Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá rủi ro cho các thí nghiệm độc tính với các kết quả phân loại và liên tục: Một phương pháp Bayes không tham số
Tóm tắt
Chúng tôi trình bày một phương pháp mô hình hóa không tham số Bayes để suy diễn và đánh giá rủi ro cho các nghiên cứu độc tính phát triển. Mục tiêu chính của các nghiên cứu này là xác định mối quan hệ giữa mức độ tiếp xúc với một hóa chất độc hại và khả năng xảy ra một phản ứng sinh lý hoặc sinh hóa. Chúng tôi xem xét một bối cảnh dữ liệu tổng quát bao gồm các phản ứng phân loại nhóm về số lượng cái chết trước sinh, số lượng cún con sống sót và số lượng cún con sống bị dị dạng từ mỗi động vật thí nghiệm trong phòng thí nghiệm, cũng như các kết quả liên tục (ví dụ: trọng lượng cơ thể) của từng cún con sống sót. Chúng tôi sử dụng mô hình hỗn hợp để cung cấp sự linh hoạt trong hình thức hàm của cả phân phối phản ứng đa biến và các đường cong liều-phản ứng khác nhau có liên quan. Mô hình không tham số được xây dựng từ một hạt nhân hỗn hợp có cấu trúc và một quy trình Dirichlet phụ thuộc vào liều cho phân phối trộn lẫn. Khung mô hình cho phép suy diễn tổng quát cho các mối quan hệ liều-phản ứng được suy diễn và cho các tương quan phụ thuộc vào liều giữa các điểm cuối khác nhau, những đặc điểm này cung cấp những tiến bộ thực tiễn so với các mô hình tham số truyền thống trong độc tính phát triển. Chúng tôi sử dụng dữ liệu từ một thí nghiệm độc tính điều tra tác động độc hại của một dung môi hữu cơ (diethylene glycol dimethyl ether) để minh họa cho các suy diễn từ mô hình hỗn hợp không tham số, bao gồm so sánh với một mô hình phân cấp tham số. Tài liệu bổ sung kèm theo bài báo này có sẵn trực tuyến.
Từ khóa
#Độc tính phát triển #mô hình Bayes không tham số #đánh giá rủi ro #liều-phản ứng #mô hình hỗn hợp.Tài liệu tham khảo
Barrientos, A. F., Jara, A. & Quintana, F. A. (2012). On the support of MacEachern’s dependent Dirichlet processes and extensions. Bayesian Analysis 7, 277–310.
Calabrese, E. J. (2005). Paradigm lost, paradigm found: The re-emergence of hormesis as a fundamental dose response model in the toxicological sciences. Environmental Pollution 138, 378–411.
Catalano, P. & Ryan, L. (1992). Bivariate latent variable models for clustered discrete and continuous outcomes. Journal of the American Statistical Association 87, 651–658.
DeIorio, M., Johnson, W. O., Müller, P. & Rosner, G. L. (2009). Bayesian nonparametric non-proportional hazards survival modelling. Biometrics 63, 762–771.
DeIorio, M., Müller, P., Rosner, G. & MacEachern, S. (2004). An ANOVA model for dependent random measures. Journal of the American Statistical Association 99, 205–215.
DiLucca, M., Guglielmi, A., Müller, P. & Quintana, F. (2013). A simple class of Bayesian nonparametric autoregressive models. Bayesian Analysis 8, 63–88.
Dominici, F. & Parmigiani, G. (2001). Bayesian semiparametric analysis of developmental toxicology data. Biometrics 57, 150–157.
Dunson, D., Chen, Z. & Harry, J. (2003). A Bayesian approach for joint modeling of cluster size and subunit-specific outcomes. Biometrics 59, 521–530.
Faes, C., Geys, H., Aerts, M. & Molenberghs, G. (2006). A hierarchical modeling approach for risk assessment in developmental toxicity studies. Computational Statistics & Data Analysis 51, 1848–1861.
Fronczyk, K. & Kottas, A. (2014). A Bayesian nonparametric modeling framework for developmental toxicity studies (with discussion). Journal of the American Statistical Association 109, 873–893.
Gelfand, A. & Ghosh, S. (1998). Model choice: A minimum posterior predictive loss approach. Biometrika 85, 1–11.
Gelfand, A., Kottas, A. & MacEachern, S. (2005). Bayesian nonparametric spatial modeling with Dirichlet process mixing. Journal of the American Statistical Association 100, 1021–1035.
Gueorguieva, R. & Agresti, A. (2001). A correlated probit model for joint modeling of clustered binary and continuous responses. Journal of the American Statistical Association 96, 1102–1112.
Guindani, M. & Gelfand, A. E. (2006). Smoothness properties and gradient analysis under spatial Dirichlet process models. Methodology and Computing in Applied Probability 8, 159–189.
Hwang, B. S. & Pennell, M. L. (2013). Semiparametric Bayesian joint modeling of a binary and continuous outcome with applications in toxicological risk assessment. Statistics in Medicine 33, 1162–1175.
Kottas, A. & Fronczyk, K. (2013). Flexible Bayesian modelling for clustered categorical responses in developmental toxicology. In Bayesian Theory and Applications, Eds. P. Damien, P. Dellaportas, N. G. Polson & D. A. Stephens, pp. 70–83. Oxford University Press.
Kottas, A. & Krnjajić, M. (2009). Bayesian semiparametric modelling in quantile regression. Scandinavian Journal of Statistics 36, 297–319.
Kottas, A., Wang, Z. & Rodríguez, A. (2012). Spatial modeling for risk assessment of extreme values from environmental time series: A Bayesian nonparametric approach. Environmetrics 23, 649–662.
MacEachern, S. (2000). Dependent Dirichlet processes. Technical report, Ohio State University, Department of Statistics.
Nott, D. & Kuk, A. (2009). Analysis of clustered binary data with unequal cluster sizes: A semiparametric Bayesian approach. Journal of Agricultural, Biological, and Environmental Statistics 15, 101–118.
Price, C., Kimmel, C., George, J. & Marr, M. (1987). The developmental toxicity of diethylene glycol dimethyl ether in mice. Fundamentals of Applied Pharmacology 8, 115–126.
Regan, M. & Catalano, P. (1999). Likelihood models for clustered binary and continuous outcomes: application to developmental toxicology. Biometrics 55, 760–768.
Rodriguez, A. & ter Horst, E. (2008). Bayesian dynamic density estimation. Bayesian Analysis 3, 339–366.
Sethuraman, J. (1994). A constructive definition of Dirichlet priors. Statistica Sinica 4, 639–650.
Xiao, S., Kottas, A. & Sansó, B. (2015). Modeling for seasonal marked point processes: An analysis of evolving hurricane occurrences. The Annals of Applied Statistics 9, 353–382.