[論文レビュー] meta4diag: Bayesian Bivariate Meta-analysis of Diagnostic Test Studies for Routine Practice

Jingyi Guo, Andrea Riebler|arXiv (Cornell University)|Dec 19, 2015

Statistical Methods and Bayesian Inference参考文献 24被引用数 20

ひとこと要約

この論文は、MCMC（マルコフ連鎖モンテカルロ）の代わりに統合ネストドラプラシアン近似（INLA）を用いることで、迅速で使いやすいベイズ的二変量メタアナリシスを可能にするRパッケージmeta4diagを紹介する。このパッケージは、柔軟な事前分布の指定（特にペナルティ付き複雑性（PC）事前分布）をサポートし、MCMCサンプリングを必要とせず、感度、特異度、要約受信者操作特性（SROC）曲線の正確な事後分布推定を実現する。したがって、日常的な臨床的・疫学的研究に適している。

ABSTRACT

This paper introduces the \proglang{R} package \pkg{meta4diag} for implementing Bayesian bivariate meta-analyses of diagnostic test studies. Our package \pkg{meta4diag} is a purpose-built front end of the \proglang{R} package \pkg{INLA}. While \pkg{INLA} offers full Bayesian inference for the large set of latent Gaussian models using integrated nested Laplace approximations, \pkg{meta4diag} extracts the features needed for bivariate meta-analysis and presents them in an intuitive way. It allows the user a straightforward model-specification and offers user-specific prior distributions. Further, the newly proposed penalised complexity prior framework is supported, which builds on prior intuitions about the behaviours of the variance and correlation parameters. Accurate posterior marginal distributions for sensitivity and specificity as well as all hyperparameters, and covariates are directly obtained without Markov chain Monte Carlo sampling. Further, univariate estimates of interest, such as odds ratios, as well as the SROC curve and other common graphics are directly available for interpretation. An interactive graphical user interface provides the user with the full functionality of the package without requiring any \proglang{R} programming. The package is available through CRAN \url{https://cran.r-project.org/web/packages/meta4diag/} and its usage will be illustrated using three real data examples.

研究の動機と目的

• 少数のサンプルやスパースな診断メタアナリシスにおいて、頻度的およびMCMCベースの手法の計算非効率性と収束問題を解消すること。
• 高度なRプログラミングスキルがなくても利用可能な、ベイズ的二変量メタアナリシスのユーザーフレンドリーなインターフェースを提供すること。
• 特にペナルティ付き複雑性（PC）事前分布を含む、柔軟な事前分布指定フレームワークを実装し、熟練知識を組み込みつつも頑健性を維持すること。
• MCMCサンプリングを用いずに、感度、特異度、ハイパーパrameterの正確な事後分布を提供すること。INLA手法を活用することで実現する。
• SROC曲線、尤度比、診断オッズ比といった一般的な診断指標を、出力内から直接得られることをサポートすること。

提案手法

• パッケージは、MCMCサンプリングを必要とせず迅速なベイズ推論を可能にするINLA（統合ネストドラプラシアン近似）Rパッケージに基づいている。
• ゼロセルに対しても連続性補正を用いない正確な二項尤度を用いた、感度と特異度の二項正規モデルを実装している。
• ロジット変換された感度と特異度のランダム効果は、それらの固有の相関を捉えるために二変量正規分布を用いている。
• 分散成分と相関の両方の事前分布を、従来のものとペナルティ付き複雑性（PC）事前分布の両方で指定可能である。
• PC事前分布フレームワークにより、確率的対比に基づく直感的な事前分布指定が可能であり、ハイパーパrameterはベースラインからの期待偏差として解釈可能である。
• インタラクティブなグラフィカルユーザーインターフェース（GUI）により、Rコードを書かずにモデル仕様、事前分布の探索、結果の可視化が可能である。

実験結果

リサーチクエスチョン

• RQ1 MCMCサンプリングに依存せずに、診断試験研究のベイズ的二変量メタアナリシスを効率的かつ正確に実行できるか？
• RQ2 スパースなデータ設定下で、バイアス、平均二乗誤差、信頼区間のカバレッジという観点から、ペナルティ付き複雑性（PC）事前分布は従来の事前分布よりも優れているか？
• RQ3 非専門家ユーザーのアクセス性を向上させるために、特別なベイズ的メタアナリシスパッケージにインタラクティブで使いやすいGUIを効果的に統合できるか？
• RQ4 データがスパースな場合に、二項正規モデルは正規正規近似モデルに比べて統計的効率性と頑健性の面で優れているか？
• RQ5 このパッケージは、SROC曲線、尤度比、診断オッズ比といった標準的な診断指標を、事後分布から直接信頼性を持って出力できるか？

主な発見

• meta4diagパッケージは、INLAを用いて迅速なベイズ的二変量メタアナリシスを実装し、時間のかかるMCMCサンプリングの必要性を排除した。
• ペナルティ付き複雑性（PC）事前分布の使用により、直感的で頑健かつ情報豊富な事前分布指定が可能であり、シミュレーションスタディにおいて従来の事前分布と同等以上の性能を示した。
• 正確な二項尤度を用いた二項正規モデルは、正規正規近似モデルに比べ、バイアス、平均二乗誤差、カバレッジの観点で優れており、特にスパースなデータ設定下で顕著に優位であった。
• インタラクティブなGUIにより、ユーザーはリアルタイムで事前分布やモデル設定を探索でき、SROC曲線やフォレストプロットを含む結果が即座に更新された。
• 感度、特異度、すべてのハイパーパrameterの事後周辺分布が正確に直接計算され、後処理やカスタムコードの必要がなかった。
• SROC曲線、診断オッズ比、尤度比といった即時利用可能な出力が提供され、再現性を確保するための対応するRコードも表示可能であった。