Multivariat Bayesiansk adaptiv modell för longitudinell dataanalys

Biomarköranalys av idrottares urinära steroidprofiler är avgörande för framgången inom anti-dopingarbete. Nuvarande statistiska analysmetoder genererar personliga gränsvärden för varje idrottare baserat på univariat modellering av longitudinella biomarkörvärden från den urinära steroidprofilen. Samtidig modellering av flera biomarkörer har dock potential att ytterligare förbättra upptäckten av avvikelser.

I denna studie föreslår vi en multivariat Bayesiansk adaptiv modell för longitudinell dataanalys, vilken utvidgar den etablerade enskilda biomarkörmodellen inom forensisk toxikologi. Den föreslagna metoden använder Markov chain Monte Carlo-sampling och hanterar bristen på bekräftade avvikande värden genom en enklassklassificeringsalgoritm. Genom att anpassa beslutsgränserna i takt med att nya mätningar erhålls, tillhandahåller modellen robusta och personliga detektionströsklar för varje idrottare.

Vi testade den föreslagna metoden på en databas med 229 idrottare, vilken innehåller longitudinella steroidprofiler med prover klassificerade som normala, atypiska eller bekräftat avvikande. Våra resultat visar förbättrad detektionsförmåga, vilket understryker det potentiella värdet av en multivariat metod i dopingdetektion.

Referens: Eleftheriou D, Piper T, Thevis M, Neocleous T. A multivariate Bayesian learning approach for improved detection of doping in athletes using urinary steroid profiles. Int J Biostat 2025 Mar 28 [Online ahead of print].