电子健康记录中的疫苗状态误分类：基于聚类随机试验的贝叶斯方法
统计方法学
2024-11-11 v1
摘要
二元结果的误分类并不少见，而针对影响政策性研究结果的统计方法却不足。尽管对二元结果的误分类在统计学上十分常见，但本文聚焦于公共卫生领域的疫苗误分类问题。公共卫生中一种重要的研究设计是聚类受控随机试验（CCRT）。对于评估新型行为性干预对疫苗接种率影响的CCRT而言，当支持数据中疫苗记录不完整时，其结果可能严重偏斜。特别是，这些疫苗记录更容易出现负向误分类，即诊所对某位患者的疫苗接种状态记录为未接种，而实际上该患者在诊所之外已接种疫苗。在大规模推动疫苗接种且缺乏金标准疫苗记录系统的背景下，纳入误分类率的灵敏度分析对于稳健推断具有前景。本文引入了一种新的贝叶斯逻辑回归扩展方法，通过对诊所规模和疫苗接种人数进行 expert-elicited 先验分布随机抽样来引入不确定性。这些先验分布代表了每个诊所的误分类率，随机方式向观察到的已接种人数中添加未接种人数。这些先验分布在群组水平随机试验中为每个诊所（即第一层）所指定。我们以评估行为性干预对美国老兵疫苗接种率影响的CCRT数据为例进行方法演示。还进行了一项模拟研究，展示了该方法的估计性能。
引用
@article{arxiv.2411.05215,
title = {Misclassification of Vaccination Status in Electronic Health Records: A Bayesian Approach in Cluster Randomized Trials},
author = {Adam Kaplan and Collin Calvert and Bridget C. Griffith and Daniel Bertenthal and Natalie Purcell and Karen Seal and Jeffrey M. Pyne and Karen Anderson Oliver and Denise Esserman and David Nelson},
journal= {arXiv preprint arXiv:2411.05215},
year = {2024}
}