[论文解读] 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 20

一句话总结

该论文介绍了 meta4diag，一个 R 包，可使用集成嵌套拉普拉斯近似（INLA）而非马尔可夫链蒙特卡洛（MCMC）方法，实现快速、用户友好的诊断试验研究贝叶斯双变量元分析。该包支持灵活的先验设定，包括惩罚复杂度（PC）先验，并在无需 MCMC 抽样的情况下提供敏感性、特异性及汇总受试者工作特征（SROC）曲线的精确后验估计，适用于常规临床与流行病学研究。

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.

研究动机与目标

• 解决小样本、稀疏诊断元分析中频繁法和基于 MCMC 方法存在的计算低效与收敛性问题。
• 为不具备高级 R 编程技能的研究人员提供用户友好的界面，以执行贝叶斯双变量元分析。
• 实现灵活的先验设定框架，特别是惩罚复杂度（PC）先验，以在保持稳健性的同时整合专家知识。
• 在不依赖 MCMC 抽样的前提下，利用 INLA 方法提供敏感性、特异性及超参数的精确后验分布。
• 直接在输出中支持常见诊断指标，如 SROC 曲线、似然比和诊断优势比。

提出的方法

• 该包基于 INLA（集成嵌套拉普拉斯近似）R 包构建，实现无需 MCMC 抽样的快速贝叶斯推断。
• 采用精确二项分布似然的二项分布-正态模型对敏感性和特异性进行建模，避免对零单元格进行连续性校正。
• 模型使用双变量正态分布对敏感性和特异性对数胜率变换后的随机效应进行建模，以捕捉其固有的相关性。
• 用户可使用常规先验和惩罚复杂度（PC）先验，为方差分量和相关性指定先验分布。
• PC 先验框架允许基于概率对比的直观先验设定，其超参数可解释为相对于基线的预期偏离程度。
• 交互式图形用户界面（GUI）允许用户无需编写 R 代码即可进行模型设定、先验探索和结果可视化。

实验结果

研究问题

• RQ1 是否可以不依赖 MCMC 抽样，高效且准确地执行诊断试验研究的贝叶斯双变量元分析？
• RQ2 在双变量元分析中，惩罚复杂度（PC）先验与常规先验相比，在偏差、均方误差和覆盖区间方面的表现如何？
• RQ3 是否可以有效地将用户友好的交互式 GUI 集成到专门的贝叶斯元分析包中，以提升非专家用户的可及性？
• RQ4 在数据稀疏的情况下，二项分布-正态模型相较于正态-正态模型在统计效率和稳健性方面表现如何？
• RQ5 该包是否能可靠地直接从后验分布生成标准诊断指标，如 SROC 曲线、似然比和诊断优势比？

主要发现

• meta4diag 包成功实现了基于 INLA 的快速贝叶斯双变量元分析，消除了耗时的 MCMC 抽样需求。
• 使用惩罚复杂度（PC）先验可实现直观、稳健且信息丰富的先验设定，在模拟研究中表现至少不劣于常规先验。
• 采用精确二项分布似然的二项分布-正态模型在偏差、均方误差和覆盖区间方面优于正态-正态近似模型，尤其在稀疏数据情形下表现更优。
• 交互式 GUI 允许用户实时探索先验分布和模型设置，并即时更新结果，包括 SROC 曲线和森林图。
• 敏感性、特异性和所有超参数的后验边际分布被准确且直接计算，无需后续处理或自定义代码。
• 该包提供即用型输出，如 SROC 曲线、诊断优势比和似然比，并显示相应的 R 代码以确保可重现性。