LQAS dalam Pemantauan Kesehatan - Wawasan dari Perspektif Bayesian

Abstrak: Pengambilan Sampel Jaminan Kualitas Lot (LQAS) sangat dianjurkan untuk
digunakan dalam memantau status kesehatan populasi, sebagian besar di negara berkembang.
Hal ini dianjurkan baik untuk pemantauan wilayah kecil maupun untuk membuat penilaian
global status kesehatan wilayah yang lebih besar. Makalah ini kontras interpretasi yang
ditawarkan oleh metode LQAS dengan yang ditawarkan oleh model hirarkis Bayesian. Ini
mempertimbangkan aplikasi untuk data area lokal yang dilaporkan sebelumnya dan
menyajikan analisis ulang data yang diterbitkan pada cakupan vaksin di Peru serta prevalensi
HTLV-1 di Benin. Keinginan menggunakan metode Bayesian di lapangan mungkin
ditantang; namun demikian pekerjaan ini memperkuat kekhawatiran yang sebelumnya
diungkapkan tentang cara metode LQAS dapat digunakan. Ini menimbulkan pertanyaan
tentang kemampuan pendekatan LQAS untuk membuat, cukup sering, keputusan yang tepat
untuk berguna dalam memantau program kesehatan di tingkat lokal.

LATAR BELAKANG

Dalam beberapa dekade terakhir, Lot Quality Assurance Sampling (LQAS) telah diterapkan
di berbagai rangkaian layanan kesehatan [1]. LQAS adalah teknik industri mapan
dimaksudkan untuk proses yang berada di bawah kendali statistik [2]. Pekerjaan awal pada
LQAS mendahului pekerjaan Neyman \ dan Pearson pada pengujian hipotesis [3]. LQAS
bertujuan untuk membuat klasifikasi yang benar, apakah batch produk yang diproduksi dapat
ditentukan sebagai "dapat diterima" atau "tidak dapat diterima" dalam suatu pengaturan
industri di mana upaya dan biaya telah didedikasikan untuk memastikan bahwa proses yang
dipantau berada di bawah kendali statistik. Ini berarti bahwa fitur-fitur dari proses yang
dipantau, seperti varians, dikarakterisasi dengan baik sebelum skema pengambilan sampel
dibuat. Memang, dalam konteks manufaktur, upaya yang cukup mungkin telah dikeluarkan
untuk meminimalkan variasi dalam proses. Fitur lain dari manufaktur adalah bahwa akurasi
mengklasifikasikan objek sampel sebagai "dapat diterima" atau "tidak dapat diterima"
mungkin jauh lebih tinggi daripada yang dimungkinkan dalam pengaturan perawatan
kesehatan.

Saat ini ada banyak referensi yang menggambarkan desain LQAS yang digunakan dalam
perawatan kesehatan, beberapa di antaranya merujuk pada penilaian lokal terhadap status
kesehatan (cakupan vaksin, prevalensi penyakit) dengan cara yang analog dengan cara LQAS
digunakan dalam industri [1]. Makalah ini akan mempertimbangkan aplikasi yang diterbitkan
sebelumnya untuk prevalensi penyakit dalam beberapa detail [4]. Ada referensi lebih lanjut
yang menggambarkan penggunaan data yang dikumpulkan LQAS sebagai pendekatan cluster
sampling tertentu dan analisis dilakukan untuk memberikan estimasi global prevalensi [5].
Dengan demikian dimungkinkan untuk melihat aplikasi sampel LQAS dasar yang digunakan
baik dalam cara klasifikasi atau dalam cara sampling survei. Ada banyak kontribusi untuk
literatur dalam beberapa tahun terakhir mengenai LQAS termasuk komentar editorial di
jurnal-jurnal terkemuka [6]. Makalah ini mencari eksplorasi lebih lanjut dari kedekatan
konsep perawatan kesehatan dan industri dari strategi LQAS. Sangat menarik untuk dicatat
bahwa ada beberapa perdebatan dalam literatur tentang apakah LQAS dapat dianggap sebagai
klasifikasi atau metode pengujian hipotesis.

Makalah ini akan mendekati penggunaan LQAS dari perspektif Bayesian. Hal ini dimotivasi
oleh keinginan untuk memperoleh distribusi posterior untuk jumlah bunga yang dapat
diinterogasi untuk memberikan perkiraan langsung risiko pemasok dan klien ketika
mengklasifikasikan area kecil. Dalam LQAS, risiko ini harus ditentukan sebelumnya dalam
desain dan pemilihan ukuran sampel dan kriteria keputusan. Sudah ada saran menarik dalam
literatur untuk interpretasi Bayesian dari desain LQAS [7]. Keuntungan menggunakan
pendekatan pemodelan (apakah Bayesian atau tidak) adalah bahwa informasi kontekstual
tambahan dapat dimasukkan. Ini jelas penting ketika memperkirakan prevalensi suatu kondisi
yang dapat sangat bervariasi berdasarkan strata di mana tidak mungkin untuk mendapatkan
sampel LQAS yang telah seimbang sehubungan dengan strata ini. Studi kasus kedua
(prevalensi HTLV-1 di Benin) jelas menunjukkan contoh di mana strata populasi penting.
Keuntungan potensial lain dari pemodelan adalah bahwa kita dapat menjelaskan
ketidakpastian dalam kovariat yang hilang, misalnya dengan memasukkan efek acak hirarki,
temporal, atau spasial. Studi kasus kedua dengan jelas menunjukkan bahwa data HTLV-1
adalah overdispersed relatif terhadap model probabilitas dasar seperti sebagai
Hypergeometrik dan Binomial. Oleh karena itu bagian dari diskusi akan meninjau implikasi
dari penayangan berlebih untuk kinerja yang benar dari aturan keputusan LQAS.

Turunnya Rencana Pengambilan Sampel LQAS

Rencana pengambilan sampel LQAS didasarkan pada pengelompokan seluruh bets sebagai
“dapat diterima” dengan menentukan apakah jumlah “tanda” dari bets tersebut melebihi
jumlah yang telah ditentukan. Proposal asli untuk LQAS mengasumsikan bahwa tanda-tanda
ini dapat dianggap sebagai variabel acak setelah distribusi Hypergeometric. Di sini, idenya
adalah bahwa sampel ukuran n telah diambil tanpa penggantian dari populasi ukuran N di
mana populasi tersebut terdiri dari individu K dari negara 1 (memiliki tanda) dan individu N-
K dari negara 0 (tidak memiliki tanda). Membiarkan X menunjukkan variabel acak yang
menghitung jumlah individu dalam keadaan 1 dalam sampel berukuran n, maka X dikatakan
memiliki distribusi Hypergeometrik jika kemungkinan fungsi massa adalah:

𝐾 𝑁−𝐾
( )( )
𝑃(𝑋 = 𝑥) = 𝑥 𝑛 − 𝑥
𝑁
( )
𝑛
LQAS kemudian menginformasikan pembangunan aturan keputusan berdasarkan pada
mempertahankan probabilitas kesalahan klasifikasi batch di bawah level yang ditentukan
sebelumnya untuk populasi dengan proporsi yang berbeda dari

(𝑁 − 𝑘)
𝑁
Dimungkinkan untuk mempertimbangkan keputusan ini sebagai semacam uji hipotesis
komposit di mana klasifikasi didasarkan pada pemilihan nilai n dan k sedemikian sehingga
𝑁−𝐾 𝑁
risiko dipertahankan di bawah ambang batas untuk kisaran nilai ke 𝑁
𝑁

Poin penting yang perlu diperhatikan tentang penggunaan distribusi Hypergeometrik adalah
bahwa ia membuat pernyataan yang sangat kuat tentang varians, yaitu bahwa 𝑉𝑎𝑟 (𝑋) =
𝑛𝑘(𝑁−𝑘)(𝑁−𝑛)
𝑁 2 (𝑁−1)

Dalam pengaturan survei sampel dimungkinkan untuk memodelkan jumlah tanda dalam
sampel menggunakan distribusi Binomial. Baik distribusi Binomial maupun Hypergeometrik
merupakan generalisasi dari distribusi Bernoulli untuk populasi terbatas; yang pertama sesuai
untuk pengambilan sampel dengan penggantian dan yang terakhir sesuai untuk pengambilan
sampel tanpa penggantian. Memang, dalam kondisi tertentu variabel acak Binomial Y
memiliki distribusi yang mirip dengan variabel acak Hypergeometrik X dalam P (X≤ k) = P
(Y≤k). Poin ini akan diperluas dalam diskusi tetapi untuk saat ini harus dicatat bahwa banyak
dataset yang diamati menampilkan penyebaran berlebihan - situasi di mana varians data jauh
lebih besar daripada yang diprediksi oleh model probabilitas yang dipilih [8]. Solusi umum
untuknya termasuk menggunakan model probabilitas yang sedikit berbeda; misalnya
mengganti distribusi Binomial dengan Binasi-Kuasi atau Binomial-Beta. Sebagai alternatif,
adalah umum untuk menggunakan model efek acak sebagai alat akuntansi untuk kegagalan
asumsi model ini. Makalah ini akan menunjukkan bahwa penyebaran berlebih ada dalam data
LQAS yang diterbitkan sebelumnya dan menggambarkan bagaimana menjelaskannya dengan
menggunakan model yang dibangun dengan cermat.

Masalah overdispersi mungkin lebih mungkin terjadi pada dataset pengamatan seperti yang
digunakan dalam pengaturan layanan kesehatan LQAS. Ada beberapa perbedaan penting
antara kontrol proses industri dan pemantauan hasil kesehatan. Dalam pengaturan industri,
parameter proses yang dipantau sering dipahami dengan baik dan biasanya beberapa upaya
telah dilakukan untuk mencapai tujuan mengurangi variasi. Oleh karena itu LQAS digunakan
untuk mengkonfirmasi bahwa suatu proses masih beroperasi dalam batas yang dapat diterima.
Dalam banyak aplikasi layanan kesehatan yang diterbitkan, bahkan mereka yang bekerja di
bawah kerangka Monitoring dan Evaluasi tujuannya berbeda - memantau pemberian layanan
atau prevalensi untuk mengurangi variasi dalam suatu proses bukan merupakan aspek dari
konteks. Memang, tampaknya sistem manusia (di mana tempat yang berbeda dapat
beroperasi dengan cara yang berbeda atau di mana prevalensi dapat berubah di antara subset
populasi yang berbeda) prosesnya jauh lebih bervariasi daripada sistem industri tempat
LQAS digunakan. Ini akan secara khusus diilustrasikan dalam studi kasus kedua di mana ada
efek usia-gender yang kuat dalam prevalensi. Inti dari peringatan ini adalah bahwa aturan
keputusan LQAS belum dibangun untuk menjelaskan stratifikasi ini.

Oleh karena itu, struktur makalah ini adalah untuk menetapkan metode pemodelan dan
kemudian menerapkannya pada studi kasus; dua aplikasi LQAS yang sebelumnya diterbitkan
untuk pemantauan kesehatan. Studi kasus pertama menyangkut cakupan vaksin di Peru.
Sementara ini adalah paparan yang sangat awal dari metode LQAS dalam perawatan
kesehatan, ini adalah di mana penulis melaporkan bahwa teknik ini "berhasil" [9]. Materi
praktik dan pelatihan LQAS tidak diragukan lagi telah berkembang pesat sejak studi ini.
Studi kasus kedua menyangkut prevalensi HTLV-1 di Benin, di mana LQAS digunakan
untuk menentukan area dengan tingkat infeksi rendah [4]. Implikasi dari menemukan area
dengan prevalensi rendah adalah bahwa sumber daya perawatan kesehatan dapat dialihkan ke
area dengan prevalensi yang lebih tinggi atau dapat digunakan untuk mengidentifikasi area
dengan prevalensi rendah dari mana area dengan prevalensi tinggi dapat mempelajari praktik
terbaik. Dalam studi kasus pertama, cakupan vaksin "tinggi" adalah tujuannya sedangkan
pada prevalensi "rendah" kedua adalah tujuannya. Namun yang jelas, studi kasus sebaliknya
simetris. Bagian dari alasan untuk memilih dua studi kasus ini adalah bahwa mereka adalah
dua dari sedikit studi yang mempublikasikan data yang cukup untuk memungkinkan analisis
ulang. Makalah ini kemudian akan menerapkan apa yang sekarang model Bayesian sangat
mapan untuk data ini, dan kemudian membahas implikasi pemodelan.

Metode

Seperti yang disebutkan secara singkat, studi kasus pertama didasarkan pada laporan awal
LQAS yang digunakan untuk mengkonfirmasi vaksin yang tidak terjangkau di Peru [9].
Cakupan baseline dinilai dan kemudian targetnya adalah untuk mengklasifikasikan area yang
telah mencapai cakupan lebih dari 80%. Dalam membuat penentuan ini, tujuannya adalah
untuk melakukan ini dengan tidak lebih dari 8% risiko kesalahan klasifikasi sebagai memiliki
cakupan tinggi ketika cakupan sebenarnya kurang dari 80%. Skema LQAS dipilih
berdasarkan n = 9 dan d = 3; dengan kata lain, berdasarkan ukuran sampel dari 9 area yang
diidentifikasi berisiko di bawah cakupan target jika tiga atau kurang anak tampaknya tidak
divaksinasi. Menggunakan aturan keputusan ini, delapan dari dua belas area kecil ditemukan
di bawah 80% cakupan. Selanjutnya survei tindak lanjut adalah dilakukan dengan
menggunakan penargetan aturan LQAS yang sedikit berbeda Cakupan 90% dengan rencana
pengambilan sampel n = 9 dan d = 2, yaitu, jika dua anak atau lebih dalam ukuran sampel 12
tampaknya tidak dilindungi vaksin maka daerah itu dianggap tidak cukup terlindungi.

Studi kasus kedua didasarkan pada analisis ulang data pada prevalensi HTLV-1 yang diambil
dari komune di wilayah Atacora di barat laut Benin pada tahun 1998 [4]. Para penulis
menyatakan bahwa sementara pengambilan sampel kluster dapat memberikan informasi
tentang wilayah yang diminati, mereka ingin mengidentifikasi daerah-daerah kecil dengan
tingkat prevalensi yang lebih tinggi untuk menginformasikan perencanaan kebijakan
kesehatan. Pada saat penelitian, wilayah Atacora dibagi menjadi 17 subprefecture dan 73
komune. Secara total, 36 komune diperiksa. Penggunaan manual LQAS mengarah ke ukuran
sampel n = 65 dengan aturan keputusan d = 0, untuk mendeteksi prevalensi lebih besar dari
4% (ini menjadi dua kali prevalensi yang terlihat dalam penelitian sebelumnya). Dengan kata
lain, suatu daerah diklasifikasikan di atas prevalensi di atas 4% jika lebih dari 1 orang dalam
sampel 65 diamati sebagai HTLV-1 sero-positif. Dalam publikasi asli, 25 komune
diklasifikasikan sebagai hak tinggi dan 11 komune diklasifikasikan sebagai risiko yang dapat
diterima.
Metode yang digunakan dalam makalah ini adalah aplikasi standar model hirarki Bayesian
[10]. Dimungkinkan untuk menggunakan formulasi model linier umum konvensional untuk
jumlah penyakit / vaksinasi ini, di mana yi menunjukkan baik jumlah anak dengan cakupan
vaksin atau jumlah responden dengan HTLV-1. Ini dapat dimodelkan sebagai variabel acak
Binomial dengan ni = 9,12,65 untuk sampel vaksin pertama dan kedua dan sampel HTLV-1.
Oleh karena itu untuk area i = 1, ... N (di mana n = 9,12 untuk studi cakupan vaksin Peru
pertama dan kedua dan n = 65 untuk studi HTLV-1 Benin model data yang diamati dapat
diberikan sebagai: Yi ~ Binom(ni , pi )

Bunga kemudian mengelilingi pas model yang cocok untuk pi. Tautan logistik konvensional
karenanya akan dimodelkan logit(pi ) 𝛽0 + 𝛽𝑖 , di mana 𝛽0 adalah istilah intersep dan𝛽𝑖 ,
adalah efek acak untuk area i. Untuk implementasi Bayesian, prior harus dipilih untuk
parameter ini dan akan lebih mudah untuk mengasumsikan yang sebelumnya tidak informatif
mencegat sehingga 𝛽0 ~ N(0,1000).

Sedikit lebih banyak perhatian harus diberikan pada struktur efek acak. Untuk studi cakupan
vaksin Peru ada sedikit informasi lain dan hanya mungkin untuk memiliki efek acak untuk
setiap bidang. Namun untuk data HTLV-1 Benin dimungkinkan untuk memungkinkan
penataan hierarkis (komune dalam sub-arondisemen) dan bahkan untuk memungkinkan
korelasi spasial. Pilihan yang ditemukan cocok untuk data khusus ini akan dijelaskan di
bagian hasil; di sini cukup untuk dicatat bahwa ada banyak kemungkinan untuk menyusun
model-model ini berdasarkan meta-data yang tersedia. Lebih penting lagi, dimungkinkan
untuk memodelkan prevalensi lokal dan global secara bersamaan.

Idealnya, model ini dapat diperluas untuk memodelkan individu (sebagai respons Bernoulli)
dan karenanya menggunakan kovariat individu yang relevan seperti usia dan jenis kelamin.
Kecil kemungkinan bahwa sampel kecil akan seimbang sempurna sehubungan dengan
kovariat yang berpotensi informatif. Sayangnya, data individual tersebut belum tersedia.
Masalah stratifikasi jelas dari data ini. Metode alternatif untuk memungkinkan penyebaran
berlebih adalah dengan menggunakan model campuran. Dimungkinkan untuk menyesuaikan
model campuran sederhana dengan intersep sehingga 𝛽1𝑧 ∼ 𝑁𝑜𝑟𝑚𝑎𝑙(𝜇𝑧 𝜎𝑧 ) di mana z
menunjukkan keanggotaan kelompok campuran 1,2, ... dengan kendala pengidentifikasian
𝜇1 < 𝜇2 dan 𝜎1 < 𝜎2

Semua model telah dipasang menggunakan Markov Chain Monte Carlo sebagaimana
diimplementasikan oleh perangkat lunak pymc [11]. Rincian validasi pemasangan model
diberikan di bagian hasil.

HASIL

Set pertama hasil menyangkut analisis ulang data vaksinasi Peru [9].

Pertama, hasilnya diberikan untuk model sederhana yang dipasang hanya pada titik
waktu pertama, di

kata lain
 Yi ~ Binom (pi, 9)

Dan

logit (pi) = 0 + 1area

di mana 0 diasumsikan sebagai Normal (0, 1000) sebelum dan 𝛽𝑎𝑟𝑒𝑎 adalah 12 efek acak
khusus daerah juga dengan Normal (0, 1000) prior. Sampler McMC dijalankan untuk 5.000
iterasi sebagai pembakaran dan kemudian 5.000 sampel dipertahankan. Cek standar dibuat
untuk memastikan bahwa algoritma McMC telah konvergen [13]. Distribusi posterior untuk
pi dirangkum oleh langsung menghitung probabilitas posterior pi itu lebih besar dari 80%.
Hasil ini ditunjukkan pada Tabel 1 di bawah. Dapat dilihat misalnya Lot 1, yang dulu
diterima oleh LQAS memiliki probabilitas posterior cakupan vaksin yang dapat diterima
hanya 40%. Sebaliknya, lot 12 (yang juga diterima oleh LQAS) memiliki a kemungkinan
posterior memiliki vaksin yang dapat diterima cakupan 0,62.

Salah satu alasan untuk hasil yang berbeda antara Keputusan LQAS dan keputusan
berdasarkan distribusi posterior dari model Bayesian adalah bahwa pas seluruh data
digunakan pada dasarnya untuk memperkirakan a prevalensi global dan kemudian jumlah
individu
diizinkan berbeda dari asumsi ini masing-masing menjadi sampel yang dapat ditukar dari
populasi yang sama. Ini berarti bahwa masing-masing sampel memiliki posteriornya
distribusi menyusut menuju nilai-nilai populasi. Ini mungkin atau mungkin tidak masuk akal.
Dalam LQAS industri, populasi telah dikarakterisasi sebelumnya penetapan aturan keputusan
dan aturan keputusan tersebut dimaksudkan untuk mendeteksi perubahan kondisi operasi. Di
kasus banyak aplikasi perawatan kesehatan, itu populasi belum begitu dikarakterisasi dan
mungkin menjadi tepat untuk melakukan latihan pemodelan yang bertujuan untuk
memperkirakan karakteristik populasi secara keseluruhan.
Sebagaimana dinyatakan, beberapa pemeriksaan teknis dilakukan kinerja algoritma
pemasangan model McMC pada dasarnya mencari konvergensi [12]. Namun demikian juga
penting untuk memeriksa kecocokan statistik model. SEBUAH cara mudah untuk melakukan
ini adalah melalui posterior distribusi prediktif; untuk menghasilkan data simulasi
Yi (*) ~ Binom (pi, 9 M)
dari model M dipasang ke data. Simulasi yang diberikan dari distribusi prediksi posterior itu
sepele untuk periksa misalnya bahwa data yang diamati adalah masuk akal mengingat
interval kredibel 95% untuk distribusi prediktif posterior. Hasil ini diberikan pada Tabel 2.

Tabel 1: Ringkasan Data Vaksinasi Peru Saatnya Butir 1: Keputusan LQAS Asli dan
Posterior Kemungkinan Cakupan Vaksin Lebih Besar dari 80%.
Tabel 2: Ringkasan Distribusi Prediktif Posterior untuk Data Time Point 1 Dipasang ke Peru
Data Vaksinasi. Tiga Kolom Tampilkan 95% Interval dan Median. Kolom Akhir
Menunjukkan Proporsi Prediksi Posterior Yang Menghasilkan Sinyal LQAS “Terima”

Apa yang ditunjukkan Tabel 2 adalah bahwa misalnya lot 5 memiliki a Interval 95%
untuk distribusi prediktif posterior (2,9) yang konsisten dengan data yang diamati. Jika
data yang diamati memang satu realisasi dari ini distribusi, distribusi ini menghasilkan 14%
sampel yang menerima sinyal meskipun fakta bahwa Keputusan LQAS yang dibuat pada data
asli ditolak.

Jelas langkah selanjutnya adalah memperpanjang model itu kedua titik waktu dapat
dipertimbangkan. Yang sepantasnya model dapat dilambangkan:

Yit ~ Binom (pit, nit),

Dengan

ni1 = 9 dan ni2 = 12.

Kemudian logit (lubang) = 0 + 1area + xt di mana xt adalah variabel indikator sama

dengan nol untuk titik waktu pertama dan 1 untuk titik waktu kedua. Dalam Model Bayesian
diasumsikan mengikuti a Distribusi normal (0,1000). Model dipasang persis seperti
sebelumnya dan perkiraan posterior untuk memiliki interval kredibel 95% (-0,74,0.16). Ini
adalah terwakili dalam Gambar 1 (bersama dengan jejak jejak sugestif dari konvergensi).

Lebih mudah untuk merangkum posterior distribusi untuk berbagai nilai lubang secara visual
di mana nilai pi dari model titik waktu tunggal dapat ditumpangkan. Ini diberikan pada
Gambar 2. Ini menggambarkan cara alami di mana model Bayesian dapat diperbarui secara
berurutan diberikan data tambahan. Itu interval untuk pi1 dalam model dua titik waktu telah

bergeser relatif terhadap pi model titik waktu tunggal karena mereka telah menyusut ke arah
yang diasumsikan nilai keseluruhan berdasarkan bukti dari dua titik waktu. Beberapa
penyempitan interval kredibel juga terlihat karena prevalensi cakupan vaksin sedang
diperkirakan dari lebih banyak data.

Gambar 1: Ringkasan distribusi posterior parameter dari model data vaksinasi gabungan
Peru. Plot kiri adalah a plot histogram / densitas distribusi posterior, plot kanan adalah plot
jejak yang menunjukkan nilai dengan iterasi untuk subset dari interaksi.

Gambar 2: Ringkasan distribusi posterior (median posterior sebagai titik, garis menunjukkan
interval kredibel 95%). Tiga ringkasan disajikan. (a) garis hitam pekat menunjukkan
distribusi posterior untuk survei awal berdasarkan sembilan titik data di setiap area sedangkan
garis abu-abu menunjukkan posterior untuk model gabungan. (B) Garis abu-abu solid
menunjukkan distribusi posterior untuk pi1 (berbasis pada sembilan titik data di setiap area
dalam model gabungan) dan garis abu-abu putus menunjukkan distribusi posterior untuk pi2
(berdasarkan 12 titik data di setiap area dalam model gabungan). Titik berwarna hijau
menunjukkan keputusan menerima LQAS, titik berwarna menunjukkan merah sebuah
keputusan menolak LQAS.

Seperti halnya model titik waktu tunggal juga mungkin untuk menghasilkan distribusi
prediksi posterior. Hasilnya diberikan pada Tabel 3. Mereka menunjukkan misalnya bahwa
dalam Lot 12, jika modelnya benar, itu tidak benar tidak masuk akal melihat nilai 0 anak-
anak tidak divaksinasi, juga tidak masuk akal untuk melihat nilai 8 anak tidak divaksinasi.
Secara keseluruhan, 28% posterior simulasi prediksi menghasilkan nilai yang akan mengarah
ke sebuah LQAS menerima keputusan. Namun prediksi posterior distribusi tidak
menempatkan banyak kemungkinan bahwa Prevalensi vaksin sebenarnya lebih besar dari
90%.Beberapa otoritas telah menyatakan keprihatinan itu Aturan keputusan LQAS tidak
diterapkan dengan benar di situasi seperti ini [13]. Dengan kata lain keputusan untuk
menerima banyak berdasarkan bukti bahwa pi yang mendasarinya lebih besar dari 80/90%
bukan dengan menemukan bukti itu lebih tinggi tetapi dengan gagal menemukan bukti itu

lebih rendah. Namun, metodologi dan pelatihan LQAS bahan sudah pasti dikembangkan
sejak awal ini publikasi. Apa yang telah dicatat dalam analisis ulang ini adalah bahwa model
statistik menganggap nilai sampel sebagai realisasi dari beberapa populasi yang
mendasarinya dan itu ketika model dengan asumsi pertukaran dapat dipasang probabilitas
prevalensi posterior terlihat berbeda cahaya. Karakteristik OC dari aturan LQAS mungkin
tidak seperti yang diantisipasi mengingat variasi dalam data. Ini dapat diilustrasikan secara
lebih khusus dalam kasus kedua belajar.

Setelah menetapkan bahwa titik pemodelan adalah itu kita tidak perlu lagi menganggap yang
terkendali dengan baik, proses industri homogen-varians itu menarik untuk
mempertimbangkan peran stratifikasi. Sementara pemantauan prevalensi HTLV-1 mungkin
bukan a aplikasi utama LQAS memang mewakili a akun yang dipublikasikan tentang teknik
ini. Seperti sebelumnya, data lengkap tidak tersedia tetapi setidaknya ada data tentang lokasi

dan dimungkinkan untuk mendapatkan peta administrasi Benin Makalah asli juga
memberikan tabel yang menunjukkan prevalensi berdasarkan strata yang informatif. Seperti
sebelumnya, kami memodelkan jumlah HTLV-1 sero-positif responden yij di setiap komune I
= 1,…, 36 di masing-masing sub-prefektur j = 1,…, 7 sebagai

Yij ~ Binom (pij, 65)

Dengan

logit (pij) = 0 + 1area + 2xi2

di mana 0 adalah intersep dan diasumsikan a Normal (0,1000) sebelum model Bayesian,
are1area adalah a vektor tujuh independen Normal (0,1000) acak efek untuk sub-prefektur
dari mana komune diambil. 2 juga diasumsikan Normal (0,1000) dan xi2 adalah variabel
indikator yang diatur ke 1 jika komune adalah urban dan nol sebaliknya. Itu harus Perlu
dicatat bahwa formulasi ini memperlakukan komune sebagai dipertukarkan mengingat
arondisemen orang tua mereka. Sementara struktur yang berbeda dimungkinkan (termasuk
korelasi spasial antara sub-arondisemen atau
efek acak untuk setiap komune) ini adalah model yang disukai berdasarkan Informasi
Penyimpangan Kriteria (diberikan pada Tabel 4) [14].
Distribusi posterior untuk pi diberikan pada
Gambar 3.
Gambar 3 langsung menyoroti interpretasi yang berbeda diberikan kepada data oleh hierarki
Bayesian model dan keputusan LQAS. Aturan keputusan LQAS menganggap setiap
pengamatan 0 memiliki "rendah" (di bawah 4%) prevalensi. Ini membawa implikasi itu
sumber daya dapat dihilangkan dari area hijau, atau itu area merah harus belajar dari area
hijau. Karenanya, dalam Boukoumbe ada tiga komune yang diklasifikasikan sebagai
memiliki prevalensi rendah; Dipoli, Tabota, dan Koronitere. Sebaliknya, model Bayesian
menganggap ini sebagai pengamatan yang bisa ditukar dari dalam Boukoumbe dan memberi
bobot pada fakta bahwa ada 20 kasus yang diamati di tujuh komune (dan memang
menempatkan beberapa berat pada prevalensi keseluruhan di Benin Barat Laut).
Akibatnya, posterior distribusi tumpang tindih dengan aturan keputusan 4% (memang,
prevalensi median posterior diperkirakan lebih besar dari 4%). Sebaliknya, di Materi yang
sebaliknya terjadi. Sejumlah komune telah diidentifikasi memiliki prevalensi tinggi (Materi-
Central, Tohanhoun-Kossi, Gouande dan Dassari). Namun model hierarkis, oleh
menempatkan bobot pada fakta bahwa total sepuluh kasus diamati di enam komune dan
karenanya 95% interval yang kredibel untuk distribusi posterior untuk Prevalensi untuk setiap
komune sepenuhnya di bawah 4% target. Jelas, berbagai macam struktur model adalah
mungkin; tetapi intinya dibuat bahwa ini sangat interpretasi data yang berbeda dengan yang
diperoleh dari penggunaan aturan keputusan LQAS. Jelas ada tidak ada cara untuk
mendamaikan perbedaan melalui penggunaan analisis data, tetapi perlu diperhatikan asumsi
dalam setiap pendekatan. Bayesian model hirarkis tergantung pada asumsi pertukaran di
dalam setiap sub-prefektur LQAS Metode tergantung pada asumsi pengamatan iid dari
distribusi Hypergeometric.

Model Campuran
Pengantar mengacu pada masalah penyebaran berlebihan dan menyoroti cara statistik Model
(Bayesian atau sebaliknya) bisa berurusan dengan penyebaran berlebihan dengan cara yang
tidak langsung ke aturan keputusan LQAS masih ada. Data Benin adalah dipilih justru karena
setidaknya beberapa informasi diberikan untuk menggambarkan keprihatinan tentang
stratifikasi. Meja 3 di kertas asli memberikan informasi tentang HTLV-1 prevalensi
berdasarkan usia dan jenis kelamin [4]. Pada kedua ekstrim tersebut penulis melaporkan
prevalensi sekitar 2% (0,8 hingga 4,6%) untuk orang dewasa di bawah 30 dan untuk orang
dewasa di atas 60 mereka melaporkan 4,8% untuk pria dan 18,2% untuk wanita. Sementara
data aktif usia / jenis kelamin untuk masing-masing 36 sampel tidak tersedia mudah untuk
melihat bahwa data terlalu banyak tersebar. Itu standar deviasi sampel dari data yang
dipublikasikan adalah 2,95 yang jauh lebih tinggi daripada teori standar deviasi untuk
Binomial atau Distribusi hypergeometric dengan n = 65 dan p (langsung atau tersirat) dari
0,04. Memang, dengan tidak adanya data mentah dimungkinkan untuk melakukan simulasi
Monte Carlo di mana 36 sampel ukuran 65 diambil dari total sampel ukuran 2340 dengan 111
individu seropositif di mana label gender usia diatur agar sesuai dengan aslinya
kertas dan permutasi.

Tidak ada 1000 simulasi seperti itu apakah mungkin untuk menemukan standar deviasi
sampel sebagai setinggi 2,95 dan memang, simulasi yang lebih langsung menunjukkan bahwa
menemukan 11 sampel dengan nol kasus adalah luar biasa. Ini dapat menyebabkan tantangan
asumsi pertukaran. Satu jawaban untuk ini bisa adalah dengan menggunakan model
campuran non-parametrik dimana sebelum model data yang diamati adalah
Yij ~ Binom (pij, 65)
tapi sekarang pij dimodelkan sebagai:
logit (pij) = k 0k + 1j + x x k = 1 i2.
Ini pada dasarnya sama dengan model sebelumnya kecuali bahwa sekarang ada campuran
penyadapan. K menunjukkan probabilitas pencampuran dengan k k = 1
K = 1, dan 0k sekarang K Independen Normal (0,1000) acak
variabel dengan batasan yang 0k < 0 (k + 1). Di prakteknya, hanya perlu menggunakan dua
campuran komponen dan hasil keseluruhan model fit diberikan pada Tabel 5.
Membandingkan Tabel 4 dan 5 menunjukkan bahwa Model terakhir cocok secara
keseluruhan lebih baik, bahkan ketika dihukum (penyimpangan yang dihukum lebih rendah)
meskipun Hukuman “jumlah efektif parameter” agaknya lebih besar.
Distribusi posterior untuk pi untuk model campuran diberikan pada Gambar 4 di
mana dapat dilihat hasilnya sebagian besar mirip dengan yang untuk model yang lebih
sederhana. Namun, perbedaan kecil ini penting. Tabole, Dipoli dan Kountori memiliki
distribusi posterior bergeser ke arah nol (karena kekuatan pinjaman dari kelompok campuran
lebih dari dari sub-arrondisement induknya) meskipun dalam hal ini interval kredibel 95%
masih tumpang tindih dengan target prevalensi 4%. Pusat Materi, Tchanhoun-Cossi sekarang
memiliki interval yang kredibel tumpang tindih target - lagi karena menyeimbangkan
kekuatan cara dipinjam dari kelompok campuran dan sub-arrondissement induk. Sementara
itu diperdebatkan itu struktur campuran adalah fitur non-parametrik, the panel kanan Gambar
4 memberikan probabilitas posterior milik kelompok kedua (dengan yang lebih besar
parameter untuk 0k.
Sementara pemeriksaan konvergensi konvensional telah dilakukan dilakukan pada
model ini, seperti halnya vaksin Peru model itu masuk akal untuk membandingkan model
yang sesuai. Sebagai sebelumnya, distribusi prediksi posterior dapat diplot dan Gambar 5
menyajikan hasil ini secara visual untuk model campuran. Sementara pemeriksaan
konvergensi konvensional telah dilakukan dilakukan pada model ini, seperti halnya vaksin
Peru model itu masuk akal untuk membandingkan model yang sesuai. Sebagai sebelumnya,
distribusi prediksi posterior dapat diplot dan Gambar 5 menyajikan hasil ini secara visual
untuk model campuran.

Panel kiri menunjukkan bahwa data mungkin kompatibel dengan model, pengamatan
umumnya berbohong dalam distribusi prediksi posterior 95%. Dengan asumsi ini adalah
model yang masuk akal, panel kanan pada dasarnya menunjukkan probabilitas posterior
sinyal penolakan LQAS yang dihasilkan dari sampel yang diambil komune itu. Probabilitas
posterior ini bisa kontras dengan niat membatasi tingkat kesalahan dari aturan keputusan
LQAS. Temuan ini akan menjadi dipertimbangkan secara lebih rinci dalam diskusi.

DISKUSI

Makalah ini telah memeriksa kembali cara LQAS bisa digunakan untuk pengambilan
keputusan lokal. Sangat penting untuk menjadi sangat jelas tentang cara LQAS digunakan
dalam perawatan kesehatan. Pertama, ada aplikasi untuk pengambilan keputusan di area lokal
dalam sistem perawatan kesehatan dengan klasifikasi. Kedua, ada aplikasi untuk estimasi
prevalensi pada tingkat area yang luas dengan menggunakan data yang dikumpulkan LQAS
sebagai sampel cluster. Yang pertama jelas berhubungan dengan aplikasi industri LQAS
kecuali industri itu proses berdasarkan sifatnya dapat dirancang dan disempurnakan sehingga
meminimalkan varians. Manusia / lingkungan sistem kontrol ini tidak tersedia dan terperinci
informasi proses jarang tersedia. Bisa jadi mengemukakan bahwa mungkin masuk akal untuk
mempertimbangkan prevalensi / cakupan vaksin sebagai proses yang tersebar secara
berlebihan relatif terhadap teori statistik standar. Kertas ini menunjukkan bahwa data yang
digunakan untuk metode LQAS mungkin memang overdispersed dan karenanya memberikan
lebih lanjut wawasan tentang penggunaan aturan keputusan LQAS. Pasti sudah ada proposal
untuk penggunaan a Pendekatan Bayesian untuk membangun keputusan LQAS aturan [7].
Memang sudah ada proposal untuk hati-hati penggunaan informasi sebelumnya dalam
pembangunan LQAS aturan keputusan [

Namun, proposal di sini lebih dari itu halus. Mengingat bahwa orang menggunakan
LQAS dalam sampel cluster pendekatan survei, sarannya adalah untuk menggunakan data
dalam cara untuk menilai prevalensi keseluruhan. Setelah selesai ini, dimungkinkan untuk
mengekstrak informasi dari yang relevan parameter (langsung dimasukkan atau diturunkan)
ke memperkirakan prevalensi di daerah kecil. Idenya adalah bahwa di tidak adanya
pengetahuan tentang keseluruhan proses karakteristik (cakupan vaksin atau penyakit
prevalensi) ini harus diperkirakan. Model harus terstruktur dengan cara yang masuk akal dan
tulisan ini telah menunjukkan bahwa ada perbedaan di antara keduanya memungkinkan
daerah untuk meminjam kekuatan dari daerah induk atau meminjam kekuatan dari campuran
non-parametrik komponen. Makalah ini telah menunjukkan bahwa itu benar mungkin untuk
meminjam kekuatan dengan cara ini dan ditunjukkan bahwa kesimpulan berbeda diperoleh
dari yang diberikan oleh penerapan aturan LQAS. Makalah ini tidak bisa secara definitif
mengidentifikasi pendekatan yang benar - hati-hati penilaian asumsi diperlukan.

Salah satu fitur kunci dari data yang belum dimodelkan secara memadai adalah
stratifikasi. Itu ada masalah dengan stratifikasi telah ditunjukkan dengan jelas, dan bahwa ia
berpotensi mengubah kesimpulan telah ditunjukkan. Ini tetap merupakan poin untuk
pengembangan lebih lanjut. Apa yang telah ditunjukkan dengan jelas, dari publikasi aplikasi
metode LQAS adalah penyebaran berlebihan dalam data

Ini sebenarnya merupakan masalah yang diakui dalam aplikasi metode sejak 1960-an
[16]. Memang ada proposal untuk menggantikan Distribusi hypergeometric dengan konvolusi
Binomial untuk memungkinkan kesalahan dalam sampel karakterisasi [16]. Karya ini
awalnya dimotivasi oleh masalah akuntansi di mana penyisihan harus dibuat untuk
kemungkinan bahwa item sampel mungkin memiliki kesalahan tetapi auditor mungkin gagal
menyadarinya. Adanya overdispersi karena alasan analog dalam a pengaturan kesehatan
tampaknya sangat masuk akal. Masalah overdisperion untuk aturan LQAS mungkin tidak
demikian jelas dan diilustrasikan di sini dari Monte kecil Belajar Carlo. Data disimulasikan
dari Beta-Binomial distribusi memiliki standar deviasi yang sebanding dengan yang terlihat
di data HTLV-1 Benin. Menggunakan sampel ukuran n = 19 dan a = 9 menghasilkan kurva
OC yang ditunjukkan pada Gambar 6. Garis solid menunjukkan kurva OC dengan asumsi a
Distribusi hypergeometric. Titik-titik menunjukkan Proporsi sampel simulasi diterima untuk
berbeda nilai p. Dapat dilihat misalnya kesalahannya tingkat jauh lebih tinggi untuk data yang
disimulasikan dari Beta- Binomial daripada yang akan diperoleh adalah data dari a Distribusi
hypergeometic.

Kurva OC yang diberikan pada Gambar 6 menunjukkan bahwa jika data tidak
mengikuti distribusi Hypergeometrik dan sedang memang overdispersed relatif terhadap
model itu maka tingkat kesalahan akan lebih besar dari yang disarankan oleh kurva OC
standar. Sebaliknya, pas hierarkis model ke data (Bayesian atau yang lain) memungkinkan a
penilaian yang cermat atas penayangan berlebih dan harus kurang sensitif terhadap asumsi
varians yang dibuat oleh metode LQAS. Ini dimasukkan secara alami dalam model yang
sesuai dan dilihat sebagai pelebaran distribusi posterior untuk parameter yang menarik.

KESIMPULAN

Makalah ini menunjukkan bahwa secara substansial berbeda interpretasi diperoleh saat
membuat batasan Pemodelan hierarkis Bayesian dengan penggunaan LQAS aturan
keputusan. Pernyataan ini didasarkan pada data yang diambil dari dua aplikasi yang
diterbitkan. Analisis data saja tidak dapat menentukan metode mana (jika ada) yang "benar"
namun disarankan agar temuan ini pantas untuk diperhatikan perhatian. Asumsi dalam model
hierarkis tunduk pada tantangan dan dalam menyajikan hasil dari dua model yang berbeda
dapat dilihat interpretasi itu sensitif terhadap pilihan model. Yang jelas adalah itu data
menunjukkan penyebaran berlebihan dan Monte sederhana Simulasi Carlo menantang apakah
aturan LQAS dapat bekerja dengan cara kurva OC menyarankan dengan nyata data. Juga
jelas bahwa stratifikasi mungkin penting dalam estimasi prevalensi. Itu tidak mungkin
memasukkan informasi ini dalam model sebagai data tidak dipublikasikan dalam format yang
sesuai. Namun demikian Model LQAS mengasumsikan bahwa setiap pengambilan
pengamatan sampel adalah iid dan ini sepertinya bermasalah anggapan. Mungkin saja
prevalensi itu dikelompokkan berdasarkan kontribusi subkelompok populasi overdispersion
tetapi sekali lagi beberapa Monte Carlo sederhana simulasi menunjukkan ada lebih banyak ke
penyebaran berlebihan bahwa kovariat yang hilang untuk usia / jenis kelamin. Oleh karena itu
mungkin untuk berpendapat bahwa industri sangat standar teknik (LQAS) dapat ditarik ketika
diterapkan sistem perawatan kesehatan di mana asumsi terkontrol dengan baik, proses
industri yang homogen tidak lebih tahan lama. Poin terakhir adalah model Bayesian

menghasilkan distribusi posterior untuk parameter bunga yang bisa langsung diartikan
dengan pengiriman profesional sebagai pemasok / risiko klien. Membuat menerima / tolak
keputusan pada sistem perawatan kesehatan yang tidak sepele implikasi. Dalam kasus
malnutrisi akut global itu telah menunjukkan bahwa penyebab intervensi berlebihan masalah
bagi petani lokal dan kurang intervensi jelas meninggalkan orang dengan gizi buruk [17].
Disana bisa jangan ada keputusan "selalu benar" dalam keadaan seperti itu dan publikasi
risiko posterior memberi kemungkinan belajar dari waktu ke waktu mana yang optimal
keputusan intervensi terletak. Mungkin lebih khas penerapan LQAS konsekuensinya kurang
parah. Misalnya, mungkin area yang perlu ditindaklanjuti setelah vaksinasi diidentifikasi
menggunakan LQAS [18]. Mungkin risiko bahwa area yang perlu ditindaklanjuti adalah
diidentifikasi lebih jarang daripada seharusnya konsekuensi parah dari contoh malnutrisi.

Diakui bahwa keduanya bertanggal contoh dan metodologi dan pelatihan LQAS itu
telah berkembang. Namun, keduanya diterbitkan contoh penggunaan LQAS. LQAS sering
digunakan untuk itu menilai trachoma [19]. Meskipun ini mungkin lebih aplikasi umum
daripada prevalensi HTLV-1, data dari Benin jarang tersedia untuk dianalisis ulang. Akses
yang lebih besar ke kumpulan data semacam itu akan memungkinkan yang lain peneliti untuk
melakukan pemodelan yang lebih rinci pada aplikasi LQAS lebih khas.