[논문 리뷰] Empirical prior distributions for Bayesian meta-analyses of binary and time to event outcomes

Frantis̆ek Bartos̆, Willem M. Otte외 4명|arXiv (Cornell University)|2023. 06. 20.

Meta-analysis and systematic reviews인용 수 5

한 줄 요약

이 논문은 약 12,000개의 Cochrane 메타분석 데이터를 활용하여 이진 변수 및 사건 발생 시간 결과에 대한 베이지안 메타분석을 위한 경험적 사전분포를 개발한다. 이는 로그 오즈비, 위험비, 위험차이, 위험비율 등에 대해 베이지안 모델 평균화 메타분석을 확장하여 치료 효과 및 이질성에 대한 증거를 정량화하면서도 모형 불확실성을 고려한다. 특히 소표본 설정에서 매우 유용하다.

ABSTRACT

Bayesian model-averaged meta-analysis allows quantification of evidence for both treatment effectiveness $μ$ and across-study heterogeneity $τ$. We use the Cochrane Database of Systematic Reviews to develop discipline-wide empirical prior distributions for $μ$ and $τ$ for meta-analyses of binary and time-to-event clinical trial outcomes. First, we use 50% of the database to estimate parameters of different required parametric families. Second, we use the remaining 50% of the database to select the best-performing parametric families and explore essential assumptions about the presence or absence of the treatment effectiveness and across-study heterogeneity in real data. We find that most meta-analyses of binary outcomes are more consistent with the absence of the meta-analytic effect or heterogeneity while meta-analyses of time-to-event outcomes are more consistent with the presence of the meta-analytic effect or heterogeneity. Finally, we use the complete database - with close to half a million trial outcomes - to propose specific empirical prior distributions, both for the field in general and for specific medical subdisciplines. An example from acute respiratory infections demonstrates how the proposed prior distributions can be used to conduct a Bayesian model-averaged meta-analysis in the open-source software R and JASP.

연구 동기 및 목표

• 이진 및 사건 발생 시간 결과에 대한 메타분석에서 치료 효과(μ) 및 연구 간 이질성(τ)에 대한 분야별 경험적 사전분포를 개발하기 위해.
• 베이지안 모델 평균화 메타분석을 이진 및 사건 발생 시간 결과로 확장하여 고정효과 모형 대 비고정효과 모형 간 선택 불확실성을 통합하기 위해.
• Cochrane 시스템적 리뷰 데이터베이스의 역사적 데이터를 활용하여 소표본 메타분석에서의 매개변수 추정 및 증거 정량화를 향상시키기 위해.
• 제안된 사전분포를 R 및 JASP와 같은 오픈소스 도구에 구현하여 보다 넓은 접근성과 재현 가능성을 확보하기 위해.
• 실제 메타분석에서 치료 효과 및 이질성의 존재 또는 부재를 다양한 결과 유형에서 어떻게 지지하는지 평가하기 위해.

제안 방법

• Cochrane 시스템적 리뷰 데이터베이스(CDSR)의 50%를 활용하여 μ 및 τ에 대한 다양한 확률분포 가족의 모수를 추정하기 위해.
• CDSR의 나머지 50%를 활용하여 최고 성능을 보이는 확률분포 가족을 선별하고 치료 효과 및 이질성의 존재 또는 부재에 대한 가정을 평가하기 위해.
• 로그 오즈비, 로그 위험비, 위험차이, 로그 위험비율의 메타분석 효과 크기를 모델링하기 위해 이항정규 및 정규정규 모델을 적용하기 위해.
• 약 50만 건의 임상시험 결과를 바탕으로 12,000개의 이진 결과 메타분석 및 200개의 사건 발생 시간 메타분석에서 경험적 사전분포를 校정하기 위해.
• RoBMA R 패키지 및 JASP 소프트웨어에 사전분포를 통합하여 시각화 및 가설 검정 기능을 갖춘 베이지안 모델 평균화 메타분석을 가능하게 하기 위해.
• 모델 예측 성능에 따라 각 고정효과 및 비고정효과 모형을 가중치를 두어 결합하는 베이지안 모델 평균화를 수행하기 위해.

Figure 2: Frequentist effect sizes estimates and candidate prior distributions from the training data set. Binary outcomes (log OR; first row) and time-to-event outcomes (log HR; second row). Histogram and tick marks display the estimated effect size estimates (left) and between-study standard devia

실험 결과

연구 질문

• RQ1 이진 및 사건 발생 시간 결과에 대한 메타분석에서 일반적인 치료 효과 크기 및 이질성의 특성을 가장 잘 반영하는 경험적 사전분포는 무엇인가?
• RQ2 실제 메타분석에서 이진 결과 메타분석과 사건 발생 시간 결과 메타분석 간 치료 효과 및 이질성의 존재를 지지하는 정도는 어떻게 비교되는가?
• RQ3 기존 메타분석이 귀무가설(효과 없음 또는 이질성 없음)을 지지하는 정도와 대립가설(효과 또는 이질성 존재)을 지지하는 정도는 어느 정도인가?
• RQ4 경험적 사전분포를 적용한 베이지안 모델 평균화 메타분석이 전통적 방법에 비해 소표본 메타분석에서 추론을 어떻게 향상시키는가?
• RQ5 제안된 사전분포는 R 및 JASP와 같은 오픈소스 소프트웨어에서 효과적으로 구현되고 시각화될 수 있는가? 실질적인 임상 연구 응용에 적합한가?

주요 결과

• 이진 결과 메타분석은 메타분석 효과 또는 연구 간 이질성의 부재를 더 잘 지지하는 반면, 사건 발생 시간 결과는 둘 다 존재함을 더 강하게 지지한다.
• 추정된 로그 오즈비(logOR) 효과 크기는 4.25 (95% CrI: 0.80, 18.20)였으며, 빈도주의 대비 좁은 신뢰구간을 보여 경험적 사전분포의 영향을 반영한다.
• 이질성 추정치 τ_logOR는 0.73 (95% CrI: 0.10, 3.13)이었으며, 이는 경험적 사전분포가 희소 데이터에서도 이질성 추정이 신뢰할 수 있음을 보여준다.
• 베이지안 모델 평균화 메타분석은 모형 선택에 대한 상당한 불확실성을 보였으며, 메타분석 전반에서 단일 모형이 지배하지는 않았다. 이는 모형 평균화의 가치를 강조한다.
• 역사적 데이터를 통합하여 일반적인 효과 크기 및 이질성 수준을 반영함으로써 경험적 사전분포가 소표본 설정에서 매개변수 추정을 크게 향상시켰다.
• R(RoBMA) 및 JASP에서의 구현을 통해 시각화, 가설 검정, 출판 편향 조정 기능을 갖춘 사용자 우호적인 베이지안 모델 평균화 메타분석 접근이 가능해졌다.

Figure 4: Posterior model probability of the competing prior distributions for log OR and log HR. For each comparison, the color gradient ranges from white (low posterior probability) to dark red (high posterior probability). The numbers in parentheses are the averaged posterior probabilities across