Saltar al contenido
Volver a los resultados

Metaanálisis de Datos de Pacientes Individuales

Propuesto por
Cochrane Collaboration, Pioneered by Stewart & Clarke
Año
1990s
Tipo
Method
Familia
Advanced Meta-Analysis

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El metaanálisis de datos de pacientes individuales (IPD-MA, por sus siglas en inglés) es un método de síntesis sistemática en el que los investigadores obtienen y analizan datos brutos a nivel de paciente de múltiples ensayos controlados aleatorizados, en lugar de basarse en estadísticas resumidas publicadas (datos agregados).

Iniciado por la Colaboración Cochrane y formalizado por Stewart, Clarke y Riley, el IPD-MA se considera el estándar de oro para la síntesis de evidencia porque permite una definición consistente de los resultados entre los ensayos, un análisis de subgrupos robusto y la detección de interacciones tratamiento-covariable. Aunque requiere mucho tiempo y recursos, el IPD-MA proporciona las estimaciones más fiables de los efectos de la intervención y es preferido para decisiones clínicas críticas, particularmente para identificar qué pacientes se benefician más del tratamiento.

La intuición detrás del método

El metaanálisis estándar combina los resultados resumidos (razones de probabilidades, diferencias de medias) reportados en artículos publicados. Sin embargo, los artículos publicados solo informan los resultados y subgrupos que los investigadores eligieron destacar, y diferentes ensayos pueden definir los resultados o subgrupos de manera inconsistente. El IPD-MA resuelve esto obteniendo los datos reales a nivel de paciente de las bases de datos de los ensayos: la edad de cada paciente, las características basales, el tratamiento asignado y los resultados. Con los datos brutos, los investigadores pueden (1) estandarizar las definiciones de resultados entre los ensayos, (2) realizar análisis de subgrupos de manera justa (comparando pacientes con la Característica X en todos los ensayos, no solo en los ensayos que publicaron este subgrupo), (3) investigar las interacciones tratamiento-covariable (¿el tratamiento funciona mejor en pacientes mayores que en jóvenes?) y (4) detectar efectos de tratamiento diferenciales que el metaanálisis a nivel de resumen podría pasar por alto. El IPD-MA es el punto de referencia para la medicina de precisión y la personalización del tratamiento.

Historia

El metaanálisis de datos de pacientes individuales surgió en la década de 1990 cuando la Colaboración Cochrane reconoció que el IPD podía abordar las limitaciones del metaanálisis agregado. Estudios pioneros, particularmente en cáncer y enfermedades cardiovasculares, demostraron que el IPD-MA podía identificar efectos de subgrupos y proporcionar una guía de tratamiento más matizada. El trabajo metodológico de Stewart y Clarke en la década de 2000 estandarizó los protocolos de IPD-MA. Riley y sus colegas avanzaron en los métodos estadísticos para manejar el IPD en marcos de modelos mixtos. Los principales consorcios clínicos (CTG, EBCTCG) ahora utilizan el IPD-MA como estándar para los metaanálisis que abordan preguntas de medicina de precisión. Los repositorios de IPD (Vivli, YODA Project) han crecido para facilitar el intercambio de datos para el metaanálisis y reducir la carga para los autores de ensayos individuales.

Cuándo usarlo

Realice un IPD-MA cuando (1) una comprensión precisa y específica de los subgrupos de los efectos del tratamiento es crítica para la toma de decisiones clínicas (por ejemplo, identificar qué pacientes con cáncer se benefician de un nuevo fármaco), (2) el metaanálisis a nivel de resumen publicado muestra heterogeneidad o resultados contradictorios y el análisis de IPD podría aclarar mecanismos o identificar moderadores, (3) se sospechan efectos importantes de subgrupos pero no se informan consistentemente en los ensayos, (4) puede asegurar una respuesta de datos razonable de los autores de los ensayos (típicamente 50-80% de los ensayos), o (5) tiene recursos (tiempo, financiación, experiencia en gestión de datos) para obtener, armonizar y analizar datos a nivel de paciente. Las aplicaciones comunes incluyen ensayos de cáncer, intervenciones cardiovasculares y manejo de enfermedades crónicas, donde las preguntas de medicina de precisión son importantes. Evite el IPD-MA si el acceso a los datos está severamente restringido o si no existen preguntas significativas sobre subgrupos.

Limitaciones y consideraciones

  • Sustancialmente más lento y que requiere más recursos que el metaanálisis agregado. La obtención de datos de los autores de los ensayos, la curación y la armonización de los conjuntos de datos de pacientes requieren de 12 a 24 meses.
  • Depende de la disponibilidad de datos: los ensayos pueden negarse a compartir datos debido a preocupaciones de privacidad, falta de recursos o pérdida de datos. La falta de respuesta puede sesgar los resultados si los ensayos negativos son menos propensos a compartir.
  • La calidad de los datos puede variar entre los ensayos; las variables incompletas o medidas de manera inconsistente limitan los análisis. Los patrones de datos faltantes difieren según el ensayo y requieren un manejo cuidadoso.
  • La complejidad estadística aumenta; el ajuste de modelos de regresión jerárquicos con múltiples interacciones requiere experiencia estadística y puede ser propenso al sobreajuste si no se planifica cuidadosamente.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Permite la definición estandarizada de resultados y el análisis consistente de subgrupos en ensayos heterogéneos, aumentando la transparencia y reduciendo el sesgo por informes selectivos.
  • Permite la investigación de interacciones tratamiento-covariable, identificando qué subgrupos de pacientes se benefician más, lo cual es esencial para la medicina de precisión y las recomendaciones de tratamiento personalizadas.
  • Típicamente produce estimaciones de efectos más precisas que el metaanálisis agregado al utilizar todos los datos disponibles y corregir el agrupamiento a nivel de ensayo.
  • Detecta efectos de tratamiento diferenciales que el metaanálisis a nivel de resumen puede pasar por alto, particularmente cuando los efectos de subgrupo son pequeños o se informan de manera inconsistente.
  • Permite la investigación de la heterogeneidad a nivel de ensayo: características del diseño del ensayo, fidelidad de la implementación o características de la población de pacientes que explican la variación de los resultados.

Aplicaciones

  • Ensayos de fármacos oncológicos: IPD-MA de múltiples RCTs para identificar qué subtipos de tumores, marcadores moleculares o edades de pacientes se benefician de una nueva terapia oncológica.
  • Intervención cardiovascular: sintetizar datos de pacientes individuales de múltiples ensayos de enfermedades cardíacas para determinar qué pacientes (por edad, riesgo basal, comorbilidades) se benefician de la angioplastia frente a la terapia médica.
  • Tratamiento psiquiátrico: IPD-MA de RCTs de psicoterapia para identificar qué pacientes (por perfil de síntomas, edad, comorbilidad) responden mejor a la terapia cognitivo-conductual frente a la interpersonal.
  • Precisión de la prueba diagnóstica: IPD-MA de estudios de imágenes diagnósticas o biomarcadores para evaluar la precisión de la prueba en diferentes estratos de riesgo del paciente, refinando cuándo usar la prueba.
  • Ensayos de medicina de precisión: IPD-MA que combina múltiples estudios para identificar interacciones paciente-tratamiento, apoyando el desarrollo de algoritmos de selección de tratamiento para la medicina personalizada.

Cómo funciona

Cómo funciona

1

Realice una revisión sistemática exhaustiva siguiendo los protocolos estándar de revisión sistemática: registre su protocolo (PROSPERO), defina los criterios PICO, busque en múltiples bases de datos, revise títulos y resúmenes, e identifique ensayos controlados aleatorizados elegibles (típicamente RCTs; los estudios observacionales pueden incluirse, pero deben distinguirse claramente). Contacte a todos los autores de los ensayos y custodios de datos solicitando datos de pacientes individuales para su inclusión. Especifique las variables de datos que necesita: características basales (edad, sexo, gravedad de la enfermedad, comorbilidades), asignación de tratamiento, adherencia al protocolo y mediciones de resultados (el momento debe estandarizarse entre los ensayos). Proporcione acuerdos de transferencia de datos, repositorios de datos seguros (por ejemplo, servidores universitarios con cifrado) y plazos. Espere que no todos los ensayos respondan o proporcionen datos; documente las tasas de respuesta y las razones de la no respuesta. Armonice los datos entre los ensayos: las variables pueden codificarse de manera diferente (rangos de edad en el Ensayo A vs. edades exactas en el Ensayo B); cree un conjunto de datos maestro con definiciones de variables consistentes. Evalúe la completitud: identifique patrones de datos faltantes y decida las estrategias de imputación.

2

Realice un metaanálisis de una etapa ajustando un modelo de regresión (más comúnmente un modelo lineal mixto para resultados continuos o un modelo logístico mixto para resultados binarios) que incluya características del paciente, identidad del ensayo, asignación de tratamiento e interacciones de interés. Este enfoque tiene en cuenta correctamente el agrupamiento de pacientes dentro de los ensayos. Alternativamente, utilice métodos de dos etapas donde primero se realizan análisis específicos del ensayo, y luego se combinan los resultados del ensayo (similar al metaanálisis convencional, pero con análisis estandarizados entre los ensayos). Examine los efectos del tratamiento en general y por subgrupos preespecificados (grupos de edad, sexo, gravedad de la enfermedad): ¿el tratamiento funciona igual de bien para todos los pacientes, o existen efectos diferenciales? Pruebe las interacciones tratamiento-covariable. Evalúe la heterogeneidad entre los ensayos: ¿el efecto del tratamiento es consistente o varía significativamente según el contexto del ensayo? Si la heterogeneidad es alta, explore las fuentes (características del diseño del ensayo, poblaciones de pacientes, implementación de la intervención). Realice análisis de sensibilidad: excluya ensayos pequeños, excluya ensayos con alta deserción o excluya ensayos atípicos para probar la robustez.

3

Informe los resultados con una estratificación clara por subgrupos de pacientes: tamaño del efecto (razón de probabilidades, razón de riesgo o diferencia de medias) con intervalos de credibilidad o confianza del 95%, en general y para cada subgrupo preespecificado. Presente los valores p de interacción y los gráficos que muestran cómo varía el efecto del tratamiento en los rangos de covariables. Si el beneficio del tratamiento es similar en todos los subgrupos, concluya que la intervención es ampliamente efectiva. Si existen interacciones significativas (por ejemplo, el tratamiento funciona en pacientes mayores pero no en jóvenes, o en enfermedades graves pero no leves), enfatice estos efectos diferenciales; esta información es procesable para la práctica clínica. Compare los resultados con metaanálisis previos a nivel de resumen si están disponibles: el IPD-MA a menudo produce estimaciones más precisas y puede revelar efectos de subgrupos omitidos en el análisis agregado. Documente qué ensayos contribuyeron con IPD y cualquier ensayo excluido debido a la falta de respuesta; evalúe si los ensayos faltantes podrían sesgar los resultados (por ejemplo, si los ensayos negativos son menos propensos a compartir datos). Discuta las implicaciones para la práctica: ¿Recomendar el tratamiento para qué subgrupos? Destaque las poblaciones que necesitan más investigación. Utilice el enfoque GRADE para calificar la certeza de la evidencia para el efecto general y para los efectos clave de los subgrupos.

Errores comunes

  • Realizar análisis exploratorios de subgrupos sin preespecificación. Muchas interacciones de subgrupos probadas (por ejemplo, tratamiento × edad, tratamiento × sexo, tratamiento × gravedad basal) aumentan la tasa de falsos positivos. Prerregistre los análisis y ajuste los valores p para pruebas múltiples.
  • Asumir que los datos faltantes son completamente aleatorios (MCAR) sin realizar pruebas. Si los pacientes más enfermos tienen más probabilidades de tener datos de resultados faltantes, el análisis puede sobrestimar el beneficio del tratamiento. Realice análisis de sensibilidad bajo diferentes supuestos de datos faltantes.
  • Sobreinterpretación de los efectos de subgrupos en subgrupos pequeños. Si solo existen 50 pacientes en un subgrupo, los intervalos de credibilidad alrededor de la estimación del efecto del subgrupo serán amplios; evite recomendaciones clínicas sólidas basadas en estimaciones imprecisas.
  • Ignorar el agrupamiento a nivel de ensayo. Analizar todos los datos de los pacientes como si fueran independientes (en lugar de usar modelos mixtos que tengan en cuenta el agrupamiento del ensayo) subestima la varianza e infla la tasa de error Tipo I.

Preguntas frecuentes

¿Cuál es la diferencia entre el metaanálisis de IPD y el metaanálisis agregado (a nivel de resumen)?

El metaanálisis agregado combina estimaciones de efectos publicadas (por ejemplo, razones de probabilidades) de múltiples ensayos. El metaanálisis de IPD obtiene datos brutos a nivel de paciente y los reanaliza centralmente con métodos estandarizados. El IPD permite análisis de subgrupos consistentes y la exploración de interacciones paciente-tratamiento; el metaanálisis agregado se basa en los resultados de subgrupos informados en los artículos, que a menudo son inconsistentes o faltan. El IPD es más riguroso pero mucho más intensivo en recursos.

¿Cuántos datos faltantes son aceptables en el metaanálisis de IPD?

Los datos faltantes a nivel de paciente (por ejemplo, algunos pacientes a los que les falta una medición de resultado) son comunes y pueden manejarse con métodos de imputación. Los datos faltantes a nivel de ensayo (un ensayo completo que no proporciona IPD) son más problemáticos. Apunte a obtener IPD del 60-80%+ de los ensayos elegibles. Documente las tasas de respuesta y evalúe si los ensayos faltantes difieren sistemáticamente (por ejemplo, ¿los ensayos negativos son menos propensos a responder?). Si la respuesta es <50%, el riesgo de sesgo aumenta; los análisis de sensibilidad se vuelven esenciales.

¿Cómo pruebo las interacciones tratamiento-covariable en el metaanálisis de IPD?

Incluya términos de interacción en su modelo de regresión de efectos mixtos (por ejemplo, tratamiento × edad, tratamiento × gravedad basal). Pruebe la significación estadística del término de interacción. Estime el efecto del tratamiento por separado para diferentes estratos de covariables (por ejemplo, edad <65 vs. ≥65). Grafique el efecto del tratamiento en los rangos de covariables para visualizar las interacciones. Preespecifique qué interacciones probará antes de analizar los datos para evitar falsos positivos por pruebas múltiples.

¿Puedo combinar RCTs y estudios observacionales en el metaanálisis de IPD?

Sí, pero distíngalos claramente y tenga en cuenta el diseño del estudio en el análisis (por ejemplo, use un modelo mixto que incluya un indicador de diseño del estudio). Los RCTs proporcionan la evidencia causal más sólida; los estudios observacionales añaden amplitud pero conllevan riesgo de confusión. Preespecifique si los estudios observacionales se analizarán por separado, junto con los RCTs en un análisis de sensibilidad, o se excluirán por completo. Documente cualquier diferencia en los hallazgos según el diseño del estudio.

Métodos relacionados

Fuentes

  1. Stewart, L. A., Clarke, M. J., & Cochrane IPD Meta-analysis Methods Group. (2015). Practical methodology of meta-analyses (including IPD) of randomised trials reporting time to event data. Cochrane Database of Systematic Reviews, 2015(10), MR000027.

    Abrir referencia de la publicación
    Copiado.
  2. Riley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ, 340, c221.

    Abrir referencia DOI
    Copiado.
  3. Higgins, P. T., & Green, S. (Eds.). (2011). Cochrane Handbook for Systematic Reviews of Interventions (Version 5.1.0). The Cochrane Collaboration.

    Abrir referencia de la publicación
    Copiado.