A Bayesian multivariate meta-analysis of prevalence data.
A Bayesian multivariate meta-analysis of prevalence data.
复制标题
DOI：
10.1002/sim.8593
复制
发表时间：
2020-10-15
影响因子：
2
通讯作者：
Chu H
中科院分区：
文献类型：
--
作者：
Siegel L;Rudser K;Sutcliffe S;Markland A;Brubaker L;Gahagan S;Stapleton AE;Chu H
当进行荟萃分析时，涉及多个亚型结局的患病率数据，通常使用单变量荟萃分析模型分别分析每个亚型。最近，多变量荟萃分析模型已被证明与单变量荟萃分析相比，多个相关结局的偏倚和方差减少，而一些研究仅报告了结局的一个子集。在这篇文章中，我们提出了一种新的贝叶斯多变量随机效应模型来解释自然约束，即任何给定亚型的患病率不能大于总体患病率。广泛的模拟研究表明，这种新的模型可以减少偏差和方差估计亚型患病率的缺失数据的存在下，相比标准的单变量和多变量随机效应模型。从职业和下尿路症状的预防（PLUS）研究联盟的快速审查的数据进行了分析，作为一个案例研究，以估计在可疑的高风险工作环境中的妇女尿失禁和几个失禁亚型的患病率。
When conducting a meta-analysis involving prevalence data for an outcome with several subtypes, each of them is typically analyzed separately using a univariate meta-analysis model. Recently, multivariate meta-analysis models have been shown to correspond to a decrease in bias and variance for multiple correlated outcomes compared to univariate meta-analysis, when some studies only report a subset of the outcomes. In this article, we propose a novel Bayesian multivariate random effects model to account for the natural constraint that the prevalence of any given subtype cannot be larger than that of the overall prevalence. Extensive simulation studies show that this new model can reduce bias and variance when estimating subtype prevalences in the presence of missing data, compared to standard univariate and multivariate random effects models. The data from a rapid review on occupation and lower urinary tract symptoms by the Prevention of Lower Urinary Tract Symptoms (PLUS) Research Consortium are analyzed as a case study to estimate the prevalence of urinary incontinence and several incontinence subtypes among women in suspected high risk work environments.
登录
查看更多内容
影响因子：
2
作者：
Arends, LR;Vok贸, Z;Stijnen, T
通讯作者：
Stijnen, T
影响因子：
2
作者：
Riley, R. D.;Abrams, K. R.;Thompson, J. R.
通讯作者：
Thompson, J. R.
影响因子：
3.5
作者：
Harlow, Bernard L.;Bavendam, Tamara G.;Simons-Morton, Denise
通讯作者：
Simons-Morton, Denise
影响因子：
2
作者：
Kuss, Oliver;Hoyer, Annika;Solms, Alexander
通讯作者：
Solms, Alexander
影响因子：
6.3
作者：
Barendregt, Jan J.;Doi, Suhail A.;Vos, Theo
通讯作者：
Vos, Theo