Bayes Odaklı Rekabetçi Risk Analizi — Bayes Odaklı Rekabetçi Risk Hayatta Kalma Analizi
Bayesian Competing Risks Survival Analysis · Ayrıca şöyle bilinir: Bayesian cause-specific hazard model, Bayesian subdistribution hazard model, BCRA, Bayesian cumulative incidence analysis
Bayes odaklı rekabetçi risk analizi, deneklerin birden fazla karşılıklı dışlayıcı nedenden (örneğin, kanserden ölüm veya kardiyovasküler hastalıktan ölüm gibi) ölebileceği ve önsel bilgi veya küçük örneklem belirsizliğinin Bayes çerçevesini avantajlı kıldığı durumlar için bir zamana-olay yöntemidir. Bilinmeyen parametreler üzerine olasılık dağılımları yerleştirerek ve bu dağılımları gözlemlenen verilerle güncelleyerek, her bir ölüm türü için tam sonsal çıkarım elde ederek klasik rekabetçi risk modellerini (neden-spesifik tehlikeler ve kümülatif insidans fonksiyonları) genişletir.
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 odaklı rekabetçi risk analizi şu durumlarda kullanılır: (1) hayatta kalma verileri iki veya daha fazla karşılıklı dışlayıcı ölüm nedeni içeriyorsa ve ilgi her bir nedenin olasılığı veya neden-spesifik riskler üzerindeki kovaryet etkileriyse; (2) örneklem boyutları küçükse veya olaylar nadirse, bu da sıklaştırmacı güven aralıklarını güvenilmez hale getiriyorsa; (3) önceki çalışmalardan veya meta-analizlerden güvenilir önsel bilgi resmi olarak dahil edilebiliyorsa; veya (4) karar-analitik modelleme için CIF veya tehlike oranları hakkında tam sonsal belirsizlik gerekiyorsa. Yalnızca tek bir olay türü varsa (standart Bayes hayatta kalma yeterlidir), olay nedenleri net bir şekilde ayırt edilemiyorsa veya bağımsız olarak doğrulanabilir değilse, veya hesaplama kaynakları ve MCMC uzmanlığı mevcut değilse KULLANMAYIN — bu durumlarda sıklaştırmacı Fine–Gray veya neden-spesifik Cox modelleri pratik alternatiftir.
Güçlü yönler & sınırlılıklar
- Kümülatif insidansın naif 1 − Kaplan–Meier tahmininden kaynaklanan aşırı tahminini önleyerek rekabetçi olayları doğru bir şekilde hesaba katar.
- Tam sonsal dağılımlar, parametreler hakkında doğrudan olasılık ifadelerine ve belirsizliğin aşağı akış maliyet-etkinlik veya karar modellerine doğrudan yayılmasına olanak tanır.
- Bilgilendirici önsel bilgiler, geçmiş verilerden güç ödünç alarak küçük veya seyrek veri kümelerinde tahminleri önemli ölçüde iyileştirir.
- Tüm rekabetçi nedenlerin eş zamanlı modellenmesi, nedenler arasında tutarlı bir tahmin sağlar ve neden-spesifik CIF'lerin toplam insidansa toplamı kısıtlamasını korur.
- Esnek temel tehlike belirlemesi (parçalı üstel, Weibull, Dirichlet süreci önsel bilgileri aracılığıyla parametrik olmayan) çeşitli tehlike şekillerini barındırır.
- MCMC tahmini hesaplama açısından yoğundur ve yakınsama tanıları gerektirir; kötü belirlenmiş modeller veya yaygın yüksek boyutlu önsel bilgiler yavaş karışmaya yol açabilir.
- Sonuçlar, veri seyrek olduğunda önsel seçimine duyarlı olabilir — önsel bilgiler iyi gerekçelendirildiğinde bir avantajdır ancak gerekçelendirilmediğinde bir zayıflıktır.
- Yazılım uygulaması (Stan, JAGS, BayesSurv veya rstanarm uzantıları gibi R paketleri) standart Cox veya Fine–Gray regresyonundan daha fazla istatistiksel uzmanlık gerektirir.
- Net, güvenilir ölüm nedeni veya olay nedeni belirlemesi gerektirir; yanlış sınıflandırılmış rekabetçi olaylar, Bayes mekanizmasının düzeltmediği yanlılıkları yayar.
SSS
Bu bağlamda neden-spesifik tehlike ile altdağılım tehlikesi arasındaki fark nedir?
Bir k nedeni için neden-spesifik tehlike, hala olaydan arınmış olanlar arasında k olayının anlık oranıdır. Bir k nedeni için altdağılım tehlikesi (Fine–Gray), zaten rekabetçi bir olay yaşamış denekleri tutan bir risk kümesi üzerinde tanımlanır. Her ikisi de Bayes çerçevesinde parametrelendirilebilir, ancak farklı soruları yanıtlarlar: neden-spesifik tehlikeler biyolojik veya mekanistik oranı tanımlar; altdağılım tehlikeleri kümülatif insidansı doğrudan tahmin eder ve prognoz için tercih edilir. Bayes odaklı rekabetçi risk analizi, her ikisini veya her ikisini de uygulayabilir.
Neden rekabetçi olayları basitçe sansürleyip standart bir Bayes hayatta kalma modeli kullanmıyorsunuz?
Rekabetçi olayları sansürlemek onları bilgisiz olarak ele alır, ki bu neredeyse her zaman yanlıştır — başka bir nedenden ölen bir hasta, idari olarak sansürlenen bir hastadan sistematik olarak farklıdır. Bu, neden-spesifik kümülatif insidansı şişirir ve yanlı tahminler üretir. Rekabetçi risk analizi, tüm ölüm türlerini eş zamanlı olarak açıkça modelleyerek bundan kaçınır.
Regresyon katsayıları için önsel bilgileri nasıl seçerim?
Yaygın bir başlangıç noktası, log tehlike oranları üzerindeki zayıf bilgilendirici önsel bilgilerdir, örneğin log ölçekte Normal(0, 1), makul olmayan büyük etkileri sıfıra doğru daraltır. Geçmiş kanıtlar mevcut olduğunda — örneğin, bir meta-analizden log tehlike oranı ve standart hatası raporlanmışsa — o tahmine ortalanmış normal bir önsel bilgi uygundur. Sonsalın önsel seçimine ne kadar bağlı olduğunu değerlendirmek için analizi hem daha bilgilendirici hem de daha az bilgilendirici önsel bilgilerle tekrarlayarak her zaman bir önsel duyarlılık analizi yapın.
Hangi yazılım paketleri Bayes odaklı rekabetçi risk modellerini destekliyor?
Stan (RStan veya CmdStanR aracılığıyla) tam özel belirlemeye izin verir. R paketleri rstanarm ve brms doğrudan rekabetçi riskleri uygulamaz ancak genişletilebilir. Özel paketler R'de BayesSurv ve CompRisks'i içerir. JAGS ve BUGS da kullanıcı tarafından yazılmış model kodu ile kullanılabilir. Basit parçalı üstel rekabetçi risk modelleri için, bir Stan şablonu 100 satırdan az kod gerektirir ve genellikle en şeffaf yaklaşımdır.
Bayes odaklı rekabetçi risk analizi rastgeleleştirilmiş klinik denemeler için uygun mudur?
Evet ve küçük veya adaptif denemelerde giderek daha fazla kullanılmaktadır, burada sıklaştırmacı güç sınırlıdır. Rastgeleleştirilmiş bir ortamda Bayes yaklaşımı, önceki fazlardan önsel verilerin dahil edilmesine, tedavinin neden-spesifik insidansı klinik olarak anlamlı bir eşikten daha fazla azalttığı olasılığı gibi doğrudan olasılık ifadelerine ve ara veriler biriktikçe sorunsuz güncellemeye olanak tanır. Tehlike oranlarının nedensel yorumu, sıklaştırmacı analizdekiyle aynı varsayımları gerektirir.
Kaynaklar
- Larson, M. G., & Dinse, G. E. (1985). A mixture model for the regression analysis of competing risks data. Applied Statistics, 34(3), 201–211. DOI: 10.2307/2347464 ↗
- Crowder, M. J. (2001). Classical Competing Risks. Chapman and Hall/CRC. ISBN: 9781584881759
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Competing Risks Survival Analysis. ScholarGate. https://scholargate.app/tr/epidemiology/bayesian-competing-risks-analysis
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cox Orantılı TehlikelerEpidemiyoloji↔ karşılaştır
- Kaplan-Meier Tahmin Edicisiİstatistik↔ karşılaştır
- Çok Durumlu Hayatta Kalma ModeliSağkalım↔ karşılaştır