فرا تحلیل دادههای انفرادی بیماران
- معرفیشده توسط
- Cochrane Collaboration, Pioneered by Stewart & Clarke
- سال
- 1990s
- نوع
- Method
- خانواده
- Advanced Meta-Analysis
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
فرا تحلیل دادههای انفرادی بیماران (IPD-MA) روشی برای سنتز نظاممند است که در آن پژوهشگران به جای اتکا به آمارههای خلاصه منتشر شده (دادههای تجمعی)، دادههای خام در سطح بیمار را از کارآزماییهای بالینی تصادفی متعدد به دست آورده و تحلیل میکنند.
IPD-MA که توسط همکاری کوکرین (Cochrane Collaboration) پیشگام و توسط استوارت، کلارک و رایلی (Stewart, Clarke, and Riley) رسمی شد، به عنوان استاندارد طلایی برای سنتز شواهد در نظر گرفته میشود، زیرا امکان تعریف سازگار پیامد در سراسر کارآزماییها، تحلیل زیرگروه قوی و تشخیص تعاملات درمان-همراه (treatment-covariate interactions) را فراهم میکند. اگرچه IPD-MA زمانبر و نیازمند منابع است، اما قابل اعتمادترین تخمینها از اثرات مداخله را ارائه میدهد و برای تصمیمگیریهای بالینی حیاتی، بهویژه برای شناسایی بیمارانی که بیشترین سود را از درمان میبرند، ترجیح داده میشود.
شهود پشت روش
فرا تحلیل استاندارد، نتایج خلاصه (نسبت شانس، تفاوت میانگینها) گزارش شده در مقالات منتشر شده را ترکیب میکند. با این حال، مقالات منتشر شده تنها پیامدها و زیرگروههایی را گزارش میکنند که محققان انتخاب کردهاند برجسته کنند، و کارآزماییهای مختلف ممکن است پیامدها یا زیرگروهها را به طور ناسازگار تعریف کنند. IPD-MA با به دست آوردن دادههای واقعی در سطح بیمار از پایگاههای داده کارآزمایی: سن هر بیمار، ویژگیهای پایه، تخصیص درمان و پیامدها، این مشکل را حل میکند. با دادههای خام، پژوهشگران میتوانند (۱) تعاریف پیامد را در سراسر کارآزماییها استاندارد کنند، (۲) تحلیلهای زیرگروه را منصفانه انجام دهند (مقایسه بیماران با ویژگی X در سراسر همه کارآزماییها، نه فقط کارآزماییهایی که این زیرگروه را منتشر کردهاند)، (۳) تعاملات درمان-همراه را بررسی کنند (آیا درمان در بیماران مسنتر در مقابل جوانتر بهتر عمل میکند؟)، و (۴) اثرات درمانی متمایز را که فرا تحلیل در سطح خلاصه ممکن است از دست بدهد، تشخیص دهند. IPD-MA معیار دقت پزشکی و شخصیسازی درمان است.
تاریخ
فرا تحلیل دادههای انفرادی بیماران در دهه ۱۹۹۰ ظهور کرد، زمانی که همکاری کوکرین تشخیص داد که IPD میتواند محدودیتهای فرا تحلیل تجمعی را برطرف کند. مطالعات پیشگام، بهویژه در زمینه سرطان و بیماریهای قلبی عروقی، نشان دادند که IPD-MA میتواند اثرات زیرگروه را شناسایی کرده و راهنماییهای درمانی دقیقتری ارائه دهد. کار روششناختی استوارت و کلارک در دهه ۲۰۰۰ پروتکلهای IPD-MA را استاندارد کرد. رایلی و همکاران روشهای آماری را برای مدیریت IPD در چارچوب مدلهای مختلط توسعه دادند. کنسرسیومهای بالینی بزرگ (CTG، EBCTCG) اکنون از IPD-MA به عنوان استاندارد برای فرا تحلیلهایی که به سوالات پزشکی دقیق میپردازند، استفاده میکنند. مخازن IPD (Vivli، YODA Project) برای تسهیل اشتراکگذاری دادهها برای فرا تحلیل و کاهش بار بر نویسندگان کارآزمایی فردی رشد کردهاند.
چه زمانی استفاده شود
زمانی IPD-MA را انجام دهید که (۱) درک دقیق و خاص زیرگروه از اثرات درمان برای تصمیمگیری بالینی حیاتی باشد (به عنوان مثال، شناسایی اینکه کدام بیماران سرطانی از یک داروی جدید سود میبرند)، (۲) فرا تحلیل در سطح خلاصه منتشر شده ناهمگونی یا نتایج متناقضی را نشان دهد و تحلیل IPD بتواند مکانیسمها را روشن کند یا تعدیلکنندهها را شناسایی کند، (۳) اثرات مهم زیرگروه مشکوک باشند اما به طور سازگار در کارآزماییها گزارش نشده باشند، (۴) بتوانید پاسخ معقول دادهها را از نویسندگان کارآزمایی به دست آورید (معمولاً ۵۰-۸۰٪ کارآزماییها)، یا (۵) منابع (زمان، بودجه، تخصص مدیریت داده) برای به دست آوردن، هماهنگسازی و تحلیل دادههای در سطح بیمار را داشته باشید. کاربردهای رایج شامل کارآزماییهای سرطان، مداخلات قلبی عروقی و مدیریت بیماریهای مزمن است، جایی که سوالات پزشکی دقیق مهم هستند. از IPD-MA اجتناب کنید اگر دسترسی به دادهها به شدت محدود است یا اگر سوالات زیرگروه معنیداری وجود ندارد.
محدودیتها و ملاحظات
- به طور قابل توجهی زمانبرتر و نیازمند منابع بیشتری نسبت به فرا تحلیل تجمعی است. به دست آوردن دادهها از نویسندگان کارآزمایی، جمعآوری و هماهنگسازی مجموعه دادههای بیمار ۱۲ تا ۲۴ ماه طول میکشد.
- وابسته به در دسترس بودن دادهها: کارآزماییها ممکن است به دلیل نگرانیهای حریم خصوصی، کمبود منابع، یا از دست دادن دادهها از اشتراکگذاری دادهها امتناع کنند. عدم پاسخگویی میتواند نتایج را سوگیری کند اگر کارآزماییهای منفی احتمال بیشتری برای اشتراکگذاری داشته باشند.
- کیفیت دادهها ممکن است در سراسر کارآزماییها متفاوت باشد؛ متغیرهای ناقص یا به طور ناسازگار اندازهگیری شده، تحلیلها را محدود میکنند. الگوهای دادههای گمشده در هر کارآزمایی متفاوت است و نیاز به مدیریت دقیق دارد.
- پیچیدگی آماری افزایش مییابد؛ برازش مدلهای رگرسیون سلسله مراتبی با تعاملات متعدد نیازمند تخصص آماری است و در صورت عدم برنامهریزی دقیق میتواند مستعد بیشبرازش (overfitting) باشد.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- امکان تعریف سازگار پیامد و تحلیل زیرگروه سازگار در سراسر کارآزماییهای ناهمگن را فراهم میکند، شفافیت را افزایش داده و سوگیری ناشی از گزارشدهی انتخابی را کاهش میدهد.
- امکان بررسی تعاملات درمان-همراه را فراهم میکند و شناسایی میکند که کدام زیرگروههای بیمار بیشترین سود را میبرند - ضروری برای پزشکی دقیق و توصیههای درمانی شخصیسازی شده.
- به طور معمول تخمینهای اثر دقیقتری نسبت به فرا تحلیل تجمعی با استفاده از تمام دادههای موجود و تصحیح برای خوشهبندی در سطح کارآزمایی به دست میدهد.
- اثرات درمانی متمایزی را که فرا تحلیل در سطح خلاصه ممکن است از دست بدهد، تشخیص میدهد، بهویژه زمانی که اثرات زیرگروه کوچک یا به طور ناسازگار گزارش شده باشند.
- امکان بررسی ناهمگونی در سطح کارآزمایی را فراهم میکند: ویژگیهای طراحی کارآزمایی، پایبندی به اجرا، یا ویژگیهای جمعیت بیمار که تنوع پیامد را توضیح میدهند.
کاربردها
- کارآزماییهای داروی سرطان: IPD-MA از چندین RCT برای شناسایی اینکه کدام زیرگروههای تومور، نشانگرهای مولکولی، یا سنین بیمار از یک درمان انکولوژی جدید سود میبرند.
- مداخله قلبی عروقی: سنتز دادههای انفرادی بیماران از چندین کارآزمایی بیماری قلبی برای تعیین اینکه کدام بیماران (بر اساس سن، خطر پایه، بیماریهای همراه) از آنژیوپلاستی در مقابل درمان پزشکی سود میبرند.
- درمان روانپزشکی: IPD-MA از RCTهای رواندرمانی برای شناسایی اینکه کدام بیماران (بر اساس پروفایل علائم، سن، بیماری همراه) به بهترین وجه به درمان شناختی-رفتاری در مقابل درمان بین فردی پاسخ میدهند.
- دقت تست تشخیصی: IPD-MA از مطالعات تصویربرداری تشخیصی یا بیومارکر برای ارزیابی دقت تست در میان سطوح مختلف خطر بیمار، و اصلاح زمان استفاده از تست.
- کارآزماییهای پزشکی دقیق: IPD-MA با ترکیب چندین مطالعه برای شناسایی تعاملات بیمار-درمان، پشتیبانی از توسعه الگوریتمهای انتخاب درمان برای پزشکی شخصیسازی شده.
چگونه کار میکند
چگونه کار میکند
انجام یک مرور نظاممند جامع مطابق با پروتکلهای استاندارد مرور نظاممند: پروتکل خود را ثبت کنید (PROSPERO)، معیارهای PICO را تعریف کنید، پایگاههای داده متعدد را جستجو کنید، عناوین و چکیدهها را غربالگری کنید و کارآزماییهای بالینی تصادفی واجد شرایط را شناسایی کنید (معمولاً RCTها؛ مطالعات مشاهدهای را میتوان گنجاند اما باید به وضوح متمایز شوند). با همه نویسندگان کارآزمایی و متولیان داده تماس بگیرید و دادههای انفرادی بیماران را برای گنجاندن درخواست کنید. متغیرهای داده مورد نیاز خود را مشخص کنید: ویژگیهای پایه (سن، جنسیت، شدت بیماری، بیماریهای همراه)، تخصیص درمان، پایبندی به پروتکل و اندازهگیری پیامدها (زمانبندی باید در سراسر کارآزماییها استاندارد شود). توافقنامههای انتقال داده، مخازن داده امن (مانند سرورهای دانشگاهی با رمزگذاری) و جدول زمانی را ارائه دهید. انتظار داشته باشید که همه کارآزماییها پاسخ ندهند یا دادهها را ارائه نکنند؛ نرخ پاسخگویی و دلایل عدم پاسخگویی را مستند کنید. دادهها را در سراسر کارآزماییها هماهنگ کنید: متغیرها ممکن است به طور متفاوتی کدگذاری شوند (محدودههای سنی در کارآزمایی A در مقابل سنین دقیق در کارآزمایی B)؛ یک مجموعه داده اصلی با تعاریف متغیر سازگار ایجاد کنید. کامل بودن را ارزیابی کنید: الگوهای دادههای گمشده را شناسایی کرده و در مورد استراتژیهای جایگزینی تصمیم بگیرید.
انجام یک فرا تحلیل یک مرحلهای با برازش یک مدل رگرسیون (رایجترین مدل مختلط خطی برای پیامدهای پیوسته یا مدل مختلط لجستیک برای پیامدهای دودویی) که شامل ویژگیهای بیمار، هویت کارآزمایی، تخصیص درمان و تعاملات مورد علاقه باشد. این رویکرد به درستی خوشهبندی بیماران در داخل کارآزماییها را در نظر میگیرد. به طور جایگزین، از روشهای دو مرحلهای استفاده کنید که در آن ابتدا تحلیلهای خاص کارآزمایی انجام شده و سپس نتایج کارآزمایی ترکیب میشوند (مشابه فرا تحلیل متعارف، اما با تحلیلهای استاندارد شده در سراسر کارآزماییها). اثرات درمان را به طور کلی و بر اساس زیرگروههای از پیش تعیین شده (گروههای سنی، جنسیت، شدت بیماری) بررسی کنید: آیا درمان برای همه بیماران به یک اندازه عمل میکند، یا اثرات متمایز وجود دارد؟ برای تعاملات درمان-همراه آزمون کنید. ناهمگونی (heterogeneity) را در سراسر کارآزماییها ارزیابی کنید: آیا اثر درمان سازگار است، یا به طور قابل توجهی بسته به زمینه کارآزمایی متفاوت است؟ اگر ناهمگونی بالا است، منابع آن را بررسی کنید (ویژگیهای طراحی کارآزمایی، جمعیتهای بیمار، اجرای مداخله). تحلیلهای حساسیت را انجام دهید: کارآزماییهای کوچک، کارآزماییهای با ریزش بالا، یا کارآزماییهای پرت (outlier) را حذف کنید تا استحکام (robustness) را آزمایش کنید.
نتایج را با طبقهبندی واضح بر اساس زیرگروههای بیمار گزارش کنید: اندازه اثر (نسبت شانس، نسبت خطر، یا تفاوت میانگین) با فواصل اطمینان یا اعتبار ۹۵٪، کلی و برای هر زیرگروه از پیش تعیین شده. مقادیر p تعامل و نمودارهایی را که نشان میدهند اثر درمان چگونه در محدودههای همراه متغیر است، ارائه دهید. اگر سودمندی درمان در همه زیرگروهها مشابه است، نتیجه بگیرید که مداخله به طور گسترده مؤثر است. اگر تعاملات قابل توجهی وجود دارد (به عنوان مثال، درمان در بیماران مسنتر اما نه جوانتر، یا در بیماری شدید اما نه خفیف مؤثر است)، بر این اثرات متمایز تأکید کنید - این اطلاعات برای عمل بالینی قابل اجرا است. نتایج را با فرا تحلیل قبلی در سطح خلاصه در صورت وجود مقایسه کنید: IPD-MA اغلب تخمینهای دقیقتری به دست میدهد و ممکن است اثرات زیرگروهی را که در تحلیل تجمعی از دست رفتهاند، آشکار کند. مستند کنید که کدام کارآزماییها IPD را ارائه کردهاند و کدام کارآزماییها به دلیل عدم پاسخگویی حذف شدهاند؛ ارزیابی کنید که آیا کارآزماییهای گمشده میتوانند نتایج را سوگیری کنند (به عنوان مثال، اگر کارآزماییهای منفی احتمال بیشتری برای اشتراکگذاری داده دارند). پیامدها را برای عمل بالینی مورد بحث قرار دهید: برای کدام زیرگروهها درمان را توصیه میکنید؟ جمعیتهایی را که نیاز به تحقیق بیشتر دارند، برجسته کنید. از رویکرد GRADE برای رتبهبندی قطعیت شواهد برای اثر کلی و برای اثرات کلیدی زیرگروه استفاده کنید.
دامهای رایج
- انجام تحلیلهای زیرگروه اکتشافی بدون پیشمشخصسازی. آزمایش تعاملات متعدد (مانند درمان × سن، درمان × شدت پایه، درمان × جنسیت) نرخ مثبت کاذب را افزایش میدهد. تحلیلها را پیشثبت کنید و مقادیر p را برای آزمونهای چندگانه تنظیم کنید.
- فرض کردن اینکه دادههای گمشده کاملاً تصادفی (MCAR) هستند بدون آزمون. اگر بیماران بیمارتر احتمال بیشتری برای داشتن دادههای پیامد گمشده داشته باشند، تحلیل ممکن است سودمندی درمان را بیش از حد تخمین بزند. تحلیلهای حساسیت را تحت مفروضات مختلف دادههای گمشده انجام دهید.
- تفسیر بیش از حد اثرات زیرگروه در زیرگروههای کوچک. اگر فقط ۵۰ بیمار در یک زیرگروه وجود داشته باشد، فواصل اعتبار در اطراف تخمین اثر زیرگروه وسیع خواهد بود؛ از توصیههای بالینی قوی بر اساس تخمینهای غیردقیق اجتناب کنید.
- نادیده گرفتن خوشهبندی در سطح کارآزمایی. تحلیل تمام دادههای بیمار به صورت مستقل (به جای استفاده از مدلهای مختلط که خوشهبندی کارآزمایی را در نظر میگیرند) واریانس را کمتر از حد واقعی تخمین زده و نرخ خطای نوع اول را افزایش میدهد.
پرسشهای متداول
تفاوت بین فرا تحلیل IPD و فرا تحلیل تجمعی (در سطح خلاصه) چیست؟
فرا تحلیل تجمعی، تخمینهای اثر منتشر شده (مانند نسبت شانس) را از چندین کارآزمایی ترکیب میکند. فرا تحلیل IPD دادههای خام در سطح بیمار را به دست آورده و آن را به صورت مرکزی با روشهای استاندارد شده مجدداً تحلیل میکند. IPD امکان تحلیلهای زیرگروه سازگار و بررسی تعاملات بیمار-درمان را فراهم میکند؛ فرا تحلیل تجمعی به نتایج زیرگروهی که در مقالات گزارش شدهاند، متکی است که اغلب ناسازگار یا گمشده هستند. IPD دقیقتر است اما منابع بسیار بیشتری نیاز دارد.
چه مقدار داده گمشده در فرا تحلیل IPD قابل قبول است؟
دادههای گمشده در سطح بیمار (مانند گمشده بودن اندازهگیری پیامد برای برخی بیماران) رایج است و میتوان با روشهای جایگزینی (imputation) به آن رسیدگی کرد. دادههای گمشده در سطح کارآزمایی (عدم ارائه IPD توسط کل کارآزمایی) مشکلسازتر است. هدف، دریافت IPD از ۶۰ تا ۸۰٪+ از کارآزماییهای واجد شرایط است. نرخ پاسخگویی را مستند کرده و ارزیابی کنید که آیا کارآزماییهای گمشده به طور سیستماتیک متفاوت هستند (به عنوان مثال، آیا کارآزماییهای منفی احتمال کمتری برای پاسخگویی دارند؟). اگر پاسخ کمتر از ۵۰٪ باشد، خطر سوگیری افزایش مییابد؛ تحلیلهای حساسیت ضروری میشوند.
چگونه تعاملات درمان-همراه را در فرا تحلیل IPD آزمایش کنم؟
عبارات تعاملی را در مدل رگرسیون اثر مختلط خود بگنجانید (مانند درمان × سن، درمان × شدت پایه). اهمیت آماری عبارت تعاملی را آزمایش کنید. اثر درمان را به طور جداگانه برای سطوح مختلف همراه (مانند سن <۶۵ در مقابل ≥۶۵) تخمین بزنید. اثر درمان را در سراسر محدودههای همراه ترسیم کنید تا تعاملات را بصری کنید. پیشمشخص کنید که کدام تعاملات را قبل از تحلیل دادهها آزمایش خواهید کرد تا از مثبت کاذب ناشی از آزمونهای چندگانه جلوگیری شود.
آیا میتوانم RCTها و مطالعات مشاهدهای را در فرا تحلیل IPD ترکیب کنم؟
بله، اما آنها را به وضوح متمایز کرده و طرح مطالعه را در تحلیل در نظر بگیرید (به عنوان مثال، از یک مدل مختلط شامل شاخص طرح مطالعه استفاده کنید). RCTها قویترین شواهد علی را ارائه میدهند؛ مطالعات مشاهدهای گستردگی را اضافه میکنند اما خطر مخدوشکنندگی (confounding) دارند. پیشمشخص کنید که آیا مطالعات مشاهدهای به طور جداگانه، همراه با RCTها در یک تحلیل حساسیت، یا به طور کامل حذف خواهند شد. هرگونه تفاوت در یافتهها بر اساس طرح مطالعه را مستند کنید.
روشهای مرتبط
منابع
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.
باز کردن مرجع انتشارکپی شد.Riley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ, 340, c221.
باز کردن مرجع DOIکپی شد.Higgins, P. T., & Green, S. (Eds.). (2011). Cochrane Handbook for Systematic Reviews of Interventions (Version 5.1.0). The Cochrane Collaboration.
باز کردن مرجع انتشارکپی شد.