Przejdź do treści
Wróć do wyników wyszukiwania

Metaanaliza danych indywidualnych pacjentów

Autor metody
Cochrane Collaboration, Pioneered by Stewart & Clarke
Rok
1990s
Typ
Method
Rodzina
Advanced Meta-Analysis

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Metaanaliza danych indywidualnych pacjentów (IPD-MA) to metoda systematycznej syntezy, w której badacze pozyskują i analizują surowe dane na poziomie pacjenta z wielu randomizowanych badań kontrolowanych, zamiast opierać się na opublikowanych statystykach podsumowujących (dane zagregowane).

Zapoczątkowana przez Cochrane Collaboration i sformalizowana przez Stewarta, Clarke'a i Riley'a, IPD-MA jest uważana za złoty standard syntezy dowodów, ponieważ umożliwia spójną definicję wyników w różnych badaniach, solidną analizę podgrup oraz wykrywanie interakcji między leczeniem a zmiennymi towarzyszącymi. Chociaż czasochłonna i wymagająca zasobów, IPD-MA dostarcza najbardziej wiarygodnych oszacowań efektów interwencji i jest preferowana w przypadku krytycznych decyzji klinicznych, szczególnie w celu identyfikacji pacjentów, którzy najbardziej skorzystają z leczenia.

Intuicja stojąca za metodą

Standardowa metaanaliza łączy podsumowane wyniki (ilorazy szans, różnice średnich) zgłaszane w opublikowanych pracach. Jednak opublikowane prace przedstawiają tylko te wyniki i podgrupy, które badacze wybrali do podkreślenia, a różne badania mogą definiować wyniki lub podgrupy niespójnie. IPD-MA rozwiązuje ten problem poprzez uzyskanie rzeczywistych danych na poziomie pacjenta z baz danych badań: wiek każdego pacjenta, cechy wyjściowe, przypisane leczenie i wyniki. Dzięki surowym danym badacze mogą (1) standaryzować definicje wyników w różnych badaniach, (2) sprawiedliwie przeprowadzać analizy podgrup (porównując pacjentów z Cechą X we wszystkich badaniach, a nie tylko w tych, które opublikowały tę podgrupę), (3) badać interakcje między leczeniem a zmiennymi towarzyszącymi (czy leczenie działa lepiej u pacjentów starszych niż młodszych?) oraz (4) wykrywać zróżnicowane efekty leczenia, które metaanaliza na poziomie podsumowań może przeoczyć. IPD-MA jest punktem odniesienia dla medycyny precyzyjnej i personalizacji leczenia.

Historia

Metaanaliza danych indywidualnych pacjentów pojawiła się w latach 90. XX wieku, gdy Cochrane Collaboration uznała, że IPD może rozwiązać ograniczenia metaanalizy zagregowanej. Pionierskie badania, szczególnie w dziedzinie raka i chorób sercowo-naczyniowych, wykazały, że IPD-MA może identyfikować efekty podgrup i dostarczać bardziej zniuansowanych wskazówek dotyczących leczenia. Prace metodologiczne Stewarta i Clarke'a w latach 2000. standaryzowały protokoły IPD-MA. Riley i współpracownicy rozwinęli metody statystyczne do obsługi IPD w ramach modeli mieszanych. Główne konsorcja kliniczne (CTG, EBCTCG) używają obecnie IPD-MA jako standardu dla metaanaliz dotyczących pytań medycyny precyzyjnej. Repozytoria IPD (Vivli, YODA Project) rozrosły się, aby ułatwić udostępnianie danych do metaanalizy i zmniejszyć obciążenie dla poszczególnych autorów badań.

Kiedy stosować

Przeprowadź IPD-MA, gdy (1) precyzyjne, specyficzne dla podgrup zrozumienie efektów leczenia jest kluczowe dla podejmowania decyzji klinicznych (np. identyfikacja, którzy pacjenci z rakiem skorzystają z nowego leku), (2) opublikowana metaanaliza na poziomie podsumowań wykazuje heterogeniczność lub sprzeczne wyniki, a analiza IPD może wyjaśnić mechanizmy lub zidentyfikować moderatory, (3) podejrzewa się ważne efekty podgrup, ale nie są one konsekwentnie zgłaszane w różnych badaniach, (4) możesz zapewnić rozsądną odpowiedź na dane od autorów badań (zazwyczaj 50-80% badań) lub (5) masz zasoby (czas, fundusze, wiedzę w zakresie zarządzania danymi) do pozyskania, zharmonizowania i analizy danych na poziomie pacjenta. Typowe zastosowania obejmują badania nad rakiem, interwencje sercowo-naczyniowe i zarządzanie chorobami przewlekłymi, gdzie pytania dotyczące medycyny precyzyjnej są ważne. Unikaj IPD-MA, jeśli dostęp do danych jest poważnie ograniczony lub jeśli nie istnieją znaczące pytania dotyczące podgrup.

Ograniczenia i uwagi

  • Znacznie bardziej czasochłonna i zasobochłonna niż metaanaliza zagregowana. Uzyskanie danych od autorów badań, kuratorowanie i harmonizowanie zbiorów danych pacjentów wymaga 12-24 miesięcy.
  • Zależna od dostępności danych: badania mogą odmówić udostępnienia danych z powodu obaw o prywatność, braku zasobów lub utraty danych. Brak odpowiedzi może zniekształcać wyniki, jeśli badania z negatywnymi wynikami rzadziej udostępniają dane.
  • Jakość danych może się różnić w zależności od badania; niekompletne lub niespójnie mierzone zmienne ograniczają analizy. Wzorce brakujących danych różnią się w zależności od badania i wymagają ostrożnego postępowania.
  • Złożoność statystyczna wzrasta; dopasowywanie hierarchicznych modeli regresji z wieloma interakcjami wymaga wiedzy statystycznej i może prowadzić do przeuczenia, jeśli nie jest starannie zaplanowane.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Umożliwia standaryzację definicji wyników i spójną analizę podgrup w heterogenicznych badaniach, zwiększając przejrzystość i zmniejszając stronniczość wynikającą z selektywnego raportowania.
  • Pozwala na badanie interakcji między leczeniem a zmiennymi towarzyszącymi, identyfikując, które podgrupy pacjentów odnoszą największe korzyści — co jest kluczowe dla medycyny precyzyjnej i spersonalizowanych zaleceń dotyczących leczenia.
  • Zazwyczaj daje bardziej precyzyjne oszacowania efektów niż metaanaliza zagregowana, wykorzystując wszystkie dostępne dane i korygując grupowanie na poziomie badania.
  • Wykrywa zróżnicowane efekty leczenia, które metaanaliza na poziomie podsumowań może przeoczyć, szczególnie gdy efekty podgrup są małe lub niespójnie raportowane.
  • Umożliwia badanie heterogeniczności na poziomie badania: cech projektu badania, wierności implementacji lub charakterystyki populacji pacjentów, które wyjaśniają zmienność wyników.

Zastosowania

  • Badania nad lekami przeciwnowotworowymi: IPD-MA wielu RCT w celu identyfikacji, które podtypy nowotworów, markery molekularne lub wiek pacjentów odnoszą korzyści z nowej terapii onkologicznej.
  • Interwencje sercowo-naczyniowe: synteza indywidualnych danych pacjentów z wielu badań chorób serca w celu określenia, którzy pacjenci (według wieku, ryzyka wyjściowego, chorób współistniejących) odnoszą korzyści z angioplastyki vs terapii medycznej.
  • Leczenie psychiatryczne: IPD-MA RCT psychoterapii w celu identyfikacji, którzy pacjenci (według profilu objawów, wieku, chorób współistniejących) najlepiej reagują na terapię poznawczo-behawioralną vs interpersonalną.
  • Dokładność testów diagnostycznych: IPD-MA badań obrazowania diagnostycznego lub biomarkerów w celu oceny dokładności testu w różnych stratyfikacjach ryzyka pacjentów, udoskonalając, kiedy należy stosować test.
  • Badania medycyny precyzyjnej: IPD-MA łącząca wiele badań w celu identyfikacji interakcji pacjent-leczenie, wspierająca rozwój algorytmów wyboru leczenia dla medycyny spersonalizowanej.

Jak to działa

Jak to działa

1

Przeprowadź kompleksowy przegląd systematyczny zgodnie ze standardowymi protokołami przeglądów systematycznych: zarejestruj swój protokół (PROSPERO), zdefiniuj kryteria PICO, przeszukaj wiele baz danych, przesiej tytuły i abstrakty oraz zidentyfikuj kwalifikujące się randomizowane badania kontrolowane (zazwyczaj RCT; badania obserwacyjne mogą być włączone, ale muszą być wyraźnie rozróżnione). Skontaktuj się ze wszystkimi autorami badań i administratorami danych, prosząc o indywidualne dane pacjentów do włączenia. Określ zmienne danych, których potrzebujesz: cechy wyjściowe (wiek, płeć, nasilenie choroby, choroby współistniejące), przypisanie leczenia, przestrzeganie protokołu i pomiary wyników (czas musi być standaryzowany we wszystkich badaniach). Przedstaw umowy o transferze danych, bezpieczne repozytoria danych (np. serwery uniwersyteckie z szyfrowaniem) i harmonogramy. Spodziewaj się, że nie wszystkie badania odpowiedzą lub dostarczą danych; udokumentuj wskaźniki odpowiedzi i przyczyny braku odpowiedzi. Zharmonizuj dane z różnych badań: zmienne mogą być kodowane inaczej (zakresy wieku w Badaniu A vs dokładne wieki w Badaniu B); utwórz główny zbiór danych ze spójnymi definicjami zmiennych. Oceń kompletność: zidentyfikuj wzorce brakujących danych i zdecyduj o strategiach imputacji.

2

Przeprowadź jednoetapową metaanalizę, dopasowując model regresji (najczęściej liniowy model mieszany dla wyników ciągłych lub logistyczny model mieszany dla wyników binarnych), który obejmuje cechy pacjenta, tożsamość badania, przypisanie leczenia i interesujące interakcje. Takie podejście prawidłowo uwzględnia grupowanie pacjentów w ramach badań. Alternatywnie, zastosuj metody dwuetapowe, w których najpierw przeprowadza się analizy specyficzne dla badania, a następnie łączy wyniki badań (podobnie do konwencjonalnej metaanalizy, ale ze standaryzowanymi analizami w różnych badaniach). Zbadaj ogólne efekty leczenia i efekty w ramach wcześniej określonych podgrup (grupy wiekowe, płeć, nasilenie choroby): czy leczenie działa równie dobrze u wszystkich pacjentów, czy też występują zróżnicowane efekty? Przetestuj interakcje między leczeniem a zmiennymi towarzyszącymi. Oceń heterogeniczność w różnych badaniach: czy efekt leczenia jest spójny, czy też znacząco różni się w zależności od kontekstu badania? Jeśli heterogeniczność jest wysoka, zbadaj jej źródła (cechy projektu badania, populacje pacjentów, implementacja interwencji). Przeprowadź analizy wrażliwości: wyklucz małe badania, badania z wysokim wskaźnikiem rezygnacji lub badania odstające, aby sprawdzić solidność wyników.

3

Zgłoś wyniki z wyraźną stratyfikacją według podgrup pacjentów: wielkość efektu (iloraz szans, współczynnik ryzyka lub różnica średnich) z 95% wiarygodnymi lub przedziałami ufności, ogólnie i dla każdej wcześniej określonej podgrupy. Przedstaw wartości p interakcji i wykresy pokazujące, jak efekt leczenia zmienia się w zależności od zakresów zmiennych towarzyszących. Jeśli korzyść z leczenia jest podobna we wszystkich podgrupach, wnioskuj, że interwencja jest ogólnie skuteczna. Jeśli istnieją znaczące interakcje (np. leczenie działa u pacjentów starszych, ale nie młodszych, lub w ciężkiej chorobie, ale nie łagodnej), podkreśl te zróżnicowane efekty — te informacje są użyteczne w praktyce klinicznej. Porównaj wyniki z wcześniejszą metaanalizą na poziomie podsumowań, jeśli jest dostępna: IPD-MA często daje bardziej precyzyjne oszacowania i może ujawnić efekty podgrup pominięte w analizie zagregowanej. Udokumentuj, które badania dostarczyły IPD i które badania zostały wykluczone z powodu braku odpowiedzi; oceń, czy brakujące badania mogą zniekształcać wyniki (np. jeśli badania z negatywnymi wynikami rzadziej udostępniają dane). Omów implikacje dla praktyki: Zalecić leczenie dla których podgrup? Wskaż populacje wymagające dalszych badań. Użyj podejścia GRADE do oceny pewności dowodów dla ogólnego efektu i dla kluczowych efektów podgrup.

Częste pułapki

  • Przeprowadzanie eksploracyjnych analiz podgrup bez wcześniejszego określenia. Wiele testowanych interakcji podgrup (np. leczenie × wiek, leczenie × płeć, leczenie × nasilenie wyjściowe) zwiększa wskaźnik fałszywie pozytywnych wyników. Wcześniej zarejestruj analizy i dostosuj wartości p dla wielokrotnych testów.
  • Zakładanie, że brakujące dane są całkowicie losowe (MCAR) bez testowania. Jeśli chorzy pacjenci częściej mają brakujące dane dotyczące wyników, analiza może przeszacować korzyści z leczenia. Przeprowadź analizy wrażliwości przy różnych założeniach dotyczących brakujących danych.
  • Nadmierna interpretacja efektów podgrup w małych podgrupach. Jeśli w podgrupie jest tylko 50 pacjentów, wiarygodne przedziały wokół oszacowania efektu podgrupy będą szerokie; unikaj silnych zaleceń klinicznych opartych na nieprecyzyjnych oszacowaniach.
  • Ignorowanie grupowania na poziomie badania. Analizowanie wszystkich danych pacjentów tak, jakby były niezależne (zamiast używania modeli mieszanych uwzględniających grupowanie badania) niedoszacowuje wariancji i zawyża wskaźnik błędu typu I.

Najczęściej zadawane pytania

Jaka jest różnica między metaanalizą IPD a metaanalizą zagregowaną (na poziomie podsumowań)?

Metaanaliza zagregowana łączy opublikowane oszacowania efektów (np. ilorazy szans) z wielu badań. Metaanaliza IPD uzyskuje surowe dane na poziomie pacjenta i ponownie analizuje je centralnie za pomocą standaryzowanych metod. IPD pozwala na spójne analizy podgrup i badanie interakcji pacjent-leczenie; metaanaliza zagregowana opiera się na wynikach podgrup zgłaszanych w pracach, które często są niespójne lub brakujące. IPD jest bardziej rygorystyczna, ale znacznie bardziej zasobochłonna.

Ile brakujących danych jest dopuszczalne w metaanalizie IPD?

Brakujące dane na poziomie pacjenta (np. u niektórych pacjentów brakuje pomiaru wyniku) są powszechne i można je obsłużyć za pomocą metod imputacji. Brakujące dane na poziomie badania (całe badanie nie dostarcza IPD) są bardziej problematyczne. Dąż do uzyskania IPD z 60-80%+ kwalifikujących się badań. Udokumentuj wskaźniki odpowiedzi i oceń, czy brakujące badania różnią się systematycznie (np. czy badania z negatywnymi wynikami rzadziej odpowiadają?). Jeśli odpowiedź jest <50%, ryzyko stronniczości wzrasta; analizy wrażliwości stają się kluczowe.

Jak testować interakcje między leczeniem a zmiennymi towarzyszącymi w metaanalizie IPD?

Włącz terminy interakcji do swojego modelu regresji z efektami mieszanymi (np. leczenie × wiek, leczenie × nasilenie wyjściowe). Przetestuj istotność statystyczną terminu interakcji. Oszacuj efekt leczenia oddzielnie dla różnych warstw zmiennych towarzyszących (np. wiek <65 vs ≥65). Wykreśl efekt leczenia w zależności od zakresów zmiennych towarzyszących, aby zwizualizować interakcje. Wcześniej określ, które interakcje będziesz testować, zanim zaczniesz analizować dane, aby uniknąć fałszywie pozytywnych wyników z powodu wielokrotnego testowania.

Czy mogę łączyć RCT i badania obserwacyjne w metaanalizie IPD?

Tak, ale wyraźnie je rozróżnij i uwzględnij projekt badania w analizie (np. użyj modelu mieszanego zawierającego wskaźnik projektu badania). RCT dostarczają najsilniejszych dowodów przyczynowych; badania obserwacyjne dodają szerokości, ale niosą ryzyko czynników zakłócających. Wcześniej określ, czy badania obserwacyjne będą analizowane oddzielnie, razem z RCT w analizie wrażliwości, czy całkowicie wykluczone. Udokumentuj wszelkie różnice w wynikach w zależności od projektu badania.

Pokrewne metody

Źródła

  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.

    Otwórz odnośnik do publikacji
    Skopiowano.
  2. Riley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ, 340, c221.

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

    Otwórz odnośnik do publikacji
    Skopiowano.