[論文レビュー] MetaStan: An R package for Bayesian (model-based) meta-analysis using Stan

Burak Kürsad Günhan, Christian Röver+1 more|arXiv (Cornell University)|Feb 1, 2022

Meta-analysis and systematic reviews被引用数 4

ひとこと要約

MetaStanは、Stanの効率的なハミルトニアン・モンテカルロ（HMC）サンプリングを用いて、ベイズ的（モデルベース）メタアナリシスを可能にするRパッケージである。このパッケージは、連続的、二値的、度数の結果に対して、一般化線形混合モデル（GLMM）フレームワークを用いて、対比較メタアナリシス、メタ回帰、モデルベースメタアナリシスをサポートしており、柔軟な事前分布と収束診断を備えている。

ABSTRACT

Meta-analysis methods are used to combine evidence from multiple studies. Meta-regression as well as model-based meta-analysis are extensions of standard pairwise meta-analysis in which information about study-level covariates and (arm-level) dosing amount or exposure may be taken into account. A Bayesian approach to inference is very attractive in this context, especially when a meta-analysis is based on few studies only or rare events. In this article, we present the R package MetaStan which implements a wide range of pairwise and model-based meta-analysis models. A generalised linear mixed model (GLMM) framework is used to describe the pairwise meta-analysis, meta-regression and model-based meta-analysis models. Within the GLMM framework, the likelihood and link functions are adapted to reflect the nature of the data. For example, a binomial likelihood with a logit link is used to perform a meta-analysis based on datasets with dichotomous endpoints. Bayesian computations are conducted using Stan via the rstan interface. Stan uses a Hamiltonian Monte Carlo sampler which belongs to the family of Markov chain Monte Carlo methods. Stan implementations are done by using suitable parametrizations to ease computations. The user-friendly R package MetaStan, available on CRAN, supports a wide range of pairwise and model-based meta-analysis models. MetaStan provides fitting functions for pairwise meta-analysis with the option of including covariates and model-based meta-analysis. The supported outcome types are continuous, binary, and count. Forest plots for the pairwise meta-analysis and dose-response plots for the model-based meta-analysis can be obtained from the package. The use of MetaStan is demonstrated through clinical examples.

研究の動機と目的

• 対比較メタアナリシス、メタ回帰、モデルベースメタアナリシスを含む幅広いモデルをサポートする、使いやすいRパッケージを提供すること。
• Stanのハミルトニアン・モンテカルロ（HMC）サンプラーを用いた効率的なベイズ推論を実装し、従来のMCMC手法よりも計算性能を向上させること。
• スパースなデータや少数の研究でのメタアナリシスにおける課題に対処するため、弱 informative な事前分布と非中心化パrameterizationを組み込むこと。
• フォレストプロット（対比較）とドーズ・リポンスプロット（モデルベースメタアナリシス）を通じた結果の可視化を可能にすること。
• さまざまな尤度関数とリンク関数をサポートする、柔軟で拡張可能なメタアナリシスのフレームワークを提供すること。

提案手法

• 一般化線形混合モデル（GLMM）フレームワークを用いて、対比較メタアナリシス、メタ回帰、モデルベースメタアナリシスをモデル化する。
• rstanインタフェースを介して、Stanのハミルトニアン・モンテカルロ（HMC）サンプラーを用いて効率的な事後分布の計算を実行する。
• 収束性と混合性の向上を図るため、スパースな状況（例：少数の研究）ではデフォルトで非中心化パrameterizationを適用する。
• 複数の尤度関数をサポートする：二値的結果には二項分布（ロジットリンク）、連続的結果には正規分布（恒等リンク）、度数データにはポアソン分布（ログリンク）。
• 固定効果には正規分布、異質性には半ノルム、コーシー、一様分布を用いた弱 informative な事前分布を指定可能にし、推論の安定性を向上させる。
• 収束診断（例：R-hat、有効サンプルサイズ）および可視化（フォレストプロット、ドーズ・リポンスプロット）のための組み込み関数を提供する。

実験結果

リサーチクエスチョン

• RQ1 現代のMCMCサンプリングを用いて、連続的、二値的、度数の結果という多様な結果タイプに対して、どのように効率的なベイズ的メタアナリシスを実装できるか？
• RQ2 低サンプルサイズのメタアナリシスにおいて、非中心化パrameterizationがMCMC収束性に与える影響は何か？
• RQ3 弱 informative な事前分布は、スパースまたはレアイベントの状況での推定安定性をどのように向上させるか？
• RQ4 統一されたRパッケージは、標準的な対比較メタアナリシスとドーズ・リポンスモデリングを併用するモデルベースメタアナリシスを効果的にサポートできるか？
• RQ5 複雑なメタアナリティックモデルにおいて、StanベースのHMCは、ギブス法やメトロポリス・ハスティングス法と比較して、性能にどのような差を生じるか？

主な発見

• MetaStanは、StanのHMCサンプラーを用いて、高い計算効率でベイズ的対比較メタアナリシス、メタ回帰、モデルベースメタアナリシスを実装した。
• トピラマートのデータセット（6件の研究）において、非中心化パrameterizationの適用によりMCMC収束性が向上し、R-hat値は1に近く、有効サンプルサイズは3,200を超えた。
• オッズ比の対数（θ）の事後平均は2.65、95％信用区間は[2.15, 3.14]であり、強力な治療効果を示している。
• 異質性の標準偏差（τ）の事後平均は0.26、95％信用区間は[0.21, 0.66]であり、研究間の変動が中程度であることを示している。
• R-hat < 1.05および有効サンプルサイズ > 3,200という信頼性の高い収束診断を提供しており、堅牢な推論を可能としている。
• MetaStanが生成するフォレストプロットとドーズ・リポンス可視化は、臨床的およびメソドロジカルな応用において結果の解釈を効果的に支援している。