Bayes Tanısal Doğruluk Çalışması
Bayesian Diagnostic Accuracy Study · Ayrıca şöyle bilinir: Bayesian DTA study, Bayesian test evaluation, Bayesian diagnostic test accuracy, BDAS
Bir Bayes tanısal doğruluk çalışması, Bayes istatistiksel yöntemlerini kullanarak, bir tıbbi testin bir durumu olan kişiler ile olmayanları ne kadar iyi ayırt ettiğini değerlendirir. Bu yöntemler, duyarlılık, özgüllük ve ilgili ölçümlerin tahminine önsel bilgiyi resmi olarak dahil eder. Yalnızca gözlemlenen örneğe dayanan klasik yaklaşımların aksine, Bayes çıkarımı, sezgisel güven aralıklarına sahip sonsal tahminler üretmek için veri olasılık modelini önsel olasılık dağılımlarıyla birleştirir.
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 tanısal doğruluk çalışmasını şu durumlarda kullanın: (1) mükemmel bir referans standardı mevcut değilse ve altın standart olmadan Se ve Sp'yi eş zamanlı olarak tahmin etmek için gizli sınıf Bayes modelleri gerekiyorsa; (2) meta-analizlerden veya uzman bilgisinden elde edilen önsel bilgi, yalnızca sıkı bir analizden elde edilen kesinliği anlamlı ölçüde artıracak kadar güçlüyse; (3) örneklem büyüklüğü sınırlıysa ve klasik asimptotik yöntemler güvenilmez aralıklar üretiyorsa; veya (4) birden fazla potansiyel olarak bağımlı test karşılaştırılıyorsa ve ortak model karmaşıklığı klasik yaklaşımları uygulanamaz hale getiriyorsa. MCMC yazılımına veya Bayes modelleme uzmanlığına erişim eksikse, düzenleyici başvurular yalnızca sıkı işletim özelliklerini gerektiriyorsa (birçok sağlık teknolojisi kuruluşu hala klasik güven aralıkları talep etmektedir) veya önselin gerekçesi zayıfsa ve sonuçlar öznel olarak reddedilebilirse kullanmayın.
Güçlü yönler & sınırlılıklar
- Mevcut örneklemden daha fazlasını elde ederek belirsizliği azaltan önsel kanıtları (önceki çalışmalardan, meta-analizlerden veya uzman bilgisinden) resmi olarak entegre eder.
- Altın standart olmadan Se/Sp tahminini sağlayan gizli sınıf modelleri aracılığıyla kusurlu referans standartlarını işler.
- Sıkı güven aralıklarının aksine, doğrudan olasılıksal bir yoruma sahip güven aralıkları üretir ('gerçek duyarlılığın a ile b arasında olma olasılığı %95'), sıkı güven aralıkları.
- Klasik büyük örneklem yaklaşımlarının bozulduğu küçük örnekleri ve nadir hastalık bağlamlarını doğal olarak barındırır.
- Birden fazla bağımlı testi ve hastalık prevalansını tek bir tutarlı olasılıksal çerçevede ortaklaşa modelleyebilir.
- Önsel belirtim, gerekçe gerektirir; kötü seçilmiş veya açıklanmamış önsel bilgiler sonuçları bozabilir ve güvenilirliği zayıflatabilir.
- MCMC uygulaması, klasik 2x2 tablo analizine kıyasla hesaplama ve teknik olarak zordur.
- Birçok düzenleyici ve klinik kılavuz kuruluşu hala sıkı işletim özelliklerini gerektirmekte, bu da düzenleyici başvurularda doğrudan uygulanabilirliği sınırlamaktadır.
- Önsel duyarlılık analizleri hakkında şeffaflık gerektirir; bunları atlayan çalışmalar öznel eleştirilere davetiye çıkarır.
SSS
Bayes tanısal doğruluk çalışmaları için hangi yazılımlar kullanılır?
En yaygın platformlar JAGS (R paketi rjags veya R2jags aracılığıyla), Stan (RStan veya CmdStanR aracılığıyla) ve eski WinBUGS/OpenBUGS paketidir. BLTM ve TestaR gibi özel R paketleri, tanısal doğruluk için gizli sınıf modellerini uygular. STATA ve SAS'ın sınırlı Bayes tanı modülleri vardır. Stan, verimliliği ve aktif geliştirme nedeniyle giderek daha fazla tercih edilmektedir.
Duyarlılık ve özgüllük için bir önsel nasıl belirtilir?
Se ve Sp olasılıklar sınırlı olduğundan, Beta dağılımları doğal seçimdir. Bir Beta(alfa, beta) önseli, bir ortalama (alfa/(alfa+beta)) ve etkili örneklem büyüklüğü (alfa+beta) kullanılarak parametrelendirilebilir. Örneğin, önceki bir çalışma 40 gözleme dayanarak Se ≈ 0.85 bulduysa, Beta(34, 6) bu önseli kodlar. Önsel kanıt zayıf olduğunda, bir Beta(1,1) düz veya Beta(0.5, 0.5) Jeffreys önseli savunulabilir. Bir duyarlılık analizi olarak her zaman iki veya üç alternatif önsel altındaki sonuçları karşılaştırın.
Standart bir 2x2 tablo yerine ne zaman gizli sınıf modeli kullanmalıyım?
Mükemmel bir referans standardı olmadığında - yani, referans testin kendisi 1.0'dan düşük duyarlılığa veya özgüllüğe sahip olduğunda. Bu pratikte son derece yaygındır (örneğin, tüberküloz için kültür hassas ama yavaştır; uzman klinik teşhis kusurludur). Kusurlu referans standardı hatasını göz ardı etmek, görünen özgüllüğü şişirir ve duyarlılığı hafife alır. Bir Bayes gizli sınıf modeli, gerçek hastalık durumunu gözlemlenmeyen (gizli) bir değişken olarak ele alır ve onu Se ve Sp ile birlikte tahmin eder, bu da tanımlanabilirlik elde etmek için birden fazla test veya bilgilendirici önsel gerektirme maliyetiyle tarafsız tahminler üretir.
Bayes DTA çalışmasını raporlamak için STARD kontrol listesi yeterli midir?
STARD, tanısal doğruluk çalışmasının temel yapısını kapsar ancak Bayes'e özgü unsurları ele almaz. STARD raporlamasını şunlarla destekleyin: (1) tüm önsel dağılımların ve kaynaklarının açık bir ifadesi; (2) MCMC yakınsama tanıları (R-hat, etkili örneklem büyüklüğü, izleme grafikleri); (3) önsel duyarlılık analizleri; ve (4) sonsal öngörücü kontroller. Bazı dergiler ayrıca tekrarlanabilirliği sağlamak için analiz kodunu ve verilerini ek materyal olarak talep eder.
Örneklem büyüklüğü planlaması klasik tanısal çalışmalardan nasıl farklıdır?
Klasik DTA örneklem büyüklüğü formülleri, sıkı bir güven aralığının istenen genişliğini veya Se/Sp'nin bir eşiğe karşı testinin klasik gücünü hedefler. Bayes planlaması bunun yerine istenen sonsal güven aralığı genişliğini belirtir ve ortalama olarak elde etmek için gereken kaydı bulmak üzere önsel altında veri kümelerini simüle eder (beklenen sonsal varyans veya ortalama uzunluk kriteri). Bu yaklaşım, önseldeki bilgiyi otomatik olarak hesaba katar ve önsel kanıtın güçlü olduğu durumlarda genellikle daha küçük gerekli örneklem boyutları verir.
Kaynaklar
- Dendukuri, N., & Joseph, L. (2001). Bayesian approaches to modeling the conditional dependence between multiple diagnostic tests. Biometrics, 57(1), 158–167. DOI: 10.1111/j.0006-341X.2001.00158.x ↗
- Gatsonis, C., & Paliwal, P. (2006). Meta-analysis of diagnostic and screening test accuracy evaluations: Methodologic primer. American Journal of Roentgenology, 187(2), 271–281. DOI: 10.2214/AJR.06.0226 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Diagnostic Accuracy Study. ScholarGate. https://scholargate.app/tr/epidemiology/bayesian-diagnostic-accuracy-study
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesci Vaka-Kontrol ÇalışmasıEpidemiyoloji↔ karşılaştır
- Bayesçi Kohort ÇalışmasıEpidemiyoloji↔ karşılaştır
- Bayesçi Rastgele Kontrollü Klinik AraştırmaEpidemiyoloji↔ karşılaştır
- Tanısal Doğruluk Çalışması TasarımıKlinik araştırma↔ karşılaştır
- Meta-analitik Tanısal Doğruluk ÇalışmasıEpidemiyoloji↔ karşılaştır
- Tarama Testi DeğerlendirmesiEpidemiyoloji↔ karşılaştır