Bayesian RR: uma interface em Shiny para o modelo log-binomial via abordagem bayesiana

Abstract

Entre as medidas de associação amplamente utilizadas em estudos epidemiológicos, o risco relativo é recomendado em relação à razão de chances. Através da abordagem frequentista, os métodos para estimar o risco relativo, como o modelo log-binomial ou o Poisson robusto, podem apresentar problemas de convergência ou produzir probabilidades acima de 1, no entanto, a abordagem bayesiana consegue ultrapassar esses obstáculos. Essa abordagem pode estar sendo subutilizada, pois é feita através da linguagem de programação em R, que necessita que o usuário tenha habilidades de programação. Neste trabalho, foi proposta a implementação de uma interface visual criada a partir do pacote Shiny, levando em consideração a contribuição de autores para estimar risco relativo por abordagem bayesiana. O Bayesian RR permite que, usuários sem conhecimento de programação, possam estimar o risco relativo para dados independentes com desfecho dicotômico. Ele é acompanhado por um guia passo-a-passo com os itens: carregar o banco, seleção do modelo, configuração do MCMC e resultados.

Among measures of association widely used in epidemiological studies, the relative risk is recommended over the odds ratio. Through the frequentist approach, the methods to estimate relative risk, like the log-binomial model and the robust Poisson, can result in convergence problems or produce probabilities greater than 1, however, the Bayesian approach can overcome those obstacles. This approach may be underused because it’s done through the R programming language, which requires reasonable programing skills from the user. This paper proposes the implementation of such approach by creating of a visual interface build with the Shiny package and recent contributions of authors for the use of relative risk estimation by the Bayesian approach. The creation of the Bayesian RR allows that users without programming skills to estimate relative risk for independent data and binary outcomes. A step-by-step tutorial of its use (data upload, model selection, MCMC configuration and results) is presented also.