[论文解读] 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 4

一句话总结

MetaStan 是一个 R 包，通过 Stan 的高效哈密顿蒙特卡洛采样实现贝叶斯（基于模型的）元分析。它支持配对元分析、元回归以及连续、二分类和计数结果的基于模型的元分析，采用广义线性混合模型框架，支持灵活的先验分布和收敛性诊断。

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.

研究动机与目标

• 为贝叶斯元分析提供一个用户友好的 R 包，支持多种模型，包括配对元分析、元回归和基于模型的元分析。
• 通过 Stan 的哈密顿蒙特卡洛采样器实现高效的贝叶斯推断，相比旧的 MCMC 方法提升计算性能。
• 通过引入弱信息先验和非中心化参数化，解决稀疏数据或研究数量较少的元分析中的挑战。
• 通过森林图（配对）和剂量-反应图（基于模型的元分析）实现结果的可视化。
• 提供一个灵活、可扩展的元分析框架，支持不同结果类型下的多种似然函数和链接函数。

提出的方法

• 使用广义线性混合模型（GLMM）框架对配对元分析、元回归和基于模型的元分析进行建模。
• 通过 rstan 接口使用 Stan 的哈密顿蒙特卡洛（HMC）采样器，实现高效的后验计算。
• 在稀疏场景（如研究数量较少）下，默认采用非中心化参数化，以改善 MCMC 混合和收敛性。
• 支持多种似然函数：二分类结果使用二项分布（logit 链接），连续结果使用正态分布（恒等链接），计数数据使用泊松分布（log 链接）。
• 允许为固定效应（正态先验）和异质性（半正态、柯西、均匀先验）指定弱信息先验，以稳定推断。
• 提供内置函数进行收敛性诊断（如 R-hat、有效样本量）和可视化（forest_plot、剂量-反应图）。

实验结果

研究问题

• RQ1 如何使用现代 MCMC 采样方法高效实现多种结果类型（连续、二分类、计数）的贝叶斯元分析？
• RQ2 非中心化参数化在小样本量元分析中的 MCMC 收敛性方面有何影响？
• RQ3 弱信息先验在稀疏或罕见事件场景中如何提升估计的稳定性？
• RQ4 一个统一的 R 包能否有效支持标准配对元分析和具有剂量-反应建模的基于模型的元分析？
• RQ5 在复杂元分析模型中，基于 Stan 的 HMC 采样器与 Gibbs 或 Metropolis-Hastings 采样器相比性能如何？

主要发现

• MetaStan 使用 Stan 的 HMC 采样器成功实现了贝叶斯配对元分析、元回归和基于模型的元分析，计算效率高。
• 在托吡酯数据集（6 项研究）中采用非中心化参数化后，MCMC 收敛性得到改善，R-hat 值接近 1，有效样本量超过 3,200。
• 后验估计的比值比（θ）的均值为 2.65，95% 可信区间为 [2.15, 3.14]，表明治疗效应强烈。
• 异质性标准差（τ）的后验均值为 0.26，95% 可信区间为 [0.21, 0.66]，表明研究间变异中等。
• 该包提供可靠的收敛性诊断，包括 R-hat < 1.05 和有效样本量 > 3,200，支持稳健推断。
• MetaStan 生成的森林图和剂量-反应可视化图有效总结了结果，增强了临床和方法学应用中的可解释性。