Bayesian model selection on linear mixed-effects models for comparisons between multiple treatments and a control
我们提出了一种新的贝叶斯模型选择技术的线性混合效应模型比较多个治疗与控制。采用完全贝叶斯方法来估计边际纳入概率,该概率提供治疗和对照之间差异的直接测量,以及模型平均后验分布。缺省先验提出了结合领域知识的模型选择,并开发了一种有效的后验计算的组件式吉布斯采样器。我们证明了所提出的方法的基础上模拟数据和实验数据集从小鼠寿命和体重轨迹的纵向研究。
2015-09-24 stat.AP stat.ME
Dynamic Treatment Regimes using Bayesian Additive Regression Trees for Censored Outcomes
为了实现为每位患者提供最佳护理的目标,医生需要为具有相同诊断的患者定制治疗方法,特别是在治疗可能进一步发展并需要额外治疗的疾病时,例如癌症。随着疾病的进展,在多个阶段做出决定可以被正式定义为动态治疗方案(DTR)。大多数现有的估计动态治疗方案的优化方法,包括流行的Q-学习方法是在频率论的背景下开发的。最近,一个通用的贝叶斯机器学习框架,促进使用贝叶斯回归建模优化DTR已经提出。在这篇文章中,我们使用贝叶斯加性回归树(BART)为加速故障时间建模框架下的每个阶段,以及模拟研究和实际数据的例子,比较所提出的方法与Q学习的删失结果。我们还开发了一个R包装函数,利用标准的BART生存模型来优化DTR的删失结果。包装器函数可以很容易地扩展以适应任何类型的贝叶斯机器学习模型。
2022-10-24 stat.ME
Nonparametric Bayesian Approach to Treatment Ranking in Network Meta-Analysis with Application to Comparisons of Antidepressants
网络荟萃分析是一种强大的工具,可以综合独立研究的证据,同时比较多种治疗方法。进行网络荟萃分析的一项关键任务是为特定疾病结局提供所有可用治疗方案的排名。通常情况下,估计的治疗排名伴随着大量的不确定性,遭受多重性问题,很少允许的关系。这些问题使得解释排名成为问题,因为它们通常被视为绝对指标。为了解决这些缺点,我们制定了一个排名策略,通过产生更保守的结果,以适应高阶不确定性的情况。这提高了可解释性,同时考虑到多重比较。为了承认处理效应之间的联系,我们还开发了贝叶斯非参数网络荟萃分析方法。该方法利用贝叶斯非参数方法的诱导聚类机制,产生两个处理效应相等的正概率。我们通过数值实验和旨在研究抗抑郁治疗的网络荟萃分析证明了该程序的实用性。
2022-07-13 stat.ME
A Bayesian Framework for Causal Analysis of Recurrent Events with Timing Misalignment
Brown University(布朗大学);University of Pennsylvania(宾夕法尼亚大学)
针对观察性研究中复发事件的时间错位与终止事件问题,提出基于时变治疗设定的贝叶斯框架,通过g-computation与联合半参数模型估计平均因果效应,并应用于Medicare数据对比阿片类治疗的住院率。
2024-11-12 cs.LG stat.AP stat.ME
Double Robust Bayesian Inference on Average Treatment Effects
提出一种双重稳健贝叶斯推断方法估计平均处理效应,通过调整先验和后验并建立半参数Bernstein-von Mises定理,实现渐近精确覆盖的置信区间,模拟和实证中表现优于现有方法。
2025-02-25 econ.EM stat.ME stat.ML
Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Amsterdam University Medical Centre(阿姆斯特丹大学医学中心)
该研究提出贝叶斯融合森林框架,结合随机试验与真实世界数据估计生存异质性处理效应,经模拟和HIV数据分析显示其效率优于仅试验分析,可明确识别患者获益。
2026-08-03 stat.ME stat.ML
Bayesian Machine Learning for Estimating Optimal Dynamic Treatment Regimes with Ordinal Outcomes
本文提出将有序贝叶斯加性回归树(OBART)纳入贝叶斯机器学习框架,用于估计有序结局下的最优动态治疗方案并量化不确定性,通过模拟和戒烟试验数据验证了方法的有效性。
2025-03-08 stat.ME
Bayesian Causal Synthesis for Meta-Inference on Heterogeneous Treatment Effects
本文提出 Bayesian causal synthesis,通过综合多个因果估计并识别综合函数,在模型误设和未观测混杂下实现异质性处理效应的一致估计,并以模拟和实证验证其优势。
2024-05-08 stat.ME
A Bayesian Treatment Selection Design for Phase II Randomised Cancer Clinical Trials
本文提出一种基于后验区间概率的贝叶斯II期随机癌症临床试验设计,可选择最佳治疗并给出两种样本量确定方法,辅以R Shiny工具支持临床应用。
2025-05-14 stat.AP stat.ME
Bayesian X-Learner: Calibrated Posterior Inference for Heterogeneous Treatment Effects under Heavy-Tailed Outcomes
Independent researcher(独立研究者)
本文提出贝叶斯X学习器,通过交叉拟合双重稳健伪结果和Welsch红降伪似然,实现对异质处理效应的校准后验推断,具有鲁棒性与高精度。
2026-04-30 cs.LG stat.ML
A semiparametric modeling approach using Bayesian Additive Regression Trees with an application to evaluate heterogeneous treatment effects
贝叶斯加性回归树(Bayesian Additive Regression Trees,BART)是一种灵活的机器学习算法,能够捕获结果和协变量之间的非线性以及协变量之间的相互作用。我们将BART扩展到一个半参数回归框架,其中对结果的条件期望是治疗、其效应修饰因子和混杂因素的函数。不具有科学意义的混杂因素允许具有未指定的函数形式,而治疗和其他具有科学重要性的协变量则由参数回归给出通常的线性形式。结果是贝叶斯半参数线性回归模型,其中线性部分的参数的后验分布可以解释为参数贝叶斯回归。这在以下情况下是有用的:变量的一个子集是实质性的,而其他变量是我们想要控制的讨厌的变量。这方面的一个例子发生在结构平均模型(SMM)的因果建模中。在一定的因果假设下,我们的方法可以用作贝叶斯SMM。我们的方法证明了模拟研究和应用程序的数据集,涉及新开始抗逆转录病毒治疗的艾滋病毒/丙型肝炎合并感染的成年人。这些方法在R包semibart中可用。
2018-06-11 stat.AP
Sparse two-stage Bayesian meta-analysis for individualized treatments
针对多中心数据共享受限与双重稀疏性问题,提出两阶段贝叶斯元分析方法估计个体化治疗规则,在保护数据隐私的同时实现参数一致估计,并成功应用于最优华法林剂量策略估计。
2024-06-05 stat.AP stat.ME
Bayesian integration G-formula for platform SMART designs allowing for adding new treatments
Duke-NUS Medical School(杜克-国大医学院);National University of Singapore(新加坡国立大学);Duke University(杜克大学);University of Melbourne(墨尔本大学)
本文提出了一种整合平台试验和SMART设计的新型平台SMART,引入贝叶斯整合G公式(BIG)估计量以处理非同步治疗比较,并通过模拟和SNAP试验验证其有效性。
2026-04-28 stat.ME
A Bayesian likely responder approach for the analysis of randomized controlled trials
NYU School of Medicine(纽约大学医学院)
本文提出一种贝叶斯两阶段方法,用于随机对照试验中亚群体识别与治疗效应推断,通过整合模型不确定性提升置信区间校准性,并在新冠治疗试验中验证了亚群体治疗效应的显著差异。
2026-03-11 stat.ME
Bayesian Set of Best Dynamic Treatment Regimes and Sample Size Determination for SMARTs with Binary Outcomes
序贯、多重分配、随机试验(SMART)的主要目标之一是找到最有效的设计嵌入动态治疗方案。被称为最佳多重比较(MCB)的分析方法允许在动态治疗方案之间进行比较,并在连续结果的频率论设置中确定一组最佳方案,从而直接解决SMART的主要目标。在本文中,我们开发了一个贝叶斯概括MCB的SMART与二进制的结果。此外,我们展示了如何选择样本量,以便以指定的功效筛选出劣质的嵌入式DTR。我们使用其精确分布比较不同DTR之间的对数几率,而不依赖于分析或功效计算中的渐近正态性。我们在两个SMART设计下进行了广泛的模拟研究,并说明了我们的方法在酒精和可卡因依赖适应性治疗(ENGAGE)试验中的应用。
2020-08-05 stat.AP stat.ME
Bayesian multivariate logistic regression for superiority and inferiority decision-making under observable treatment heterogeneity
本文提出一种基于Pólya-Gamma展开的贝叶斯多元逻辑回归方法,用于在异质性治疗效应的随机对照试验中进行优越性决策,包含系数转换与决策程序,有效揭示亚组治疗差异。
2024-03-26 stat.ME
Bayesian Inference for Sequential Treatments under Latent Sequential Ignorability
我们专注于纵向治疗的因果推断,其中单位被分配给多个时间点的治疗,旨在评估不同治疗序列对最终点观察到的结果的影响。类似研究中的一个常见假设是序贯可忽略性(SI):假设每个时间点的治疗分配独立于过去观察到的结局和协变量的未来潜在结局。当治疗参与取决于个人选择,治疗分配可能取决于与未来结局相关的不可观察的数量时,SI是值得怀疑的。我们依赖于主分层来制定SI的宽松版本:潜在的顺序忽略性(LSI)假设治疗分配有条件地独立于过去治疗的未来潜在结果,协变量和主分层成员,由观察到的联合值定义的潜在变量和缺失的中间结果。我们评估SI和LSI,使用理论参数和模拟研究,以调查两个假设的性能时,一个持有和推理下进行。仿真结果表明,当SI不成立时,在SI下进行的推理会导致误导性的结论。相反,LSI通常会导致正确的后验分布,无论哪个假设成立。
2019-05-12 stat.ME
Bayesian Supervised Causal Clustering
School of Informatics, University of Edinburgh(信息学院,爱丁堡大学);Usher Institute, University of Edinburgh(乌瑟研究所,爱丁堡大学)
本文提出贝叶斯监督因果聚类方法,通过治疗效应指导聚类过程,识别具有相似协变量特征和治疗效应的同质亚组,并在模拟和现实数据上验证其有效性。
2026-03-05 cs.LG stat.ML
Hierarchical Bayesian Bootstrap for Heterogeneous Treatment Effect Estimation
因果推断的一个主要焦点是估计异质性平均处理效应(HTE)-另一个关注变量(如生物标志物水平、教育或年龄分层)分层内的平均处理效应。推断涉及估计特定于层的回归,并将其整合到该层中混杂因素的分布上-这本身必须被估计。标准实践涉及独立估计这些层特异性混杂因素分布(例如,通过经验分布或Rubin的贝叶斯自助法),这对于具有很少观察到的混杂因素向量的稀疏人口层来说是有问题的。在本文中,我们开发了一个非参数的分层贝叶斯自助(HBB)先验的分层特定的混杂分布的HTE估计。HBB部分地汇集了特定于层的分布,从而允许在稀疏性是一个问题时跨层原则性地借用混淆信息。我们发现,在HBB下的后验推理可以产生效率增益超过标准的边缘化方法,同时避免强参数假设的混杂分布。我们使用我们的方法来评估质子与光子放化疗在各种癌症类型中的不良事件风险。
2023-01-04 stat.ME
A Comprehensive Bayesian Treatment of the Universal Kriging model with Matérn correlation kernels
Gibbs参考后验分布为具有Matérn各向异性核的平稳高斯过程的预测问题提供了一个客观的全贝叶斯解决方案。一个完整的贝叶斯方法是可能的,因为后验分布表示为一致遍历马尔可夫核的不变分布,我们给出了一个明确的表达式。在本文中,我们表明,它是适当的泛克里格框架,即当一个未知的函数被添加到平稳高斯过程。我们给出了适用于各种实际情况的吉布斯参考后验的存在性和适当性的充分条件,并用几个例子说明了该方法。最后,高斯过程的模拟表明,吉布斯参考后验具有良好的频率属性的预测区间的覆盖。
2018-01-15 math.ST stat.TH
A Bayesian hierarchical meta-analytic method for modelling surrogate relationships that vary across treatment classes using aggregate data
替代终点在药物开发中发挥重要作用,因为它们可用于与最终临床结局相比早期测量处理效应,并预测临床获益或危害。通过使用荟萃分析方法研究替代物上的处理效应与最终结局之间的替代关系,评估这些终点的临床获益预测值。当替代关系在治疗类别之间变化时,由于每个治疗类别内的数据有限,这种验证可能会失败。在本文中,两种替代贝叶斯元分析方法介绍了允许从其他治疗类的信息借用时,探索代孕在一个特定的类。第一种方法将替代终点评价的标准模型扩展为分层荟萃分析模型,假设所有治疗类别之间的替代关系完全交换,从而促进跨类别信息的借用。第二种方法是能够放宽这一假设,允许部分交换的替代关系的治疗类,以避免过度借用的信息,从明显不同的类。我们进行了一项模拟研究,以评估所提出的方法在九个数据的情况下,并比较它们与亚组分析使用的标准模型在每个治疗类。我们还将该方法应用于结直肠癌的说明性例子,从而获得更高精度的替代关系的参数描述。
2019-09-04 stat.AP stat.ME
Doubly-Robust Bayesian Estimation of Optimal Individualized Treatment Rules using Network Meta-Analysis
本文提出一种双重稳健的贝叶斯方法,通过网络meta分析估计最优个体化治疗规则,以提高统计效力并处理缺失数据问题。
2026-02-03 stat.AP stat.ME
Estimating Optimal Dynamic Treatment Regimes Using Irregularly Observed Data: A Target Trial Emulation and Bayesian Joint Modeling Approach
本文扩展目标试验框架以处理不规则观测数据下的最优动态治疗方案估计,提出基于贝叶斯联合模型的G计算方法,校正就诊与治疗过程的混杂偏差,并在HIV治疗数据中验证其有效性。
2025-02-04 stat.ME
Factorial Multivariate Bayesian Causal Forests: heterogeneous main and interaction effects of multiple treatments on correlated outcomes
Royal College of Surgeons in Ireland (RCSI University of Medicine and Health Sciences)(爱尔兰皇家外科医学院(RCSI 医学与健康科学大学))
本文提出阶乘多元贝叶斯因果森林,统一估计多个二元处理对相关结果的异质主效应与交互效应,提供高效采样与可解释性工具,模拟验证稳健,并应用于多领域数据。
2026-09-28 stat.AP stat.CO stat.ME
Bayesian additive regression trees for evaluating treatment benefit predictors using observational data
本研究利用贝叶斯加性回归树,基于观测数据评估治疗获益预测因子,通过模拟和COPD案例验证方法有效性,发现所构建的TBP预测不校准。
2026-09-21 stat.ME
A Bayesian framework for cost-effectiveness analysis with time-varying treatment decisions
Brown University(布朗大学);University of Pennsylvania(宾夕法尼亚大学)
本文提出了一种基于顺序决策的贝叶斯框架,用于处理时间变化治疗决策的成本效用分析,通过联合建模成本和事件时间,解决非随机分配和行政删失问题,并在模拟和真实数据中评估其有效性。
2026-01-19 stat.ME
Bayesian Nonparametric Estimation for Dynamic Treatment Regimes with Sequential Transition Times
肿瘤学和其他疾病领域中的动态治疗方案通常可以通过治疗或其他动作的交替序列以及疾病状态之间的过渡时间来表征。过渡状态的顺序可能会因患者而异,这取决于该方案如何发挥作用,并且在实践中通常存在许多可能的反事实结果序列。为了评估这些状态,平均最终总时间可以表示为连续过渡时间的所有可能总和的平均值的加权平均值。一个常见的例子出现在癌症治疗中,其中各种治疗序列之间的过渡时间、疾病缓解、疾病进展和死亡表征了总生存时间。对于一般设置,我们建议估计平均总的结果时间,假设贝叶斯非参数回归模型的每个过渡时间的对数。假设一个具有高斯过程基测度的依赖Dirichlet过程先验(DDP-GP),通过马尔可夫链蒙特卡罗(MCMC)采样得到联合后验.我们提供了一般性的指导方针,使用经验贝叶斯方法构建先验。我们比较所提出的方法与治疗加权的逆概率。这些比较是通过单阶段和多阶段方案的模拟研究进行的,治疗分配取决于基线协变量。该方法被应用于分析数据集所产生的临床试验涉及多阶段化疗方案的急性白血病。用于实现基于DDP-GP的贝叶斯非参数分析的R程序可在https://www.ma.utexas.edu/users/yxu/上免费获得。
2014-05-12 stat.AP
Time-varying Bayesian Network Meta-Analysis
复杂皮肤和软结构感染(cSSSI)中存在耐甲氧西林的\textit{Staphylococus Aureus}(MRSA)与患者更大的健康风险和经济成本相关。人们担心MRSA对其他“金标准”治疗(如万古霉素)产生耐药性,并且与利奈唑胺相比,万古霉素的相对疗效存在分歧。有几篇综述论文采用贝叶斯网络荟萃分析(BNMAs)来研究哪种治疗方法对MRSA相关cSSSI最好,但没有一篇涉及基于时间的设计不一致。本文提出了一种时变BNMA(tBNMA),它使用高斯过程内核对研究中的时变处理效应进行建模。一个数据集是从9个现有的MRSA cSSSI NMA综述论文中汇编而成的,其中包含58项研究,比较了19年来的19种治疗方法。tBNMA发现万古霉素的处理效应呈非线性趋势的证据-在2002年至2007年期间,万古霉素的疗效低于利奈唑胺,但此后恢复了统计学等效性。
2023-03-10 stat.AP
Identifying treatment effect heterogeneity in dose-finding trials using Bayesian hierarchical models
药物开发中的一项重要任务是确定患者对实验性治疗的反应更好或更差。识别影响处理效应并可用于定义患者亚组的预测协变量是这项任务的关键方面。然而,已知处理效应异质性分析具有挑战性,因为可能的协变量或亚组的数量通常很大,而药物开发早期阶段的样本量通常很小。此外,区分预测协变量与预后协变量(其影响与给定治疗无关的反应)通常很困难。虽然已经提出了许多解决这些问题的方法,但大多数方法都集中在两组临床试验环境中,即给予患者治疗或对照。在本文中,我们考虑平行组剂量探索试验,其中患者给予不同剂量的相同治疗。为了研究这种情况下的处理效应异质性,我们提出了一个协变量对剂量反应参数有影响的贝叶斯分层剂量反应模型。我们利用收缩先验来防止过度拟合,当考虑的协变量数量很大而样本量很小时,过度拟合很容易发生。我们在模拟中比较了几个这样的先验,并研究了预后和预测效应的相关建模,以更好地区分这两种类型的效应。我们说明了使用我们提出的方法,使用II期剂量探索试验,并显示它如何可以用来确定预测协变量和亚组的患者增加处理效应。
2018-11-26 stat.ME
Personalized Dynamic Treatment Regimes in Continuous Time: A Bayesian Approach for Optimizing Clinical Decisions with Timing
临床行动及其对疾病进展的影响的准确模型对于估计医学/健康研究中的个性化最佳动态治疗方案(DTR)至关重要,特别是在管理慢性疾病方面。DTR的传统统计方法通常侧重于估计每次给定医疗干预的最佳治疗或剂量,但忽略了“何时应该进行干预”这一重要问题。“我们通过开发两步贝叶斯方法来填补这一空白,以优化临床决策的时机。在第一步中,我们建立了一个生成模型的医疗干预序列,这是离散事件在连续的时间标记的时间点过程(MTPP)的标记是分配的治疗或剂量。然后将该临床行动模型嵌入贝叶斯联合框架,其中其他组件对临床观察进行建模,包括纵向医疗测量和以治疗历史为条件的事件发生时间数据。在第二步中,我们提出了一种策略梯度方法来学习个性化的最佳临床决策,通过将MTPP与临床观察模型进行交互,同时考虑第一步中从贝叶斯联合模型的后验推理中学习到的临床观察中的不确定性,从而最大限度地提高患者的生存率。所提出的方法的一个签名应用是安排随访访视,并在每次访视时为肾移植后的患者分配剂量。我们评估我们的方法与模拟和真实世界的数据集上的替代方法进行比较。在我们的实验中,所提出的方法所做出的个性化决策在临床上是有用的:它们是可解释的,并成功地帮助提高患者的生存率。
2021-02-18 stat.ME
Bayesian Hierarchical Methods for Surveillance of Cervical Dystonia Treatments
本研究利用贝叶斯分层方法分析109名患者的多中心随机对照试验数据,比较B型肉毒杆菌毒素不同剂量对颈部肌张力障碍的疗效,发现5,000单位剂量效果更优且男性反应更好,为个体化治疗提供了概率框架。
2025-08-21 stat.AP
Prediction of cancer dynamics under treatment using Bayesian neural networks: A simulated study
本研究提出分层贝叶斯模型结合贝叶斯神经网络,利用基线协变量预测治疗下癌症动态,模拟实验表明其优于线性模型,可推广至其他癌症及时间序列预测。
2024-05-23 q-bio.QM stat.ML
Bayesian inference for optimal dynamic treatment regimes in practice
在这项工作中,我们研究了最近开发的贝叶斯推断的最佳动态治疗方案(DTRs)的方法。DTR是一套治疗决策规则,旨在根据患者的具体特征定制患者护理,因此属于精确医学领域。在这一领域,研究人员寻求量身定制治疗,以改善健康结果;因此,他们最感兴趣的是确定最佳DTR。最近的工作已经开发了贝叶斯方法,用于经由贝叶斯动态边际结构模型(MSM)来识别由$ψ$索引的家族中的最佳DTR(Rodriguez Duque等人,2022 a);我们回顾了提出的估计程序,并通过新的贝叶斯DTRR包说明了其使用。虽然在(Rodriguez Duque et al.,2022 a)可以很好地估计最佳DTR,但当人群中的每个人都遵循给定治疗策略(称为值函数)的预期结果模型被错误指定时,或者当采用网格搜索最佳值时,它们可能会导致有偏估计。我们描述了最近的工作,其使用在值函数上先验的高斯过程($GP$)作为鲁棒地识别最佳DTR的手段(Rodriguez Duque等人,2022 b)。我们演示了如何$GP$的方法可以实现与贝叶斯DTR包,并与其他价值搜索方法,以确定最佳DTR的对比。我们使用来自HIV治疗试验的数据来说明这些方法的标准分析,使用原始观察到的试验数据和额外的模拟组件来展示纵向(两阶段DTR)分析。
2023-03-27 stat.ME
Backward Bayesian Outcome Weighted Learning
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Duke University(杜克大学)
针对现有结局加权学习类方法无法量化个体治疗决策不确定性的问题,本文将贝叶斯OWL扩展至多阶段场景,提出反向贝叶斯结局加权学习(BBOWL),通过模拟研究验证了其性能。
2026-08-04 stat.ME stat.ML
Bayesian inference for treatment effects under nested subsets of controls
在构建模型以估计治疗的因果效应时,有必要控制可能具有混杂效应的其他因素。然而,由于可验证性假设是不可检验的,因此通常不清楚哪一组最小控制是适当的-正如它们在模型中的适当函数形式一样-而且效应估计可能对这些选择敏感。在这种情况下,一种常见的方法是拟合几个模型,每个模型具有不同的对照质量标准(假设可用的对照足以但可能不是所有的对照都需要去发现处理效应),但很难在多个产生的后验分布下协调处理效应的推断。因此,我们提出了一个两阶段的方法来衡量敏感性的效果估计方面的控制规格。在第一阶段中,使用仔细选择的先验来调整混杂,将模型与所有可用的对照拟合。在第二阶段,使用全模型下的投影后验,计算嵌套对照组子模型下处理效应的后验分布,提供有效的贝叶斯推断。我们演示了如何使用我们的方法来检测数据集中有影响力的混杂因素,并将其应用于测量合法堕胎对犯罪率影响的观察性研究的敏感性分析中。
2022-09-02 stat.ME
A Bayesian approach for energy-based estimation of acoustic aberrations in high intensity focused ultrasound treatment
高强度聚焦超声是一种用于治疗病变组织的非侵入性方法,其使用超声束在小体积内产生热量。应用该技术的一个常见挑战是生物介质的异质性会使超声波束散焦。在这里,我们减少的问题重新聚焦的光束的逆问题估计的声像差,由于从声辐射力成像数据的生物组织。我们解决这个逆问题,使用贝叶斯框架与分层先验和解决逆问题,使用大都市内吉布斯算法。该框架使用合成和实验数据集进行测试。我们证明了我们的方法能够使用小数据集(少至32个超声处理测试)来估计像差,这可以导致治疗过程的显着加速。此外,我们的方法与广泛的超声处理测试兼容,并可应用于其他基于能量的测量技术。
2018-06-07 physics.med-ph stat.AP
A Bayesian adaptive enrichment design using aggregate historical data to inform individualized treatment recommendations
Montreal Heart Institute(蒙特利尔心脏研究所);Université de Montréal(蒙特利尔大学);McGill University(麦吉尔大学)
提出一种贝叶斯自适应富集设计,利用基于归一化幂先验的聚合历史数据(如平均治疗效果)来借用外部信息,通过后验概率指导早期停止或招募,以提高统计功效并减少期望样本量。
2026-06-01 stat.ME
Bayesian inference for a principal stratum estimand to assess the treatment effect in a subgroup characterized by post-randomization events
在随机临床试验中,特定亚组的处理效应通常是令人感兴趣的。当亚组的特征是不存在某些随机化后事件时,对不存在这些事件的患者亚组进行简单分析可能会产生误导。主要分层框架允许在这种情况下定义一个适当的因果估计。主要分层估计量的统计推断取决于科学合理的假设,这些假设可以通过先验分布与贝叶斯方法结合使用。我们的激励性例子是一项辛波莫德治疗继发性进展型多发性硬化症患者的大型随机安慰剂对照试验。该试验的主要目的是证明辛波莫德相对于安慰剂在延迟整个研究人群的残疾进展方面的功效。然而,从科学和监管角度来看,试验期间不会复发的患者亚组的处理效应具有相关性。评估该亚组的处理效应具有挑战性,因为有强有力的证据表明辛波莫德可减少复发。根据ICH E9(R1)法规指南草案,我们详细描述了关注的科学问题、主要分层被估量、二元终点的相应分析方法和敏感性分析。
2018-09-11 stat.AP
Identifying Treatment Effect Heterogeneity with Bayesian Hierarchical Adjustable Random Partition in Adaptive Enrichment Trials
McGill University(麦吉尔大学);Concordia University(康科迪亚大学)
本文提出BHARP模型,通过贝叶斯分层可调随机分区方法识别治疗效应异质性,提升临床试验中亚组反应估计的准确性和精度。
2026-03-04 stat.AP stat.ME
A Bayesian treatment of the German tank problem
本文以教程形式介绍德国坦克问题的贝叶斯方法,通过为总体规模赋予概率分布来量化不确定性,并支持纳入先验信息,同时综述了其他类似问题。
2023-01-06 math.PR stat.OT
Identification and estimation of causal mechanisms in cluster-randomized trials with post-treatment confounding using Bayesian nonparametrics
Yale University School of Public Health(耶鲁大学公共卫生学院);University of Florida(佛罗里达大学)
本文提出一种贝叶斯非参数框架,用于处理集群随机试验中的干扰和事后混杂,通过多变量高斯 copula 实现识别,并通过模拟和实际案例展示方法性能。
2026-03-24 stat.ME
Application of Bayesian Dynamic Linear Models to Random Allocation Clinical Trials
临床试验中使用的随机分配模型通过减少组间偏倚,帮助研究人员确定哪种特定治疗提供了最佳结果。然而,这种决心往往让研究人员与为患者提供不利治疗的伦理问题作斗争。历史上曾使用过许多方法(如“玩赢家”和“随机玩赢家”规则)来确定患者分配,然而,这些方法倾向于增加不利治疗的分配。最近,\citep{sabo2014adaptive}和后来的\citep{donahue2020allocation}提出了一种新的贝叶斯方法,该方法使用递减信息先验。然而,如果需要MCMC方法,则该方法可能是耗时的。我们建议使用一种新的方法,该方法使用动态线性模型(DLM)\citep{harrison1999bayesian}来提高分配速度,同时还减少了确定更有利治疗所需的患者分配样本。此外,对多个参数进行了敏感性分析。最后,计算贝叶斯因子,以确定在指定截止点处剩余的未使用患者预算的比例,这将用于确定有利于更好治疗的决定性证据。
2020-08-01 stat.AP
Bayesian Mediation Analysis for Individualized Treatment Rules
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Duke University(杜克大学)
本研究提出贝叶斯中介框架,将个体化治疗规则的价值对比分解为直接与间接成分,采用贝叶斯因果中介森林估计,经模拟与TRIUMPH试验数据验证,可实现ITR的机制评估与解释。
2026-08-03 stat.ME stat.ML
Considering parallel tempering and comparing post-treatment procedures in Bayesian Profile Regression Models for a survival outcome and correlated exposures
Autorité de Sûreté Nucléaire et de Radioprotection (ASNR)(核安全与辐射防护局);PSE-SANTE/SESANE/LEPID;Université Paris Cité(巴黎西岱大学);CNRS, Inserm, P-MIM, BioSTM(法国国家科学研究中心、INSERM、P-MIM、BioSTM)
本文提出改进MCMC算法以避免后验分布局部模式并减少计算时间,通过模拟研究比较不同后处理程序的性能,应用于辐射流行病学中的生存结果分析。
2025-12-29 stat.AP stat.ME
Bayesian Nonparametric Common Atoms Regression for Generating Synthetic Controls in Clinical Trials
本研究提出贝叶斯非参数公共原子回归模型,利用电子健康记录为单臂临床试验构建合成对照臂,模拟实验显示其检测治疗效应效力更优,已应用于胶质母细胞瘤研究补充对照。
2023-05-06 stat.AP stat.ME
Bayesian Bivariate Subgroup Analysis for Risk-Benefit Evaluation
亚组分析是评价观察到的基线患者特征之间处理效应异质性和治疗损害异质性的常用工具。虽然治疗疗效和不良事件指标通常分别报告每个亚组,但分析其亚组内联合分布对于更好地了解患者决策至关重要。在本文中,我们描述了用于进行亚组分析的贝叶斯模型,以比较两个治疗组之间主要终点和不良事件的联合发生率。我们的方法强调估计这种亚组间联合分布的异质性,我们的方法直接适应观察到的主要和不良事件组合数量较少的亚组。此外,我们描述了几种方法,其中我们的模型可用于生成每个亚组的获益-风险权衡的可解释的汇总指标。本文描述的方法通过一项大型心血管试验(N = 9,361)进行说明,该试验研究了将收缩压降低至低于正常目标的干预措施的有效性。
2018-08-11 stat.AP stat.ME
Bayesian meta-analysis for evaluating treatment effectiveness in biomarker subgroups using trials of mixed patient populations
本文扩展贝叶斯随机效应荟萃分析,利用混合人群试验中的治疗效应及生物标志物阴性患者比例插值估计阳性亚组效应,提升精度且保持低偏倚。
2023-06-06 stat.AP stat.ME
Bayesian Networks Analysis of Malocclusion Data
在本文中,我们使用贝叶斯网络来确定和可视化的各种III类错牙合颌面部功能之间的相互作用,在生长和治疗。我们从143例患者的样本开始,通过一系列最多21个不同的颅面特征进行表征。我们估计从这些数据的网络模型,我们通过验证一些普遍接受的假设,这些不和谐的演变,通过贝叶斯统计来测试其一致性。我们发现,未经治疗的受试者发展不同的III类颅面生长模式相比,患者提交正畸治疗,快速上颌扩大和面罩治疗。在接受治疗的患者中,CoA段(上颌骨长度)和ANB角(上颌骨与下颌骨的前后关系)似乎是接受治疗的主要效果的骨骼子空间。
2017-06-12 stat.AP
Bayesian hierarchical models with calibrated mixtures of g-priors for assessing treatment effect moderation in meta-analysis
针对IPD-MA中传统贝叶斯收缩法无法区分异质性研究的问题,提出带试验样本量调整和调节因子收缩参数的校准g先验混合方法,模拟及抑郁治疗IPD实例验证其在高异质性等场景下效率与风险表现更优。
2024-10-31 stat.AP stat.ME
A non-parametric Bayesian approach for adjusting partial compliance in sequential decision making
在给定的动态治疗方案下估计平均结果的现有方法依赖于意向治疗分析,其估计遵循特定动态治疗方案的效果,而不管患者的依从性行为。意向治疗分析有两个主要问题:(1)估计的效应通常偏向于零效应;(2)由于潜在的差异依从性行为,结果不可推广和重现。这些在不遵守规定的情况下尤其成问题,如物质使用障碍治疗。我们的工作是由酒精和可卡因依赖的适应性治疗研究(ENGAGE)的动机,这是一个多阶段的试验,旨在构建最佳的治疗策略,使患者参与治疗。由于本试验的依从性水平相对较低,意向治疗分析基本上估计了随机分配至某个不受关注的治疗序列的影响。我们通过将目标参数定义为给定潜在依从性分层的动态治疗方案下的平均结果来填补这一重要空白。我们提出了一个灵活的非参数贝叶斯方法,它包括一个高斯copula模型的潜在的依从性,和一个狄利克雷过程混合模型的潜在的结果。我们的模拟强调了这种方法在实践中的必要性和实用性,并说明了我们的估计在非线性和非高斯设置的鲁棒性。
2021-10-01 stat.ME
Patient stratification in multi-arm trials: a two-stage procedure with Bayesian profile regression
精准医学是一个新兴领域,它考虑到个体异质性,为更好的临床实践提供信息。在临床试验中,评价处理效应异质性是一个重要组成部分,最近,已经提出了许多统计方法,用于根据这种异质性将患者分为不同的亚组。然而,大多数为此目的开发的现有方法集中在二分治疗的情况下,并不直接适用于多组试验。在本文中,我们考虑在多组试验设置的患者分层的问题,并提出了一个两阶段的贝叶斯非参数框架内的程序。具体来说,我们首先使用贝叶斯加性回归树(BART)来预测每个患者在不同治疗方案下的潜在结果(治疗反应),然后我们利用贝叶斯轮廓回归根据患者的基线特征和预测的潜在结果将其聚类为亚组。我们进一步嵌入变量选择程序到我们提出的框架,以确定积极“驱动”的聚类结构的患者特征。我们进行模拟研究,以检查我们提出的方法的性能,并通过将其应用于英国的多臂献血试验来证明该方法,其中我们的方法揭示了五个有临床意义的供体亚组。
2023-02-22 stat.AP stat.ME
Adjusting for Partial Compliance in SMARTs: a Bayesian Semiparametric Approach
许多物质使用障碍的周期性和异质性突出表明,需要调整治疗的类型或剂量,以适应个人的具体和不断变化的需要。酒精和可卡因依赖适应性治疗研究(ENGAGE)是一项多阶段随机试验,旨在为构建治疗策略提供纵向数据,以提高患者对治疗的参与度。然而,高不依从率和缺乏分析工具来解释不依从性阻碍了研究人员使用数据来实现试验的主要目标。我们克服了这个问题,我们的目标参数定义为不同的治疗策略下的平均结果为给定的潜在的依从性分层,并提出了贝叶斯半参数模型来估计这个数量。虽然它增加了大量的复杂性分析,我们的工作的一个重要特点是,我们考虑部分,而不是二进制的遵守类,这是更相关的纵向研究。我们通过全面的模拟研究评估我们的方法的性能。我们说明了它的应用程序上的ENGAGE研究,并表明,最佳的治疗策略取决于依从性层。
2020-05-20 stat.AP stat.ME
Learning about Treatment Effects with Prior Studies: A Bayesian Model Averaging Approach
UC Berkeley(加州大学伯克利分校)
本文提出一种贝叶斯模型平均方法,通过结合先验信息提高治疗效应估计的准确性,引入非标准渐近框架以处理不确定的外部有效性。
2026-03-23 econ.EM math.ST stat.TH
Quantifying uncertainty of individualized treatment effects in right-censored survival data: A comparison of Bayesian additive regression trees and causal survival forest
本文通过广泛的模拟研究,比较了在右删失生存数据中量化个体化处理效应不确定性时,贝叶斯加性回归树(BART)和因果生存森林(CSF)的区间估计覆盖率,发现BART在三种设置下均优于CSF。
2025-04-06 stat.AP stat.ME