The application of Bayesian quantile regression in analysis of clinical medicine data and the R Studio practice_Chinese Journal of Evidence-Based Medicine

Authors：

XUE Lijuan ¹ , SHEN Jie ² , YUAN Yi ³ , GAN Yena ¹ , HAN Sheng ^4,5 , WANG Yuyan ¹ , LIU Zhifeng ¹ , ZHANG Mingyang ¹ ,  LI Duoduo ¹

1. Department of Tuina and Pain, Dongzhimen Hospital, Beijing University of Chinese Medicine, Beijing 100700, P. R. China;
2. iHealth Labs Inc, Shanghai 200235, P. R. China;
3. Centre for Evidence-Based Medicine, Beijing University of Chinese Medicine, Beijing 100029, P. R. China;
4. School of Pharmaceutical Science, Peking University, Beijing 100191, P. R. China;
5. International Research Center for Medicinal Administration, Peking University, Beijing 100191, P. R. China;

Corresponding?author：

LI Duoduo, Email: tarako@163.com

Keywords：

Bayesian method; Quantile regression; R Studio; R programming language; Clinical medicine research

DOI：

10.7507/1672-2531.202303009

Video：

Export PDF Favorites Scan Get Citation

Abstract Full text Figures/Tables Video References Cited by

Objective To combine specific examples and R Studio language code, to apply the Bayesian quantile regression method in the analysis of clinical medicine data, and show the advantages of Bayesian quantile regression method, so as to provide references for improving the accuracy of medical research. Methods The clinical data of 250 patients with knee osteoarthritis from the capital special research on the application of clinical characteristics project were used. A Bayesian quantile regression model based on data set was constructed to explore the relationship between the level of serum IgG and the age of the patients. Results The Monte Carlo algorithm converge can judge the efficiency of parameter estimation based on Gibbs sampling which was used to draw samples from the posterior distribution of parameters in Bayesian quantile regression. By generating the parameter into the regression formula, we can obtain the regression under different quantiles: Y₁=?6.022 063 47+2.026 913 73X?0.015 077 69X²……Y₅=24.610 542 414?0.395 059 497X+0.004 205 064X². It can be found that the serum level of IgG was obviously increased with age. Conclusion Bayesian quantile regression parameter estimation results are accurate and highly credible, and reliable parameter information can be obtained even under small sample conditions. It has great advantages in the research of clinical medicine data and has certain promotional value.

Citation： XUE Lijuan, SHEN Jie, YUAN Yi, GAN Yena, HAN Sheng, WANG Yuyan, LIU Zhifeng, ZHANG Mingyang, LI Duoduo. The application of Bayesian quantile regression in analysis of clinical medicine data and the R Studio practice. Chinese Journal of Evidence-Based Medicine, 2024, 24(1): 83-90. doi: 10.7507/1672-2531.202303009 Copy

1.	胡躍華, 丁雄, 蔣蔚, 等. 分位數回歸在宜昌市帶狀皰疹就診費用及其影響因素研究中的應用. 中國衛生統計, 2021, 38(3): 371-373,377.
2.	李文瑾, 田立啟, 李曉雨, 等. 基于分位數回歸模型的肺癌手術患者住院費用影響因素分析. 中國衛生經濟, 2021, 40(9): 58-61.
3.	張雪玉, 王莉, 羅璇, 等. 基于面板分位數回歸的老年糖尿病足患者治療費用影響因素分析. 中國衛生統計, 2019, 36(6): 893-895.
4.	范瀟茹, 陳莎, 施予寧, 等. 我國中老年人慢性病共病現狀及其對衛生服務利用和醫療費用的影響研究. 中國全科醫學, 2022, 25(19): 2371-2378.
5.	周少甫, 范兆媛. 年齡對醫療費用增長的影響: 基于分位數回歸模型的分析. 中國衛生經濟, 2016, 35(6): 65-67.
6.	陳英姿, 孫偉. 老年人與子女同住對老年健康的影響分析. 人口學刊, 2020, 42(1): 85-98.
7.	張靜, 孫仙, 張文玲, 等. 基于分位數回歸模型的2型糖尿病住院患者生命質量影響因素分析. 中華疾病控制雜志, 2020, 24(2): 183-188.
8.	米白冰, 李強, 黨少農, 等. 研究健康相關生命質量影響因素的分位數回歸分析. 中國衛生統計, 2016, 33(2): 190-193.
9.	王超, 劉美娜. 基于分位數回歸乳腺癌患者的治療質量影響因素. 公共衛生與預防醫學, 2018, 29(1): 17-20.
10.	Yu K, Moyeed RA. Bayesian quantile regression. Stat Probabil Lett, 2001, 54(4): 437-447.
11.	謝婷婷, 趙鶯. 科技創新、金融發展與產業結構升級—基于貝葉斯分位數回歸的分析. 科技管理研究, 2017, 37(5): 1-8.
12.	張穎, 傅強. GJR-CAViaR模型的貝葉斯分位數回歸—基于Gibbs抽樣的MCMC算法實現. 中央財經大學學報, 2017, (7): 87-95.
13.	米霖. R語言數據可視化實戰. 北京: 機械工業出版社, 2020.
14.	李多多, 俞興, 韓晟, 等. 多元線性回歸分析數據可視化的RStudio軟件實踐. 中國循證醫學雜志, 2021, 21(4): 482-490.
15.	朱新玲. 馬爾科夫鏈蒙特卡羅方法研究綜述. 統計與決策, 2009, 297(21): 151-153.
16.	邸俊鵬, 張曉峒. 二元選擇分位數回歸模型的貝葉斯估計方法及模擬研究. 統計與決策, 2019, 35(5): 11-16.
17.	陳建寶, 丁軍軍. 分位數回歸技術綜述. 統計與信息論壇, 2008, 90(3): 89-96.
18.	Shi J, Ma H, Zhou Y. The nonparametric quantile estimation for length-biased and right-censored data. Stat Probabil Lett, 2018, 134: 150-158.
19.	戴璟, 王鑫, 張雪, 等. 基于分位數回歸的睡眠時長對卒中發病風險的影響研究. 中國衛生統計, 2022, 39(1): 36-39.
20.	王廉源, 楊毅, 叢慧文, 等. 不同MMSE評分下阿爾茲海默病發病風險因素的貝葉斯分位數回歸聯合模型分析. 吉林大學學報(醫學版), 2023, 49(2): 395-401.
21.	蘇飛月, 符美玲, 譚慭莘, 等. 基于分位數回歸與決策樹模型的跌倒患者住院費用影響因素分析. 中國衛生統計, 2021, 38(1): 67-72.
22.	Gr?t M, Lewandowski Z, Patkowski W, et al. Individual surgeon experience yields bimodal effects on patient outcomes after deceased-donor liver transplant: results of a quantile regression for survival data. Exp Clin Transplant, 2018, 16(4): 425-433.
23.	何納輪, 李華, 安偉, 等. 基于分段函數分位數回歸法構建人群尿碘與甲狀腺結節患病率的U型響應關系研究. 中華預防醫學雜志, 2020, 54(11): 1268-1274.
24.	張瀝今, 陸嘉琦, 魏夏琰, 等. 貝葉斯結構方程模型及其研究現狀. 心理科學進展, 2019, 27(11): 1812-1825.
25.	晏寧, 毛志雄, 李英, 等. 小樣本數據潛變量建模: 貝葉斯估計的應用. 中國體育科技, 2018, 54(6): 52-58.
26.	孔航. 經典非參數回歸模型和貝葉斯非參數分位數回歸模型的比較. 統計與決策, 2018, 34(17): 34-39.
27.	熊健, 尹姍姍. 基于貝葉斯估計的中國人均GDP之時序模型. 數理統計與管理, 2016, 35(4): 623-629.
28.	周永章, 陳爍, 張旗, 等. 大數據與數學地球科學研究進展—大數據與數學地球科學專題代序. 巖石學報, 2018, 34(2): 255-263.
29.	江麗杰, 胡鏡清, 易丹輝, 等. 缺血性中風病中醫證候要素動態變化與NIHSS評分變化相關性的貝葉斯網絡分析. 世界中醫藥, 2013, 8(6): 613-617.
30.	任甫卿, 陳路, 程苗苗, 等. 12種口服中成藥聯合多奈哌齊治療癡呆的貝葉斯網狀Meta分析. 世界中醫藥, 2022, 17(18): 2587-2594, 2601.
31.	孫文軍, 馮玉橋, 唐啟盛. 基于貝葉斯網絡的閾下焦慮抑郁中醫證候學研究. 中華中醫藥雜志, 2018, 33(7): 3112-3115.
32.	盧恩仕, 韓明光, 劉峰, 等. 基于貝葉斯網絡分析重癥肺炎中醫證候規律. 中醫學報, 2022, 37(1): 173-179.
33.	孫繼佳, 邵建華, 蘇式兵. 鄰域粗糙貝葉斯網絡及其在醫學數據挖掘中的應用. 數理醫藥學雜志, 2013, 26(5): 539-543.
34.	羅玉波, 王軼凡. 空間面板數據混合效應模型的貝葉斯分位數回歸. 統計與決策, 2021, 37(8): 35-39.
35.	陸平. 互聯網產品眾籌行為與籌資績效關聯分析—基于京東眾籌數據的貝葉斯分析. 科學技術與工程, 2018, 18(35): 1-6.
36.	方麗婷, 李坤明. 空間滯后分位數回歸模型的貝葉斯估計. 數量經濟技術經濟研究, 2019, 36(9): 102-116.
37.	姚萍, 楊愛軍, 韓曉月, 等. 基于M-H抽樣的金融貝葉斯分位數隨機波動模型研究. 數理統計與管理, 2018, 37(4): 753-760.
38.	Kuhudzai AG, Van Hal G, Van Dongen S, et al. Modelling of south African hypertension: comparative analysis of the classical and Bayesian quantile regression approaches. Inquiry, 2022, 59: 469580221082356.
39.	Alampi JD, Lanphear BP, Braun JM, et al. Association between gestational exposure to toxicants and autistic behaviors using Bayesian quantile regression. Am J Epidemiol, 2021, 190(9): 1803-1813.
40.	Park HB, Lee J, Hong Y, et al. Risk factors based vessel-specific prediction for stages of coronary artery disease using Bayesian quantile regression machine learning method: results from the PARADIGM registry. Clin Cardiol, 2023, 46(3): 320-327.
41.	Suleiman M, Demirhan H, Boyd L, et al. Bayesian prediction of emergency department wait time. Health Care Manag Sci, 2022, 25(2): 275-290.

1. 胡躍華, 丁雄, 蔣蔚, 等. 分位數回歸在宜昌市帶狀皰疹就診費用及其影響因素研究中的應用. 中國衛生統計, 2021, 38(3): 371-373,377.
2. 李文瑾, 田立啟, 李曉雨, 等. 基于分位數回歸模型的肺癌手術患者住院費用影響因素分析. 中國衛生經濟, 2021, 40(9): 58-61.
3. 張雪玉, 王莉, 羅璇, 等. 基于面板分位數回歸的老年糖尿病足患者治療費用影響因素分析. 中國衛生統計, 2019, 36(6): 893-895.
4. 范瀟茹, 陳莎, 施予寧, 等. 我國中老年人慢性病共病現狀及其對衛生服務利用和醫療費用的影響研究. 中國全科醫學, 2022, 25(19): 2371-2378.
5. 周少甫, 范兆媛. 年齡對醫療費用增長的影響: 基于分位數回歸模型的分析. 中國衛生經濟, 2016, 35(6): 65-67.
6. 陳英姿, 孫偉. 老年人與子女同住對老年健康的影響分析. 人口學刊, 2020, 42(1): 85-98.
7. 張靜, 孫仙, 張文玲, 等. 基于分位數回歸模型的2型糖尿病住院患者生命質量影響因素分析. 中華疾病控制雜志, 2020, 24(2): 183-188.
8. 米白冰, 李強, 黨少農, 等. 研究健康相關生命質量影響因素的分位數回歸分析. 中國衛生統計, 2016, 33(2): 190-193.
9. 王超, 劉美娜. 基于分位數回歸乳腺癌患者的治療質量影響因素. 公共衛生與預防醫學, 2018, 29(1): 17-20.
10. Yu K, Moyeed RA. Bayesian quantile regression. Stat Probabil Lett, 2001, 54(4): 437-447.
11. 謝婷婷, 趙鶯. 科技創新、金融發展與產業結構升級—基于貝葉斯分位數回歸的分析. 科技管理研究, 2017, 37(5): 1-8.
12. 張穎, 傅強. GJR-CAViaR模型的貝葉斯分位數回歸—基于Gibbs抽樣的MCMC算法實現. 中央財經大學學報, 2017, (7): 87-95.
13. 米霖. R語言數據可視化實戰. 北京: 機械工業出版社, 2020.
14. 李多多, 俞興, 韓晟, 等. 多元線性回歸分析數據可視化的RStudio軟件實踐. 中國循證醫學雜志, 2021, 21(4): 482-490.
15. 朱新玲. 馬爾科夫鏈蒙特卡羅方法研究綜述. 統計與決策, 2009, 297(21): 151-153.
16. 邸俊鵬, 張曉峒. 二元選擇分位數回歸模型的貝葉斯估計方法及模擬研究. 統計與決策, 2019, 35(5): 11-16.
17. 陳建寶, 丁軍軍. 分位數回歸技術綜述. 統計與信息論壇, 2008, 90(3): 89-96.
18. Shi J, Ma H, Zhou Y. The nonparametric quantile estimation for length-biased and right-censored data. Stat Probabil Lett, 2018, 134: 150-158.
19. 戴璟, 王鑫, 張雪, 等. 基于分位數回歸的睡眠時長對卒中發病風險的影響研究. 中國衛生統計, 2022, 39(1): 36-39.
20. 王廉源, 楊毅, 叢慧文, 等. 不同MMSE評分下阿爾茲海默病發病風險因素的貝葉斯分位數回歸聯合模型分析. 吉林大學學報(醫學版), 2023, 49(2): 395-401.
21. 蘇飛月, 符美玲, 譚慭莘, 等. 基于分位數回歸與決策樹模型的跌倒患者住院費用影響因素分析. 中國衛生統計, 2021, 38(1): 67-72.
22. Gr?t M, Lewandowski Z, Patkowski W, et al. Individual surgeon experience yields bimodal effects on patient outcomes after deceased-donor liver transplant: results of a quantile regression for survival data. Exp Clin Transplant, 2018, 16(4): 425-433.
23. 何納輪, 李華, 安偉, 等. 基于分段函數分位數回歸法構建人群尿碘與甲狀腺結節患病率的U型響應關系研究. 中華預防醫學雜志, 2020, 54(11): 1268-1274.
24. 張瀝今, 陸嘉琦, 魏夏琰, 等. 貝葉斯結構方程模型及其研究現狀. 心理科學進展, 2019, 27(11): 1812-1825.
25. 晏寧, 毛志雄, 李英, 等. 小樣本數據潛變量建模: 貝葉斯估計的應用. 中國體育科技, 2018, 54(6): 52-58.
26. 孔航. 經典非參數回歸模型和貝葉斯非參數分位數回歸模型的比較. 統計與決策, 2018, 34(17): 34-39.
27. 熊健, 尹姍姍. 基于貝葉斯估計的中國人均GDP之時序模型. 數理統計與管理, 2016, 35(4): 623-629.
28. 周永章, 陳爍, 張旗, 等. 大數據與數學地球科學研究進展—大數據與數學地球科學專題代序. 巖石學報, 2018, 34(2): 255-263.
29. 江麗杰, 胡鏡清, 易丹輝, 等. 缺血性中風病中醫證候要素動態變化與NIHSS評分變化相關性的貝葉斯網絡分析. 世界中醫藥, 2013, 8(6): 613-617.
30. 任甫卿, 陳路, 程苗苗, 等. 12種口服中成藥聯合多奈哌齊治療癡呆的貝葉斯網狀Meta分析. 世界中醫藥, 2022, 17(18): 2587-2594, 2601.
31. 孫文軍, 馮玉橋, 唐啟盛. 基于貝葉斯網絡的閾下焦慮抑郁中醫證候學研究. 中華中醫藥雜志, 2018, 33(7): 3112-3115.
32. 盧恩仕, 韓明光, 劉峰, 等. 基于貝葉斯網絡分析重癥肺炎中醫證候規律. 中醫學報, 2022, 37(1): 173-179.
33. 孫繼佳, 邵建華, 蘇式兵. 鄰域粗糙貝葉斯網絡及其在醫學數據挖掘中的應用. 數理醫藥學雜志, 2013, 26(5): 539-543.
34. 羅玉波, 王軼凡. 空間面板數據混合效應模型的貝葉斯分位數回歸. 統計與決策, 2021, 37(8): 35-39.
35. 陸平. 互聯網產品眾籌行為與籌資績效關聯分析—基于京東眾籌數據的貝葉斯分析. 科學技術與工程, 2018, 18(35): 1-6.
36. 方麗婷, 李坤明. 空間滯后分位數回歸模型的貝葉斯估計. 數量經濟技術經濟研究, 2019, 36(9): 102-116.
37. 姚萍, 楊愛軍, 韓曉月, 等. 基于M-H抽樣的金融貝葉斯分位數隨機波動模型研究. 數理統計與管理, 2018, 37(4): 753-760.
38. Kuhudzai AG, Van Hal G, Van Dongen S, et al. Modelling of south African hypertension: comparative analysis of the classical and Bayesian quantile regression approaches. Inquiry, 2022, 59: 469580221082356.
39. Alampi JD, Lanphear BP, Braun JM, et al. Association between gestational exposure to toxicants and autistic behaviors using Bayesian quantile regression. Am J Epidemiol, 2021, 190(9): 1803-1813.
40. Park HB, Lee J, Hong Y, et al. Risk factors based vessel-specific prediction for stages of coronary artery disease using Bayesian quantile regression machine learning method: results from the PARADIGM registry. Clin Cardiol, 2023, 46(3): 320-327.
41. Suleiman M, Demirhan H, Boyd L, et al. Bayesian prediction of emergency department wait time. Health Care Manag Sci, 2022, 25(2): 275-290.

Chinese Journal of Evidence-Based Medicine

The application of Bayesian quantile regression in analysis of clinical medicine data and the R Studio practice

Abstract Full text Figures/Tables Video References Cited by

Previous Article

Next Article

Format

Content