多次呼吸洗出测试肺功能数据的贝叶斯建模
应用统计
2020-11-10 v2
摘要
儿科呼吸研究人员已广泛采用多次呼吸洗出 (MBW) 测试，因为它允许评估未镇静婴儿的肺功能，并且非常适合肺发育和疾病的纵向研究。然而，相当比例的婴儿 MBW 测试未能通过当前的可接受性标准。我们假设，采用基于模型的方法来分析数据，代替传统的简单经验总结，将能更有效地利用这些测试。因此，我们为婴儿 MBW 数据开发了一种新的统计模型，并将其应用于来自大型出生队列研究中 432 名个体的 1,197 次测试。我们专注于肺清除指数 (LCI) 的贝叶斯估计，这是 MBW 测试中最常用的肺功能总结指标。我们的结果表明，该模型与数据拟合极好，并进一步揭示了标准经验方法的统计特性。此外，建模方法使得能够利用具有不同完整程度的测试来估计 LCI，这是标准方法无法做到的。因此，我们的模型允许使用以前未被利用的数据而不是将其丢弃，并允许常规使用较短的测试而不会显著损失精度。除了我们的具体应用外，我们的工作还说明了贝叶斯建模在实践中的一些重要方面，例如分层规范对于解释重复测量的重要性，以及通过后验预测分布进行模型检查的价值。
引用
@article{arxiv.1612.08617,
title = {Bayesian modelling of lung function data from multiple-breath washout tests},
author = {Robert K. Mahar and John B. Carlin and Sarath Ranganathan and Anne-Louise Ponsonby and Peter Vuillermin and Damjan Vukcevic},
journal= {arXiv preprint arXiv:1612.08617},
year = {2020}
}