2010年 ）。对于有事件的受试者，其暴露时间以从给药开始到第一个事件的时间计算。对于没有事件的受试者，其暴露时间将计算为他们的整个学习时间。
我将在SAS全球论坛上进一步详细讨论这些方法。随时查看我的论文这里 。
