[논문 리뷰] MetaStan: An R package for Bayesian (model-based) meta-analysis using Stan

Burak Kürsad Günhan, Christian Röver외 1명|arXiv (Cornell University)|2022. 02. 01.

Meta-analysis and systematic reviews인용 수 4

한 줄 요약

MetaStan은 Stan의 효율적인 하미르톤 몬테카를로 샘플링을 사용하여 베이지안(모델 기반) 메타분석을 가능하게 하는 R 패키지입니다. 이 패키지는 연속형, 이진형, 카운트 결과를 위한 일반선형혼합모형 프레임워크를 통해 쌍별 메타분석, 메타회귀, 모델 기반 메타분석을 지원하며, 유연한 사전 분포와 수렴 진단 기능을 제공합니다.

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.

연구 동기 및 목표

• 쌍별 메타분석, 메타회귀, 모델 기반 메타분석을 포함한 다양한 모델을 지원하는 사용자 友好的 R 패키지를 제공하는 것.
• Stan의 하미르톤 몬테카를로 샘플러를 활용한 효율적 베이지안 추론을 구현하여 이전의 MCMC 방법보다 계산 성능을 향상시키는 것.
• 희소 데이터 또는 소수의 연구로 구성된 메타분석에서 발생하는 문제를 약한 정보를 가진 사전 분포와 비중앙화 파arameterization을 통해 해결하는 것.
• 산점도 그래프(쌍별)와 복합용량-반응 그래프(모델 기반 메타분석)를 통해 결과를 시각화할 수 있도록 하는 것.
• 다양한 결과 유형에 맞는 가능성 함수와 링크 함수를 지원하는 유연하고 확장 가능한 메타분석 프레임워크를 제공하는 것.

제안 방법

• 일반선형혼합모형(GLMM) 프레임워크를 사용하여 쌍별 메타분석, 메타회귀, 모델 기반 메타분석을 모델링합니다.
• rstan 인터페이스를 통해 Stan의 하미르톤 몬테카를로(HMC) 샘플러를 활용하여 효율적인 사후분포 계산을 수행합니다.
• 희소 설정(예: 소수의 연구)에서는 기본적으로 비중앙화 파arameterization을 적용하여 MCMC 혼합과 수렴을 향상시킵니다.
• 다양한 가능도 함수를 지원합니다: 이진 결과에는 이항분포(로그릿 링크), 연속형 결과에는 정규분포(항등 링크), 카운트 데이터에는 포아송분포(로그 링크).
• 고정효과에 대한 약한 정보를 가진 사전 분포(정규분포)와 이질성에 대한 사전 분포(반정규분포, 코시분포, 균일분포)를 허용하여 추론의 안정성을 높입니다.
• 수렴 진단(예: R-hat, 유효 표본 크기) 및 시각화(산점도 그래프, 복합용량-반응 그래프)를 위한 내장 기능을 제공합니다.

실험 결과

연구 질문

• RQ1 현대 MCMC 샘플링을 사용하여 다양한 결과 유형(연속형, 이진형, 카운트)에 대해 베이지안 메타분석을 어떻게 효율적으로 구현할 수 있는가?
• RQ2 소표본 크기의 메타분석에서 비중앙화 파arameterization이 MCMC 수렴에 어떤 영향을 미치는가?
• RQ3 약한 정보를 가진 사전 분포는 희소 또는 희귀사건 설정에서 추정의 안정성을 어떻게 향상시키는가?
• RQ4 통합된 R 패키지가 복합용량-반응 모델링을 포함한 표준 쌍별 메타분석과 모델 기반 메타분석을 효과적으로 지원할 수 있는가?
• RQ5 복잡한 메타분석 모델에서 Stan 기반 HMC의 성능은 게이블스 또는 메트로폴리스-하스팅스 샘플러보다 어떻게 다를까?

주요 결과

• MetaStan은 Stan의 HMC 샘플러를 사용하여 높은 계산 효율성으로 베이지안 쌍별 메타분석, 메타회귀, 모델 기반 메타분석을 성공적으로 구현했습니다.
• 톱라미네이트 데이터셋(6개 연구)에서 비중앙화 파arameterization을 적용함으로써 MCMC 수렴이 향상되었으며, R-hat 값은 1에 가까웠고 유효 표본 크기는 3,200을 초과했습니다.
• 오즈비율의 사후 평균(θ)은 2.65이며, 95% 신뢰구간은 [2.15, 3.14]로 강한 치료 효과를 나타내었습니다.
• 이질성 표준편차(τ)의 사후 평균은 0.26이며, 95% 신뢰구간은 [0.21, 0.66]로 연구 간 변동성이 중간 정도임을 시사했습니다.
• 패키지는 신뢰할 수 있는 수렴 진단 기능을 제공하며, R-hat < 1.05 및 유효 표본 크기 > 3,200를 통해 강력한 추론을 지원합니다.
• MetaStan이 생성한 산점도 그래프와 복합용량-반응 시각화는 결과를 효과적으로 요약하여 임상 및 방법론적 적용에서의 해석 가능성을 높였습니다.