Puede que se esté preguntando ... "¿Dos publicaciones bayesianas seguidas? ¿Que esta pasando?"
Aunque mi entrenamiento estadístico se centró en las metodologías de los frecuentistas, soy un gran creyente en el uso de cualquier herramienta que me ayude a comprender mejor el problema estadístico en el que me estoy enfocando en este momento. Frecuentista o bayesiano, no hace ninguna diferencia. De hecho, como soy un experto en bioestadística, mi apreciación de estas dos escuelas de inferencia estadística tiene mucho sentido.
Es un comun malentendido que la bioestadística se centra en el análisis estadístico de datos médicos o biológicos. Nada mas lejos de la verdad. Analicemos la palabra "bioestadística". Según el diccionario, "bi-" significa "dos". Así que claramente, "bi-" y "estadística" se refieren a los dos principales paradigmas inferenciales de las estadísticas modernas. ¿Qué significa la "o"? Significa "oh, cuánto amo".
Así que repasemos:
bi “bayesiano o frecuentista”
o "oh, cómo amo"
estadísticas "estadísticas"
Entonces, la bioestadística significa "bayesiano o frecuentista, oh, cómo me encantan las estadísticas".
Dejando a un lado, hoy vamos a hablar sobre el análisis de eventos adversos utilizando modelos jerárquicos bayesianos. No es sorprendente que el análisis de eventos adversos, y el análisis del punto final de seguridad en general, tiendan a implicar un gran número de comparaciones entre dos grupos de tratamiento. Además, muchos eventos adversos ocurren con poca frecuencia. Finalmente, el análisis típico de eventos adversos ignora cómo los eventos pueden estar relacionados entre sí.
Para abordar estos problemas, Berry & Berry (2004) definir un modelo de mezcla jerárquica de tres niveles que:
Analiza todos los eventos a la vez. La inferencia se basa en resumir las muestras de MCMC de la distribución posterior.Permite que los AA relacionados tomen prestada la fuerza entre sí (según la membresía de clase de órgano del sistema, por ejemplo).Modula resultados extremos, posiblemente debido a la rareza de algunos eventos.los Modelo jerárquico bayesiano AE El Proceso analítico (AP) se ajusta al modelo de Berry & Berry (2004) en JMP Clinical 4.1 utilizando PROC MCMC para comparar el perfil de eventos adversos emergentes del tratamiento de dos brazos de tratamiento. Hay opciones para especificar el número de muestras de quemado y posteriores, la tasa de adelgazamiento y el número de cadenas de Markov independientes. Además, los usuarios pueden alterar los valores supuestos de hiperparámetro sugeridos en Berry & Berry (2004).
La Figura 1 resume el análisis de eventos adversos de Nicardipine versus Placebo utilizando una versión bayesiana de un gráfico de volcán (Figura 2). En lugar de –log10 (valor p) para el eje y, utilizamos la probabilidad de excedencia posterior, que inicialmente se define como p [diferencia en proporciones> 0 | datos] (o se pueden analizar los odds ratios). Para cada evento adverso, esta probabilidad se calcula como el número de muestras posteriores donde la diferencia en proporciones (Nicardipine - Placebo) es> 0 dividida por el número total de muestras posteriores (aquí: 10,000). Esto puede interpretarse como la probabilidad de que Nicardipine tenga un riesgo excesivo para un evento en comparación con el placebo. El usuario es libre de alterar la definición de la probabilidad de excedencia posterior y volver a dibujar el gráfico del volcán.
El eje x es similar al gráfico del volcán frequentista, excepto que usamos la media posterior de la diferencia en proporciones (que es solo el promedio de todas las muestras posteriores). El tamaño de las burbujas es tal que el área de la burbuja es proporcional al número total de sujetos que experimentaron el evento en ambos tratamientos combinados. El color indica la clase de órgano del sistema a la que pertenecen los eventos. Es sencillo observar que varios trastornos vasculares, respiratorios y psiquiátricos muestran un mayor riesgo de nicardipina.
La Figura 3 contiene diagramas de bosque que resumen los intervalos creíbles posteriores de igual cola y HPD para todos los eventos donde p [diferencia en proporciones> 0 | datos]> 0.80. Al usar los intervalos de igual cola, podemos ver que hay varios eventos que parecen tener un mayor riesgo de nicardipina: isostenuria, flebitis, derrame pleural, hipotensión y agitación. Estos eventos también se destacan en la figura 2.
Sin embargo, el modelo bayesiano destaca eventos adicionales: atelectasia (colapso de parte del pulmón), delirio y desorientación. La atelectasia fue experimentada por 86 (19.2%) y 63 (13.8%), Delirium por 6 (1.3%) y 0 y Desorientación por 8 (1.8%) y 3 (0.7%) sujetos para Nicardipine y Placebo, respectivamente. Los valores de p sin procesar y ajustados por FDR para Atelectasis fueron 0.0293 y 0.4100, Delirium fueron 0.0132 y 0.2876, y la Desorientación fueron 0.1222 y 0.5416, respectivamente. Redefiniendo la probabilidad de excedencia y examinando eventos donde p [diferencia en proporciones <0 | datos]> 0.80 muestra un mayor riesgo de hipertensión y vasoconstricción para el placebo (lo que concuerda con el análisis de la Figura 2). Sin embargo, la bradicardia sinusal no muestra diferencias importantes entre los tratamientos. Esto se debe probablemente al hecho de que hay otros 12 eventos en la clase de órganos del sistema de Trastornos cardíacos sin efectos de tratamiento. Idealmente, el análisis Bayesiano debería evaluar la sensibilidad de los resultados a diferentes supuestos previos, pero hemos identificado algunos eventos adversos adicionales entre los tratamientos que requieren un mayor escrutinio.
Alternativamente, un modelo que se ajusta a la exposición del sujeto puede usarse para analizar eventos adversos en JMP Clinical ( Xia, Ma & Carlin, 2010 ). Para sujetos con un evento, su exposición se calcula como el tiempo desde el inicio de la dosificación hasta su primer evento. La exposición para sujetos sin un evento se calcula como su tiempo completo en el estudio.
Discutiré estos métodos con más detalle en el Foro Global de SAS. Siéntase libre de revisar mi artículo aquí .
