Bayes Sağkalım Analizi
Bayesian Survival Analysis · Ayrıca şöyle bilinir: bayesian sağkalım analizi, bayesian time-to-event analysis, bayesian hazard model
Bayes sağkalım analizi, zaman-olay modellerine — Cox orantılı tehlikeler, parametrik (Weibull, üstel) ve iyileşme modellerine — Bayes çıkarımını uygular. Ibrahim, Chen ve Sinha (2001) tarafından kapsamlı bir şekilde biçimlendirilen bu yaklaşım, tehlike oranları ve regresyon katsayıları hakkındaki ön bilgileri kodlar, ardından sansürlenmiş sağkalım verileriyle güncelleyerek tekil nokta tahminleri yerine sonsal tehlike oranları ve güvenilir aralıklar elde eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayes sağkalım analizi, örneklem boyutlarının küçük olduğu (kayıt minimum 20 gözlem belirler), olayların nadir olduğu ve sıklıkçı Cox tahminlerinin kararsız veya yetersiz olduğu veya güvenilir ön bilginin mevcut olduğu — örneğin önceki bir çalışmadan veya yayınlanmış bir meta-analizden — ve resmi olarak dahil edilmesi gerektiği durumlarda tercih edilen yaklaşımdır. Ayrıca, tehlike oranının tam sonsal dağılımının tek bir tahmin yerine gerektiği durumlarda da değerlidir, örneğin aşağı akış kararları tehlike oranının belirli bir eşiği aşma olasılığına bağlı olduğunda. Bilgilendirici olmayan sansürleme gereklidir: sansürleme mekanizması temel riskten bağımsız olmalıdır. Raporlamadan önce bir ön duyarlılık analizi — bilgilendirici ve belirsiz ön dağılımlar altındaki sonuçların karşılaştırılması — zorunludur.
Güçlü yönler & sınırlılıklar
- Tehlike oranları ve verilerle resmi olarak güncellenen ön klinik veya epidemiyolojik bilgileri kodlar.
- Sıklıkçı büyük örneklem yaklaşımlarının güvenilmez olduğu küçük veya nadir olay örneklemlerinde bile geçerli olan, doğrudan olasılık ifadeleri olan sonsal tehlike oranları ve güvenilir aralıklar üretir.
- Atıf gerektirmeden olasılık içinde sağa sansürlenmiş verileri tam olarak ele alır.
- Geniş bir temel tehlike özellikleri sınıfını destekler: parametrik olmayan (Bayes Cox), Weibull, üstel ve iyileşme modelleri.
- n küçük olduğunda (minimum 20'ye yakın), sonsal dağılım ön dağılım tarafından domine edilir; klinik yorumlama dikkat gerektirir.
- Ön duyarlılık analizi, sonsal dağılımın ön dağılım seçimine göre anlamlı şekilde kaydığını ortaya koyarsa, Bayes'in sıklıkçı Cox'a göre avantajı azalır.
- MCMC örneklemesi, özellikle büyük veri kümeleri veya karmaşık temel tehlike özellikleri için, sıklıkçı maksimizasyondan hesaplama açısından daha ağırdır.
- Tehlike için ön dağılım seçimi ve gerekçelendirilmesi alan bilgisi gerektirir; bilgisiz bir seçim sonuçları sessizce yanlı hale getirebilir.
SSS
Bayes sağkalım analizi sıklıkçı Cox regresyonundan nasıl farklıdır?
Sıklıkçı Cox regresyonu, büyük örneklem teorisine dayanan tek bir tehlike oranı tahmini, standart hata ve güven aralığı elde etmek için kısmi olasılığı maksimize eder. Bayes sağkalım analizi, her nicelik için bir sonsal dağılım üretmek üzere tehlike parametreleri üzerindeki bir ön dağılımı tam sağkalım olasılığı ile birleştirir. Güvenilir aralıklar doğrudan olasılık ifadeleridir; asimptotik yaklaşımlara dayanmazlar ve küçük örneklemler veya nadir olaylarla bile yorumlanabilir kalırlar.
Tehlike oranlarına ne tür bir ön dağılım yerleştirmeliyim?
Log-normal ve Cauchy ön dağılımları, log tehlike oranları için en yaygın seçimlerdir. Bir Cauchy(0, 2.5) ön dağılımı — Gelman ve meslektaşları tarafından regresyon katsayıları için önerilen — sıfır civarında en fazla kütleyi yerleştirirken büyük etkilere de izin verir. Ön dağılım her zaman gerekçelendirilmeli ve duyarlılık analizine tabi tutulmalıdır: modeli hem bilgilendirici bir ön dağılım (önceki çalışmalardan türetilmiş) hem de belirsiz bir ön dağılım altında çalıştırın ve her iki sonuç setini de raporlayın.
MCMC'nin yakınsadığını nasıl kontrol ederim?
Birden fazla zincir çalıştırın (en az dört) ve her parametre için R-hat değerini hesaplayın: 1.01'in altındaki değerler yakınsamayı gösterir. Zincir karışımı için iz grafiklerini inceleyin — zincirler örtüşmeli ve sapma göstermemelidir. Her parametre için en az birkaç yüz olması gereken toplu ve kuyruk etkili örneklem boyutlarını kontrol edin. Son olarak, simüle edilmiş sağkalım eğrilerini ampirik Kaplan-Meier tahmincisiyle karşılaştırarak sonsal öngörücü kontroller gerçekleştirin.
Bilgilendirici olmayan sansürleme nedir ve neden önemlidir?
Bilgilendirici olmayan sansürleme, bir deneklinin sansürlenmesinin nedeninin — takipten çıkma, çalışmanın sona ermesi, rızanın geri çekilmesi — temel olay riskinden bağımsız olduğu anlamına gelir. Sansürleme bilgilendirici ise (örneğin, daha hasta hastalar daha erken çekilir), sağkalım olasılığı artık veri üretim sürecini doğru bir şekilde temsil etmez ve sonsal tahminler yanlı olacaktır. Bayes yöntemleri bilgilendirici sansürlemeye karşı özel bir koruma sunmaz; varsayım tasarım ve alan bilgisi ile doğrulanmalıdır.
Kaynaklar
- Ibrahim, J.G., Chen, M.-H. & Sinha, D. (2001). Bayesian Survival Analysis. Springer. DOI: 10.1007/978-1-4757-3447-8 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Bayesian Survival Analysis. ScholarGate. https://scholargate.app/tr/bayesian/bayesian-survival
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes RegresyonuBayesçi↔ karşılaştır
- Cox Orantılı Tehlike RegresyonuSağkalım↔ karşılaştır
- Kaplan-Meier Sağkalım TahmincisiSağkalım↔ karşılaştır
- Weibull Parametrik Sağkalım RegresyonuSağkalım↔ karşılaştır