用于有效利用多源外部数据的贝叶斯聚类带重叠指标
统计方法学
2025-09-17 v1
摘要
在临床试验中使用外部数据可提供诸多优势,如减少患者数量、提高研究功效和缩短试验持续时间。在贝叶斯推断中,外部数据的信息可通过先验合成(即未来借用)转移到对未来借用的信息先验中。然而,多源外部数据常常存在异质性,这可能导致在先验合成过程中出现信息失真。聚类有助于识别异质性,增强合成后先验与外部数据之间的一致性,从而防止信息失真。获取最优聚类因在外部数据一致性与对未来数据的鲁棒性之间存在权衡而具有挑战。我们引入两个重叠指标:重叠聚类指数(OCI)和重叠证据指数(OEI)。通过这两个指标配合K均值算法,可在权衡这种权衡后识别外部数据的优化聚类。基于聚类结果,我们提出了一种有效借用多源外部数据的先验合成框架。通过将(鲁棒)元分析预测先验纳入此框架,我们发展出(鲁棒)贝叶斯聚类MAP先验。通过仿真研究和实际数据分析,证明其在存在异质性时优于常用先验方法。由于贝叶斯聚类先验无需针对将来进行的研究获取数据,因此可同时应用于临床试验或实验的研究设计和数据分析。
引用
@article{arxiv.2412.06098,
title = {Bayesian Clustering Prior with Overlapping Indices for Effective Use of Multisource External Data},
author = {Xuetao Lu and J. Jack Lee},
journal= {arXiv preprint arXiv:2412.06098},
year = {2025}
}