Bayes, Bias en Boerenbedrog
Diagnostiek Diagnostiek Trial-interpretatie Trial-interpretatie
Ziekte aanwezig Ziekte afwezig Pos testaba+b Neg testcdc+d a+cb+dn Sensitiviteit Specificiteit PPV NPV
Ziekte aanwezig Ziekte afwezig Pos testaba+b Neg testcdc+d a+cb+dn (a+b+c+d) Sensitiviteit = a/a+c Specificiteit = d/b+d PPV = a/a+b NPV = d/c+d Prevalentie = (a+c) /(a+b+c+d)
Ziekte aanwezig Ziekte afwezig Pos testaba+b Neg testcdc+d a+cb+dn (a+b+c+d) Sensitiviteit = a/a+c Specificiteit = d/b+d PPV = a/a+b NPV = d/c+d Prevalentie = (a+c) /(a+b+c+d) Sens/spec: populatie-onafhankelijk PPV, NPV: populatie-afhankelijk
Sensitiviteit Specificiteit LR(+): (kans op pos test|ziekte) / (kans op pos test|geen ziekte) = sensitiviteit/(1-specificiteit) LR(-):(kan op neg test|ziekte) / (kans op neg test | geen ziekte) = (1-sensitiviteit) / specificiteit) Kans op ziekte na test ≈ voorafkans x LR
Odds = p/(1-p)
Post-test odds = pre-test odds x LR
Sensitivity and specificity x (0.95/0.2) = 0.5 P-pneumonie=33% 0.01 To diagnose pneumonia: sensitivity: 0.95 / specificity 0.80 x (0.95/0.2) = 9.5 P-pneumonie=90% x (0.95/0.2) = 9.5 P-pneumonie=90% 2 Bayes Criterion: Odds prior to test x test characteristics pos./neg. test = Odds for disease áfter test
Post-test odds = pre-test odds x LR toepassingen…
Pre-test odds Voorafgaand baysiaanisme? Voorafgaand baysiaanisme? GLOBALE klinische inschatting GLOBALE klinische inschatting
Opgezette buik Zien, vragen, onderzoeken: allemaal testen Zien, vragen, onderzoeken: allemaal testen
Wat doen wij ‘ziek’ hoesten koorts verscherpt AG ‘ziek’ hoesten koorts verscherpt AG 1 2 3 4 via Bayes’ criterion? 1 2 3 4 via Bayes’ criterion? Sens/spec van koorts, AG onafhankelijk van ‘ziek’, hoesten…nee Sens/spec van koorts, AG onafhankelijk van ‘ziek’, hoesten…nee Sens/spec van ‘ziek’, hoesten onafhankelijk van koorts, AG…nee Sens/spec van ‘ziek’, hoesten onafhankelijk van koorts, AG…nee
Meerdegraads functie Y = a + b.1 + c.2 + d.3 + e.4 Y = a + b.1 + c.2 + d.3 + e.4
Post-test odds = pre-test odds x LR probleem: pre-test odds is pseudo-exact LR; sensitiviteit, specificiteit
ANF voor SLE: ‘sens 0.95, spec 0.60’
Legionelle-sneltest: Gevoeliger naarmate patient zieker Legionelle-sneltest: Gevoeliger naarmate patient zieker D-dimeer: gevoelig voor DVT en segmentale LE D-dimeer: gevoelig voor DVT en segmentale LE
Post-test odds = pre-test odds x LR problemen: pre-test odds is pseudo-exact sensitiviteit en specificiteit zijn niet onafhankelijk van prior-odds, maar zijn contextafhankelijk!
Post-test odds = pre-test odds x LR - nut van aanvullende test kwantificeren, onder aannames van prior-odds, sens, spec - niet: diagnostische waarschijnlijkheid berekenen
core of Bayes’ heritage Chance of something being ‘true’ depends on Outcome of ‘objective’ test ánd context of probability / plausibility
Trial Evidence
Is evidence evidence? RCT A versus B: 60% versus 40% succes rate ‘A is better’ ‘truth exposed’ ‘truth exposed’ ‘A helps more óften’ probabilistic result ‘A helps more óften’ probabilistic result Evidence = evidence for a probability Evidence = evidence for a probability
Force of probabilistic evidence Statistical significance + confidence interval Does not account for: bias bias Research question Research question Participant selection Participant selection Choice of research design Choice of research design Selection of analytical methods Selection of analytical methods Selection of what to report, and what not Selection of what to report, and what not Publication bias Publication bias plausibility plausibility
Sand and some rock
Equally sound research Implausible result ‘hmm…’ Implausible result ‘hmm…’ Highly plausible result true…! Highly plausible result true…!
Type of study + accopanying bias Plausibility of hypothesis Chance that significant result is true Large randomised clinical trial (RCT) High85% Meta-analysis of large, unequivocal RCTs Very high85% Meta-analysis of smaller, contradictory trials Average41% Small, but well-designed RCT Average23% Small epidemiological ‘explorative’ study low12% Ioannidis, PLoS Medicine 2005; 2:
Frequentists vs Bayesians Freq: probability of data conditional on hypothesis Freq: probability of data conditional on hypothesis Baysian: probability of hypothesis conditional on data Baysian: probability of hypothesis conditional on data A study is just like a test! Variant of Bayes’s criterion: ‘truth’ of study outcome = outcome x plausibility
GREAT-trial Tr-lyse thuis vs in-hospital: 49% risicoreductie Meta-analyse van tr-lyse in ziekenhuis: 25% risicoreductie ? Voordeel Baysian: -Geen last van nulhypothese -Geen problemen met multipliciteit (meerdere eindpunten, subgroepen, interim-analyses)
Voordeel Baysian: -Geen last van nulhypothese -Geen problemen met multipliciteit (meerdere eindpunten, subgroepen, interim-analyses) Problemen Baysian: -Subjectiviteit -Discussie over prior -Wiskundig complex
Take home Sensitiviteit en specificiteit zijn contextafhankelijk Sensitiviteit en specificiteit zijn contextafhankelijk LR’s zijn dat dus ook LR’s zijn dat dus ook Clinicians are NOT natural bayesians! Clinicians are NOT natural bayesians! Bayes criterion nuttig voor schatting effect test Bayes criterion nuttig voor schatting effect test RCT is ook test RCT is ook test Meeste van wat je leest is niet waar Meeste van wat je leest is niet waar Baysiaanse triasinterpretatie wint terrein Baysiaanse triasinterpretatie wint terrein
Boerenbedrog
Reporting and publication bias
Wanhoop niet Wantrouw wel
Hoofdstuk 1 Hoofdstuk 3