Anna Wiksten, Doctoral Candidate SSL Webinar, 4.11.2015 R ja JAGS: Esimerkki Bayesilaisesta data-analyysista.

Esitys aiheesta: "Anna Wiksten, Doctoral Candidate SSL Webinar, 4.11.2015 R ja JAGS: Esimerkki Bayesilaisesta data-analyysista."— Esityksen transkriptio:

1 Anna Wiksten, Doctoral Candidate SSL Webinar, 4.11.2015 R ja JAGS: Esimerkki Bayesilaisesta data-analyysista

2 Vastuuvapauslauseke 2 (Disclaimer)  Tämän esityksen tarkoitus on näyttää Bayesilaisen data- analyysin tekninen toteutus R-ohjelmistolla  Jos haluat käyttää historiallista dataa kliinisen kokeen suunnittelussa ja analyysissä tai ylipäätään tehdä bayesilaisia analyysejä, kannattaa varmaan tutustua muihinkiin lähteisiin

3 JAGS ja rjags 3  Mikä on JAGS? Just Another Gibbs Sampler Ohjelma Bayesilaiseen data-analyysiin Perustuu MCMC-simulointiin Lisätietoa ja ohjeet asennukseen: http://mcmc-jags.sourceforge.net/http://mcmc-jags.sourceforge.net/  Mikä on rjags? R-paketti JAGSn käyttöön Lisätietoa: https://cran.r-project.org/web/packages/rjags/index.html

4 Esimerkki: Historiallisen datan käyttö kontrolliryhmälle 4  Kliininen tutkimus lääke vs plasebo  Binomijakautunut vaste(1=positiivinen hoitovaste, 0=ei hoitovastetta)  Klassinen tutkimusasetelma: Plasebo n=24 Lääke n=24 Fisherin tarkka testi  Kirjallisuudesta löytyy 8 samanlaista plasebo-kontrolloitua tutkimusta eri kokeellisille lääkkeille  Voidaanko historiallista plasebodataa hyödyntää uudessa tutkimuksessa?

5 Meta-analytic-predictive (MAP) prior MAP priori ja sen approksimaatio Beta(11,32) jakaumasta MAP priorin(yhtenäinen viiva) ja Beta(11,32) priorin (katkoviiva) tiheysfunktio 5 Meta-analyyttinen-ennuste priori

6  Esimerkkitutkimus Plasebo: Y plasebo ~ Binomial(  plasebo,n plasebo ) Lääke: Y lääke ~ Binomial(  lääke,n lääke ) PlaseboLääke PrioriBeta(11,32)Beta(0.5,1) Data 1/6 vastaajaa14/23 vastaajaa Posteriori Beta(11+1, 32+5)Beta(0.5+14,1+9)  Todennäkoisyyksien erotus  =  lääke -  plasebo Posteriori mediaani (95% todennäköisyysväli)  :lle 0.35 (0.12,0.56) P(  >0 | data) = 99.8% Meta-analyyttinen-ennuste priori Analyysi käyttäen MAP prioria 6

7 JAGS: Data ja malli 7

8 | Presentation Title | Presenter Name | Date | Subject | Business Use Only8 Data per subjekti

9 MCMC-otanta 9

10 Tulokset | Presentation Title | Presenter Name | Date | Subject | Business Use Only10

11 Grafiikkaa: Autokorrelaatio 11

12 Grafiikkaa: MCMC ja posteriorijakaumat 12

13 Kiitos! 13  Heinz Schmidli  EU: This work was supported by funding from the European Community’s Seventh Framework Programme FP7/2011: Marie Curie Initial Training Network MEDIASRES (”Novel Statistical Methodology for Diagnostic/Prognostic and Therapeutic Studies and Systematic Reviews”; www.mediasres-itn.eu) with the Grant Agreement Number 290025.

14 Lähteet 14  Baeten D et al. (2013) Anti ‐ interleukin ‐ 17A monoclonal antibody secukinumab in treatment of ankylosing spondylitis: a randomised, double ‐ blind, placebo ‐ controlled trial. Lancet 382(9906):1705 ‐ 1713.  Neuenschwander B, Capkun-Niggli G, Branson M, Spiegelhalter DJ (2010) Summarizing historical information on controls in clinical trials. Clinical Trials 7, 5-18.  Schmidli H, Gsteiger S, Roychoudhury S, O'Hagan A, Spiegelhalter D, Neuenschwander B (2014) Robust meta ‐ analytic ‐ predictive priors in clinical trials with historical control information. Biometrics 70(4):1023 ‐ 1032.

15 R-koodi | Presentation Title | Presenter Name | Date | Subject | Business Use Only15