Meta-Analisis Data Pasien Individual
- Diperkenalkan oleh
- Cochrane Collaboration, Pioneered by Stewart & Clarke
- Tahun
- 1990s
- Jenis
- Method
- Keluarga
- Advanced Meta-Analysis
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Meta-analisis data pasien individual (IPD-MA) adalah metode sintesis sistematis di mana peneliti memperoleh dan menganalisis data mentah pada tingkat pasien dari berbagai uji coba terkontrol acak, daripada mengandalkan statistik ringkasan yang dipublikasikan (data agregat).
Dipelopori oleh Cochrane Collaboration dan diformalkan oleh Stewart, Clarke, dan Riley, IPD-MA dianggap sebagai standar emas untuk sintesis bukti karena memungkinkan definisi hasil yang konsisten di berbagai uji coba, analisis subkelompok yang kuat, dan deteksi interaksi pengobatan-kovariat. Meskipun memakan waktu dan membutuhkan sumber daya, IPD-MA memberikan perkiraan efek intervensi yang paling andal dan lebih disukai untuk keputusan klinis kritis, terutama untuk mengidentifikasi pasien mana yang paling diuntungkan dari pengobatan.
Intuisi di balik metode
Meta-analisis standar menggabungkan hasil ringkasan (rasio odds, perbedaan rata-rata) yang dilaporkan dalam makalah yang dipublikasikan. Namun, makalah yang dipublikasikan hanya melaporkan hasil dan subkelompok yang dipilih oleh peneliti untuk disorot, dan uji coba yang berbeda dapat mendefinisikan hasil atau subkelompok secara tidak konsisten. IPD-MA memecahkan masalah ini dengan memperoleh data aktual pada tingkat pasien dari basis data uji coba: usia setiap pasien, karakteristik dasar, pengobatan yang ditugaskan, dan hasil. Dengan data mentah, peneliti dapat (1) menstandardisasi definisi hasil di berbagai uji coba, (2) melakukan analisis subkelompok secara adil (membandingkan pasien dengan Karakteristik X di semua uji coba, bukan hanya uji coba yang mempublikasikan subkelompok ini), (3) menyelidiki interaksi pengobatan-kovariat (apakah pengobatan bekerja lebih baik pada pasien yang lebih tua vs lebih muda?), dan (4) mendeteksi efek pengobatan diferensial yang mungkin terlewatkan oleh meta-analisis tingkat ringkasan. IPD-MA adalah tolok ukur untuk kedokteran presisi dan personalisasi pengobatan.
Sejarah
Meta-analisis data pasien individual muncul pada tahun 1990-an ketika Cochrane Collaboration menyadari bahwa IPD dapat mengatasi keterbatasan meta-analisis agregat. Studi perintis, terutama dalam penyakit kanker dan kardiovaskular, menunjukkan bahwa IPD-MA dapat mengidentifikasi efek subkelompok dan memberikan panduan pengobatan yang lebih bernuansa. Karya metodologis Stewart dan Clarke pada tahun 2000-an menstandardisasi protokol IPD-MA. Riley dan rekan-rekannya memajukan metode statistik untuk menangani IPD dalam kerangka model campuran. Konsorsium klinis besar (CTG, EBCTCG) sekarang menggunakan IPD-MA sebagai standar untuk meta-analisis yang membahas pertanyaan kedokteran presisi. Repositori IPD (Vivli, YODA Project) telah berkembang untuk memfasilitasi berbagi data untuk meta-analisis dan mengurangi beban pada penulis uji coba individual.
Kapan digunakan
Lakukan IPD-MA ketika (1) pemahaman yang tepat dan spesifik subkelompok tentang efek pengobatan sangat penting untuk pengambilan keputusan klinis (misalnya, mengidentifikasi pasien kanker mana yang mendapat manfaat dari obat baru), (2) meta-analisis tingkat ringkasan yang dipublikasikan menunjukkan heterogenitas atau hasil yang bertentangan dan analisis IPD dapat mengklarifikasi mekanisme atau mengidentifikasi moderator, (3) efek subkelompok penting dicurigai tetapi tidak dilaporkan secara konsisten di berbagai uji coba, (4) Anda dapat mengamankan respons data yang wajar dari penulis uji coba (biasanya 50-80% uji coba), atau (5) Anda memiliki sumber daya (waktu, pendanaan, keahlian manajemen data) untuk memperoleh, mengharmonisasi, dan menganalisis data tingkat pasien. Aplikasi umum termasuk uji coba kanker, intervensi kardiovaskular, dan manajemen penyakit kronis, di mana pertanyaan kedokteran presisi penting. Hindari IPD-MA jika akses data sangat dibatasi atau jika tidak ada pertanyaan subkelompok yang berarti.
Batasan dan pertimbangan
- Secara substansial lebih memakan waktu dan membutuhkan sumber daya daripada meta-analisis agregat. Memperoleh data dari penulis uji coba, mengkurasi, dan mengharmonisasi kumpulan data pasien membutuhkan waktu 12-24 bulan.
- Bergantung pada ketersediaan data: uji coba mungkin menolak untuk membagikan data karena masalah privasi, kurangnya sumber daya, atau kehilangan data. Ketidakresponsifan dapat membiaskan hasil jika uji coba negatif cenderung tidak membagikan.
- Kualitas data dapat bervariasi antar uji coba; variabel yang tidak lengkap atau diukur secara tidak konsisten membatasi analisis. Pola data yang hilang berbeda antar uji coba dan memerlukan penanganan yang cermat.
- Kompleksitas statistik meningkat; menyesuaikan model regresi hierarkis dengan banyak interaksi membutuhkan keahlian statistik dan dapat rentan terhadap overfitting jika tidak direncanakan dengan hati-hati.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Memungkinkan definisi hasil yang terstandardisasi dan analisis subkelompok yang konsisten di berbagai uji coba yang heterogen, meningkatkan transparansi dan mengurangi bias dari pelaporan selektif.
- Memungkinkan penyelidikan interaksi pengobatan-kovariat, mengidentifikasi subkelompok pasien mana yang paling diuntungkan—penting untuk kedokteran presisi dan rekomendasi pengobatan yang dipersonalisasi.
- Biasanya menghasilkan perkiraan efek yang lebih tepat daripada meta-analisis agregat dengan menggunakan semua data yang tersedia dan mengoreksi pengelompokan tingkat uji coba.
- Mendeteksi efek pengobatan diferensial yang mungkin terlewatkan oleh meta-analisis tingkat ringkasan, terutama ketika efek subkelompok kecil atau dilaporkan secara tidak konsisten.
- Memungkinkan penyelidikan heterogenitas tingkat uji coba: fitur desain uji coba, kepatuhan implementasi, atau karakteristik populasi pasien yang menjelaskan variasi hasil.
Penerapan
- Uji coba obat kanker: IPD-MA dari berbagai RCT untuk mengidentifikasi subtipe tumor, penanda molekuler, atau usia pasien mana yang mendapat manfaat dari terapi onkologi baru.
- Intervensi kardiovaskular: mensintesis data pasien individual dari berbagai uji coba penyakit jantung untuk menentukan pasien mana (berdasarkan usia, risiko dasar, komorbiditas) yang mendapat manfaat dari angioplasti vs terapi medis.
- Pengobatan psikiatri: IPD-MA dari RCT psikoterapi untuk mengidentifikasi pasien mana (berdasarkan profil gejala, usia, komorbiditas) yang paling merespons terapi kognitif-perilaku vs interpersonal.
- Akurasi tes diagnostik: IPD-MA studi pencitraan diagnostik atau biomarker untuk menilai akurasi tes di berbagai strata risiko pasien, menyempurnakan kapan harus menggunakan tes.
- Uji coba kedokteran presisi: IPD-MA menggabungkan berbagai studi untuk mengidentifikasi interaksi pasien-pengobatan, mendukung pengembangan algoritma pemilihan pengobatan untuk kedokteran personalisasi.
Cara kerjanya
Cara kerjanya
Lakukan tinjauan sistematis yang komprehensif mengikuti protokol tinjauan sistematis standar: daftarkan protokol Anda (PROSPERO), definisikan kriteria PICO, cari berbagai basis data, saring judul dan abstrak, dan identifikasi uji coba terkontrol acak yang memenuhi syarat (biasanya RCT; studi observasional dapat dimasukkan tetapi harus dibedakan dengan jelas). Hubungi semua penulis uji coba dan pengelola data untuk meminta data pasien individual untuk dimasukkan. Tentukan variabel data yang Anda butuhkan: karakteristik dasar (usia, jenis kelamin, keparahan penyakit, komorbiditas), penugasan pengobatan, kepatuhan protokol, dan pengukuran hasil (waktu harus distandardisasi di seluruh uji coba). Sediakan perjanjian transfer data, repositori data yang aman (misalnya, server universitas dengan enkripsi), dan jadwal waktu. Perkirakan bahwa tidak semua uji coba akan merespons atau memberikan data; dokumentasikan tingkat respons dan alasan ketidakresponsifan. Harmonisasi data di seluruh uji coba: variabel mungkin dikodekan secara berbeda (rentang usia di Uji Coba A vs usia pasti di Uji Coba B); buat kumpulan data master dengan definisi variabel yang konsisten. Nilai kelengkapan: identifikasi pola data yang hilang dan putuskan strategi imputasi.
Lakukan meta-analisis satu tahap dengan menyesuaikan model regresi (paling umum model campuran linier untuk hasil kontinu atau model campuran logistik untuk hasil biner) yang mencakup karakteristik pasien, identitas uji coba, penugasan pengobatan, dan interaksi yang diminati. Pendekatan ini secara akurat memperhitungkan pengelompokan pasien dalam uji coba. Alternatifnya, gunakan metode dua tahap di mana analisis spesifik uji coba dilakukan terlebih dahulu, kemudian hasil uji coba digabungkan (mirip dengan meta-analisis konvensional, tetapi dengan analisis yang distandardisasi di seluruh uji coba). Periksa efek pengobatan secara keseluruhan dan berdasarkan subkelompok yang telah ditentukan sebelumnya (kelompok usia, jenis kelamin, keparahan penyakit): apakah pengobatan bekerja sama baiknya untuk semua pasien, atau ada efek diferensial? Uji interaksi pengobatan-kovariat. Nilai heterogenitas di seluruh uji coba: apakah efek pengobatan konsisten, atau bervariasi secara signifikan berdasarkan konteks uji coba? Jika heterogenitas tinggi, jelajahi sumbernya (fitur desain uji coba, populasi pasien, implementasi intervensi). Lakukan analisis sensitivitas: keluarkan uji coba kecil, keluarkan uji coba dengan kehilangan partisipan tinggi, atau keluarkan uji coba pencilan untuk menguji ketahanan.
Laporkan hasil dengan stratifikasi yang jelas berdasarkan subkelompok pasien: Ukuran efek (rasio odds, rasio hazard, atau perbedaan rata-rata) dengan interval kredibel atau kepercayaan 95%, secara keseluruhan dan untuk setiap subkelompok yang telah ditentukan sebelumnya. Sajikan nilai p interaksi dan plot yang menunjukkan bagaimana efek pengobatan bervariasi di seluruh rentang kovariat. Jika manfaat pengobatan serupa di semua subkelompok, simpulkan bahwa intervensi tersebut efektif secara luas. Jika ada interaksi yang signifikan (misalnya, pengobatan bekerja pada pasien yang lebih tua tetapi tidak pada yang lebih muda, atau pada penyakit parah tetapi tidak ringan), tekankan efek diferensial ini—informasi ini dapat ditindaklanjuti untuk praktik klinis. Bandingkan hasil dengan meta-analisis tingkat ringkasan sebelumnya jika tersedia: IPD-MA sering kali menghasilkan perkiraan yang lebih tepat dan dapat mengungkapkan efek subkelompok yang terlewatkan dalam analisis agregat. Dokumentasikan uji coba mana yang menyumbangkan IPD dan uji coba mana pun yang dikecualikan karena tidak merespons; nilai apakah uji coba yang hilang dapat membiaskan hasil (misalnya, jika uji coba negatif cenderung tidak membagikan data). Diskusikan implikasi untuk praktik: Rekomendasikan pengobatan untuk subkelompok mana? Sorot populasi yang memerlukan penelitian lebih lanjut. Gunakan pendekatan GRADE untuk menilai kepastian bukti untuk efek keseluruhan dan untuk efek subkelompok utama.
Kesalahan umum
- Melakukan analisis subkelompok eksploratif tanpa pra-spesifikasi. Banyak interaksi subkelompok yang diuji (misalnya, pengobatan × usia, pengobatan × jenis kelamin, pengobatan × keparahan dasar) meningkatkan tingkat positif palsu. Pra-registrasi analisis dan sesuaikan nilai p untuk pengujian berganda.
- Mengasumsikan data yang hilang hilang sepenuhnya secara acak (MCAR) tanpa pengujian. Jika pasien yang lebih sakit lebih mungkin memiliki data hasil yang hilang, analisis dapat melebih-lebihkan manfaat pengobatan. Lakukan analisis sensitivitas di bawah asumsi data yang hilang yang berbeda.
- Interpretasi berlebihan dari efek subkelompok dalam subkelompok kecil. Jika hanya ada 50 pasien dalam suatu subkelompok, interval kredibel di sekitar perkiraan efek subkelompok akan lebar; hindari rekomendasi klinis yang kuat berdasarkan perkiraan yang tidak tepat.
- Mengabaikan pengelompokan tingkat uji coba. Menganalisis semua data pasien seolah-olah independen (daripada menggunakan model campuran yang memperhitungkan pengelompokan uji coba) meremehkan varians dan meningkatkan tingkat kesalahan Tipe I.
Pertanyaan yang sering diajukan
Apa perbedaan antara meta-analisis IPD dan meta-analisis agregat (tingkat ringkasan)?
Meta-analisis agregat menggabungkan perkiraan efek yang dipublikasikan (misalnya, rasio odds) dari berbagai uji coba. Meta-analisis IPD memperoleh data mentah pada tingkat pasien dan menganalisis ulang secara terpusat dengan metode yang terstandardisasi. IPD memungkinkan analisis subkelompok yang konsisten dan eksplorasi interaksi pasien-pengobatan; meta-analisis agregat bergantung pada hasil subkelompok yang dilaporkan dalam makalah, yang sering kali tidak konsisten atau hilang. IPD lebih ketat tetapi jauh lebih padat sumber daya.
Berapa banyak data yang hilang yang dapat diterima dalam meta-analisis IPD?
Data yang hilang pada tingkat pasien (misalnya, beberapa pasien kehilangan pengukuran hasil) adalah umum dan dapat ditangani dengan metode imputasi. Data yang hilang pada tingkat uji coba (seluruh uji coba tidak memberikan IPD) lebih bermasalah. Targetkan IPD dari 60-80%+ uji coba yang memenuhi syarat. Dokumentasikan tingkat respons dan nilai apakah uji coba yang hilang berbeda secara sistematis (misalnya, apakah uji coba negatif cenderung tidak merespons?). Jika respons <50%, risiko bias meningkat; analisis sensitivitas menjadi penting.
Bagaimana cara menguji interaksi pengobatan-kovariat dalam meta-analisis IPD?
Sertakan istilah interaksi dalam model regresi efek campuran Anda (misalnya, pengobatan × usia, pengobatan × keparahan dasar). Uji signifikansi statistik dari istilah interaksi. Perkirakan efek pengobatan secara terpisah untuk strata kovariat yang berbeda (misalnya, usia <65 vs ≥65). Plot efek pengobatan di seluruh rentang kovariat untuk memvisualisasikan interaksi. Pra-spesifikasikan interaksi mana yang akan Anda uji sebelum menganalisis data untuk menghindari positif palsu dari pengujian berganda.
Bisakah saya menggabungkan RCT dan studi observasional dalam meta-analisis IPD?
Ya, tetapi bedakan dengan jelas dan perhitungkan desain studi dalam analisis (misalnya, gunakan model campuran yang mencakup indikator desain studi). RCT memberikan bukti kausal terkuat; studi observasional menambah keluasan tetapi membawa risiko perancu. Pra-spesifikasikan apakah studi observasional akan dianalisis secara terpisah, bersama dengan RCT dalam analisis sensitivitas, atau dikecualikan sama sekali. Dokumentasikan setiap perbedaan temuan berdasarkan desain studi.
Metode terkait
Sumber
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.
Buka referensi publikasiDisalin.Riley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ, 340, c221.
Buka referensi DOIDisalin.Higgins, P. T., & Green, S. (Eds.). (2011). Cochrane Handbook for Systematic Reviews of Interventions (Version 5.1.0). The Cochrane Collaboration.
Buka referensi publikasiDisalin.