無金標準診斷試驗先驗參數(shù)確定方法和診斷試驗條件相關(guān)貝葉斯方法研究.pdf

1、貝葉斯統(tǒng)計是不同于經(jīng)典統(tǒng)計的又一大統(tǒng)計學派，其基本思想是根據(jù)貝葉斯公式作統(tǒng)計推斷。在上世紀80年代之前，其研究停留在理論階段，在決策論方面有一些簡單應用。近20年來情況發(fā)生了根本的變化，特別是上世紀90年代起，隨著MCMC(Markov chain MonteCarlo)方法的引進，Bayes方法在醫(yī)學領(lǐng)域得到了廣泛應用。但目前，國內(nèi)關(guān)于診斷試驗評價的應用還少見報道。本研究針對醫(yī)學診斷試驗評價中先驗參數(shù)的確定方法以及條件相關(guān)模型的Bay

2、es理論與方法進行了探討。 對于貝葉斯方法的實施，人們常感到理論與應用的脫節(jié)，其中關(guān)于先驗的確定，是貝葉斯方法的一個難點。合理的輸入先驗，充分利用先驗信息，是解決貝葉斯方法醫(yī)學統(tǒng)計應用的一個關(guān)鍵。 對于條件獨立模型下診斷試驗參數(shù)以及患病率的估計問題，在經(jīng)典統(tǒng)計學方法中，通常將診斷和篩檢試驗結(jié)果作為隨機變量，而把評價指標(如靈敏度、特異度等)看作是金標準下的固定參數(shù)，這需要在三個自由度的情況下對五個診斷試驗參數(shù)進行估計，而

3、對條件相關(guān)模型，則需要對更多的診斷試驗參數(shù)進行估計，這在經(jīng)典統(tǒng)計學方法中常常會造成一些難以解決的困難。貝葉斯統(tǒng)計方法在處理此類問題時，把統(tǒng)計模型中的參數(shù)和觀察變量均視為隨機變量，則我們在掌握診斷試驗先驗分布和似然函數(shù)的情況下，利用MCMC方法，即可得到診斷試驗參數(shù)的后驗分布。 MCMC是運用Markov鏈進行Monte Carlo積分的方法。該方法通過模擬技術(shù)得到參數(shù)后驗，基本上解決了統(tǒng)計計算問題。本研究所借助的計算工具之一就是