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.	胡跃华, 丁雄, 蒋蔚, 等. 分位数回归在宜昌市带状疱疹就诊费用及其影响因素研究中的应用. 中国卫生统计, 2021, 38(3): 371-373,377.
2.	李文瑾, 田立启, 李晓雨, 等. 基于分位数回归模型的肺癌手术患者住院费用影响因素分析. 中国卫生经济, 2021, 40(9): 58-61.
3.	张雪玉, 王莉, 罗璇, 等. 基于面板分位数回归的老年糖尿病足患者治疗费用影响因素分析. 中国卫生统计, 2019, 36(6): 893-895.
4.	范潇茹, 陈莎, 施予宁, 等. 我国中老年人慢性病共病现状及其对卫生服务利用和医疗费用的影响研究. 中国全科医学, 2022, 25(19): 2371-2378.
5.	周少甫, 范兆媛. 年龄对医疗费用增长的影响: 基于分位数回归模型的分析. 中国卫生经济, 2016, 35(6): 65-67.
6.	陈英姿, 孙伟. 老年人与子女同住对老年健康的影响分析. 人口学刊, 2020, 42(1): 85-98.
7.	张静, 孙仙, 张文玲, 等. 基于分位数回归模型的2型糖尿病住院患者生命质量影响因素分析. 中华疾病控制杂志, 2020, 24(2): 183-188.
8.	米白冰, 李强, 党少农, 等. 研究健康相关生命质量影响因素的分位数回归分析. 中国卫生统计, 2016, 33(2): 190-193.
9.	王超, 刘美娜. 基于分位数回归乳腺癌患者的治疗质量影响因素. 公共卫生与预防医学, 2018, 29(1): 17-20.
10.	Yu K, Moyeed RA. Bayesian quantile regression. Stat Probabil Lett, 2001, 54(4): 437-447.
11.	谢婷婷, 赵莺. 科技创新、金融发展与产业结构升级—基于贝叶斯分位数回归的分析. 科技管理研究, 2017, 37(5): 1-8.
12.	张颖, 傅强. GJR-CAViaR模型的贝叶斯分位数回归—基于Gibbs抽样的MCMC算法实现. 中央财经大学学报, 2017, (7): 87-95.
13.	米霖. R语言数据可视化实战. 北京: 机械工业出版社, 2020.
14.	李多多, 俞兴, 韩晟, 等. 多元线性回归分析数据可视化的RStudio软件实践. 中国循证医学杂志, 2021, 21(4): 482-490.
15.	朱新玲. 马尔科夫链蒙特卡罗方法研究综述. 统计与决策, 2009, 297(21): 151-153.
16.	邸俊鹏, 张晓峒. 二元选择分位数回归模型的贝叶斯估计方法及模拟研究. 统计与决策, 2019, 35(5): 11-16.
17.	陈建宝, 丁军军. 分位数回归技术综述. 统计与信息论坛, 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, 张雪, 等. 基于分位数回归的睡眠时长对卒中发病风险的影响研究. 中国卫生统计, 2022, 39(1): 36-39.
20.	王廉源, 杨毅, 丛慧文, 等. 不同MMSE评分下阿尔兹海默病发病风险因素的贝叶斯分位数回归联合模型分析. 吉林大学学报(医学版), 2023, 49(2): 395-401.
21.	苏飞月, 符美玲, 谭慭莘, 等. 基于分位数回归与决策树模型的跌倒患者住院费用影响因素分析. 中国卫生统计, 2021, 38(1): 67-72.
22.	Grąt 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.	何纳轮, 李华, 安伟, 等. 基于分段函数分位数回归法构建人群尿碘与甲状腺结节患病率的U型响应关系研究. 中华预防医学杂志, 2020, 54(11): 1268-1274.
24.	张沥今, 陆嘉琦, 魏夏琰, 等. 贝叶斯结构方程模型及其研究现状. 心理科学进展, 2019, 27(11): 1812-1825.
25.	晏宁, 毛志雄, 李英, 等. 小样本数据潜变量建模: 贝叶斯估计的应用. 中国体育科技, 2018, 54(6): 52-58.
26.	孔航. 经典非参数回归模型和贝叶斯非参数分位数回归模型的比较. 统计与决策, 2018, 34(17): 34-39.
27.	熊健, 尹姗姗. 基于贝叶斯估计的中国人均GDP之时序模型. 数理统计与管理, 2016, 35(4): 623-629.
28.	周永章, 陈烁, 张旗, 等. 大数据与数学地球科学研究进展—大数据与数学地球科学专题代序. 岩石学报, 2018, 34(2): 255-263.
29.	江丽杰, 胡镜清, 易丹辉, 等. 缺血性中风病中医证候要素动态变化与NIHSS评分变化相关性的贝叶斯网络分析. 世界中医药, 2013, 8(6): 613-617.
30.	任甫卿, 陈路, 程苗苗, 等. 12种口服中成药联合多奈哌齐治疗痴呆的贝叶斯网状Meta分析. 世界中医药, 2022, 17(18): 2587-2594, 2601.
31.	孙文军, 冯玉桥, 唐启盛. 基于贝叶斯网络的阈下焦虑抑郁中医证候学研究. 中华中医药杂志, 2018, 33(7): 3112-3115.
32.	卢恩仕, 韩明光, 刘峰, 等. 基于贝叶斯网络分析重症肺炎中医证候规律. 中医学报, 2022, 37(1): 173-179.
33.	孙继佳, 邵建华, 苏式兵. 邻域粗糙贝叶斯网络及其在医学数据挖掘中的应用. 数理医药学杂志, 2013, 26(5): 539-543.
34.	罗玉波, 王轶凡. 空间面板数据混合效应模型的贝叶斯分位数回归. 统计与决策, 2021, 37(8): 35-39.
35.	陆平. 互联网产品众筹行为与筹资绩效关联分析—基于京东众筹数据的贝叶斯分析. 科学技术与工程, 2018, 18(35): 1-6.
36.	方丽婷, 李坤明. 空间滞后分位数回归模型的贝叶斯估计. 数量经济技术经济研究, 2019, 36(9): 102-116.
37.	姚萍, 杨爱军, 韩晓月, 等. 基于M-H抽样的金融贝叶斯分位数随机波动模型研究. 数理统计与管理, 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. 胡跃华, 丁雄, 蒋蔚, 等. 分位数回归在宜昌市带状疱疹就诊费用及其影响因素研究中的应用. 中国卫生统计, 2021, 38(3): 371-373,377.
2. 李文瑾, 田立启, 李晓雨, 等. 基于分位数回归模型的肺癌手术患者住院费用影响因素分析. 中国卫生经济, 2021, 40(9): 58-61.
3. 张雪玉, 王莉, 罗璇, 等. 基于面板分位数回归的老年糖尿病足患者治疗费用影响因素分析. 中国卫生统计, 2019, 36(6): 893-895.
4. 范潇茹, 陈莎, 施予宁, 等. 我国中老年人慢性病共病现状及其对卫生服务利用和医疗费用的影响研究. 中国全科医学, 2022, 25(19): 2371-2378.
5. 周少甫, 范兆媛. 年龄对医疗费用增长的影响: 基于分位数回归模型的分析. 中国卫生经济, 2016, 35(6): 65-67.
6. 陈英姿, 孙伟. 老年人与子女同住对老年健康的影响分析. 人口学刊, 2020, 42(1): 85-98.
7. 张静, 孙仙, 张文玲, 等. 基于分位数回归模型的2型糖尿病住院患者生命质量影响因素分析. 中华疾病控制杂志, 2020, 24(2): 183-188.
8. 米白冰, 李强, 党少农, 等. 研究健康相关生命质量影响因素的分位数回归分析. 中国卫生统计, 2016, 33(2): 190-193.
9. 王超, 刘美娜. 基于分位数回归乳腺癌患者的治疗质量影响因素. 公共卫生与预防医学, 2018, 29(1): 17-20.
10. Yu K, Moyeed RA. Bayesian quantile regression. Stat Probabil Lett, 2001, 54(4): 437-447.
11. 谢婷婷, 赵莺. 科技创新、金融发展与产业结构升级—基于贝叶斯分位数回归的分析. 科技管理研究, 2017, 37(5): 1-8.
12. 张颖, 傅强. GJR-CAViaR模型的贝叶斯分位数回归—基于Gibbs抽样的MCMC算法实现. 中央财经大学学报, 2017, (7): 87-95.
13. 米霖. R语言数据可视化实战. 北京: 机械工业出版社, 2020.
14. 李多多, 俞兴, 韩晟, 等. 多元线性回归分析数据可视化的RStudio软件实践. 中国循证医学杂志, 2021, 21(4): 482-490.
15. 朱新玲. 马尔科夫链蒙特卡罗方法研究综述. 统计与决策, 2009, 297(21): 151-153.
16. 邸俊鹏, 张晓峒. 二元选择分位数回归模型的贝叶斯估计方法及模拟研究. 统计与决策, 2019, 35(5): 11-16.
17. 陈建宝, 丁军军. 分位数回归技术综述. 统计与信息论坛, 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, 张雪, 等. 基于分位数回归的睡眠时长对卒中发病风险的影响研究. 中国卫生统计, 2022, 39(1): 36-39.
20. 王廉源, 杨毅, 丛慧文, 等. 不同MMSE评分下阿尔兹海默病发病风险因素的贝叶斯分位数回归联合模型分析. 吉林大学学报(医学版), 2023, 49(2): 395-401.
21. 苏飞月, 符美玲, 谭慭莘, 等. 基于分位数回归与决策树模型的跌倒患者住院费用影响因素分析. 中国卫生统计, 2021, 38(1): 67-72.
22. Grąt 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. 何纳轮, 李华, 安伟, 等. 基于分段函数分位数回归法构建人群尿碘与甲状腺结节患病率的U型响应关系研究. 中华预防医学杂志, 2020, 54(11): 1268-1274.
24. 张沥今, 陆嘉琦, 魏夏琰, 等. 贝叶斯结构方程模型及其研究现状. 心理科学进展, 2019, 27(11): 1812-1825.
25. 晏宁, 毛志雄, 李英, 等. 小样本数据潜变量建模: 贝叶斯估计的应用. 中国体育科技, 2018, 54(6): 52-58.
26. 孔航. 经典非参数回归模型和贝叶斯非参数分位数回归模型的比较. 统计与决策, 2018, 34(17): 34-39.
27. 熊健, 尹姗姗. 基于贝叶斯估计的中国人均GDP之时序模型. 数理统计与管理, 2016, 35(4): 623-629.
28. 周永章, 陈烁, 张旗, 等. 大数据与数学地球科学研究进展—大数据与数学地球科学专题代序. 岩石学报, 2018, 34(2): 255-263.
29. 江丽杰, 胡镜清, 易丹辉, 等. 缺血性中风病中医证候要素动态变化与NIHSS评分变化相关性的贝叶斯网络分析. 世界中医药, 2013, 8(6): 613-617.
30. 任甫卿, 陈路, 程苗苗, 等. 12种口服中成药联合多奈哌齐治疗痴呆的贝叶斯网状Meta分析. 世界中医药, 2022, 17(18): 2587-2594, 2601.
31. 孙文军, 冯玉桥, 唐启盛. 基于贝叶斯网络的阈下焦虑抑郁中医证候学研究. 中华中医药杂志, 2018, 33(7): 3112-3115.
32. 卢恩仕, 韩明光, 刘峰, 等. 基于贝叶斯网络分析重症肺炎中医证候规律. 中医学报, 2022, 37(1): 173-179.
33. 孙继佳, 邵建华, 苏式兵. 邻域粗糙贝叶斯网络及其在医学数据挖掘中的应用. 数理医药学杂志, 2013, 26(5): 539-543.
34. 罗玉波, 王轶凡. 空间面板数据混合效应模型的贝叶斯分位数回归. 统计与决策, 2021, 37(8): 35-39.
35. 陆平. 互联网产品众筹行为与筹资绩效关联分析—基于京东众筹数据的贝叶斯分析. 科学技术与工程, 2018, 18(35): 1-6.
36. 方丽婷, 李坤明. 空间滞后分位数回归模型的贝叶斯估计. 数量经济技术经济研究, 2019, 36(9): 102-116.
37. 姚萍, 杨爱军, 韩晓月, 等. 基于M-H抽样的金融贝叶斯分位数随机波动模型研究. 数理统计与管理, 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