Meta-análise de Dados Individuais de Pacientes
- Proposto por
- Cochrane Collaboration, Pioneered by Stewart & Clarke
- Ano
- 1990s
- Tipo
- Method
- Família
- Advanced Meta-Analysis
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
Meta-análise de dados individuais de pacientes (IPD-MA) é um método de síntese sistemática onde pesquisadores obtêm e analisam dados brutos em nível de paciente de múltiplos ensaios clínicos randomizados, em vez de depender de estatísticas de resumo publicadas (dados agregados).
Pioneira pela Cochrane Collaboration e formalizada por Stewart, Clarke e Riley, a IPD-MA é considerada o padrão ouro para síntese de evidências porque permite definição consistente de desfechos entre ensaios, análise robusta de subgrupos e detecção de interações tratamento-covariável. Embora demorada e exigente em recursos, a IPD-MA fornece as estimativas mais confiáveis de efeitos de intervenção e é preferida para decisões clínicas críticas, particularmente para identificar quais pacientes se beneficiam mais do tratamento.
A intuição por trás do método
A meta-análise padrão combina resultados de resumo (razões de chances, diferenças de médias) relatados em artigos publicados. No entanto, artigos publicados relatam apenas os desfechos e subgrupos que os investigadores escolheram destacar, e diferentes ensaios podem definir desfechos ou subgrupos de forma inconsistente. A IPD-MA resolve isso obtendo os dados reais em nível de paciente dos bancos de dados dos ensaios: idade de cada paciente, características basais, tratamento atribuído e desfechos. Com dados brutos, os pesquisadores podem (1) padronizar definições de desfechos entre ensaios, (2) realizar análises de subgrupos de forma justa (comparando pacientes com Característica X em todos os ensaios, não apenas nos ensaios que publicaram esse subgrupo), (3) investigar interações tratamento-covariável (o tratamento funciona melhor em pacientes mais velhos vs. mais jovens?) e (4) detectar efeitos de tratamento diferenciais que a meta-análise em nível de resumo pode perder. A IPD-MA é o marco para medicina de precisão e personalização do tratamento.
História
A meta-análise de dados individuais de pacientes surgiu na década de 1990, quando a Cochrane Collaboration reconheceu que a IPD poderia abordar as limitações da meta-análise agregada. Estudos pioneiros, particularmente em câncer e doenças cardiovasculares, demonstraram que a IPD-MA poderia identificar efeitos de subgrupo e fornecer orientação de tratamento mais nuançada. O trabalho metodológico de Stewart e Clarke nos anos 2000 padronizou os protocolos de IPD-MA. Riley e colegas avançaram métodos estatísticos para lidar com IPD em estruturas de modelos mistos. Grandes consórcios clínicos (CTG, EBCTCG) agora usam IPD-MA como padrão para meta-análises que abordam questões de medicina de precisão. Repositórios de IPD (Vivli, YODA Project) cresceram para facilitar o compartilhamento de dados para meta-análise e reduzir o ônus sobre os autores individuais dos ensaios.
Quando usar
Conduzir IPD-MA quando (1) uma compreensão precisa e específica de subgrupo dos efeitos do tratamento for crítica para a tomada de decisão clínica (por exemplo, identificar quais pacientes com câncer se beneficiam de um novo medicamento), (2) a meta-análise em nível de resumo publicada mostrar heterogeneidade ou resultados conflitantes e a análise de IPD puder esclarecer mecanismos ou identificar moderadores, (3) efeitos importantes de subgrupos forem suspeitos, mas não relatados consistentemente entre os ensaios, (4) for possível obter resposta razoável de dados dos autores dos ensaios (tipicamente 50-80% dos ensaios), ou (5) houver recursos (tempo, financiamento, expertise em gerenciamento de dados) para obter, harmonizar e analisar dados em nível de paciente. Aplicações comuns incluem ensaios de câncer, intervenções cardiovasculares e manejo de doenças crônicas, onde questões de medicina de precisão são importantes. Evitar IPD-MA se o acesso aos dados for severamente restrito ou se não houver questões significativas de subgrupo.
Limitações e considerações
- Substancialmente mais demorada e exigente em recursos do que a meta-análise agregada. Obter dados de autores de ensaios, curar e harmonizar conjuntos de dados de pacientes requer 12-24 meses.
- Dependente da disponibilidade de dados: ensaios podem se recusar a compartilhar dados devido a preocupações com privacidade, falta de recursos ou perda de dados. A não resposta pode enviesar os resultados se ensaios negativos forem menos propensos a compartilhar.
- A qualidade dos dados pode variar entre os ensaios; variáveis incompletas ou medidas de forma inconsistente limitam as análises. Padrões de dados ausentes diferem por ensaio e requerem manuseio cuidadoso.
- A complexidade estatística aumenta; ajustar modelos de regressão hierárquica com múltiplas interações requer expertise estatística e pode ser propenso a overfitting se não for cuidadosamente planejado.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Permite definição padronizada de desfechos e análise consistente de subgrupos em ensaios heterogêneos, aumentando a transparência e reduzindo o viés de relato seletivo.
- Permite a investigação de interações tratamento-covariável, identificando quais subgrupos de pacientes se beneficiam mais - essencial para medicina de precisão e recomendações de tratamento personalizadas.
- Tipicamente produz estimativas de efeito mais precisas do que a meta-análise agregada, utilizando todos os dados disponíveis e corrigindo o agrupamento em nível de ensaio.
- Detecta efeitos de tratamento diferenciais que a meta-análise em nível de resumo pode perder, particularmente quando efeitos de subgrupo são pequenos ou relatados de forma inconsistente.
- Permite a investigação de heterogeneidade em nível de ensaio: características do desenho do ensaio, fidelidade de implementação ou características da população de pacientes que explicam a variação do desfecho.
Aplicações
- Ensaios de medicamentos contra o câncer: IPD-MA de múltiplos RCTs para identificar quais subtipos de tumor, marcadores moleculares ou idades de pacientes se beneficiam de uma nova terapia oncológica.
- Intervenção cardiovascular: síntese de dados individuais de pacientes de múltiplos ensaios de doenças cardíacas para determinar quais pacientes (por idade, risco basal, comorbidades) se beneficiam de angioplastia vs. terapia médica.
- Tratamento psiquiátrico: IPD-MA de RCTs de psicoterapia para identificar quais pacientes (por perfil de sintomas, idade, comorbidade) respondem melhor à terapia cognitivo-comportamental vs. interpessoal.
- Acurácia de teste diagnóstico: IPD-MA de estudos de imagem diagnóstica ou biomarcadores para avaliar a acurácia do teste em diferentes estratos de risco de pacientes, refinando quando usar o teste.
- Ensaios de medicina de precisão: IPD-MA combinando múltiplos estudos para identificar interações paciente-tratamento, apoiando o desenvolvimento de algoritmos de seleção de tratamento para medicina personalizada.
Como funciona
Como funciona
Conduzir uma revisão sistemática abrangente seguindo protocolos padrão de revisão sistemática: registrar seu protocolo (PROSPERO), definir critérios PICO, pesquisar múltiplos bancos de dados, triar títulos e resumos, e identificar ensaios clínicos randomizados elegíveis (tipicamente RCTs; estudos observacionais podem ser incluídos, mas devem ser claramente distinguidos). Contatar todos os autores de ensaios e custodiantes de dados solicitando dados individuais de pacientes para inclusão. Especificar as variáveis de dados necessárias: características basais (idade, sexo, gravidade da doença, comorbidades), atribuição de tratamento, adesão ao protocolo e medições de desfechos (o tempo deve ser padronizado entre os ensaios). Fornecer acordos de transferência de dados, repositórios de dados seguros (por exemplo, servidores universitários com criptografia) e cronogramas. Esperar que nem todos os ensaios respondam ou forneçam dados; documentar taxas de resposta e razões para não resposta. Harmonizar dados entre ensaios: variáveis podem ser codificadas de forma diferente (faixas etárias no Ensaio A vs. idades exatas no Ensaio B); criar um conjunto de dados mestre com definições de variáveis consistentes. Avaliar completude: identificar padrões de dados ausentes e decidir sobre estratégias de imputação.
Realizar uma meta-análise de um estágio ajustando um modelo de regressão (mais comumente um modelo misto linear para desfechos contínuos ou um modelo misto logístico para desfechos binários) que inclua características do paciente, identidade do ensaio, atribuição de tratamento e interações de interesse. Essa abordagem leva em conta corretamente o agrupamento de pacientes dentro dos ensaios. Alternativamente, usar métodos de dois estágios onde análises específicas do ensaio são realizadas primeiro, e então os resultados do ensaio são combinados (semelhante à meta-análise convencional, mas com análises padronizadas entre os ensaios). Examinar efeitos de tratamento gerais e por subgrupos pré-especificados (grupos etários, sexo, gravidade da doença): o tratamento funciona igualmente bem para todos os pacientes, ou existem efeitos diferenciais? Testar interações tratamento-covariável. Avaliar heterogeneidade entre os ensaios: o efeito do tratamento é consistente, ou varia significativamente pelo contexto do ensaio? Se a heterogeneidade for alta, explorar fontes (características do desenho do ensaio, populações de pacientes, implementação da intervenção). Realizar análises de sensibilidade: excluir ensaios pequenos, excluir ensaios com alta atrito ou excluir ensaios outliers para testar a robustez.
Relatar resultados com clara estratificação por subgrupos de pacientes: Tamanho do efeito (razão de chances, razão de risco ou diferença de médias) com intervalos de credibilidade ou confiança de 95%, geral e para cada subgrupo pré-especificado. Apresentar valores p de interação e gráficos mostrando como o efeito do tratamento varia em faixas de covariáveis. Se o benefício do tratamento for semelhante em todos os subgrupos, concluir que a intervenção é amplamente eficaz. Se existirem interações significativas (por exemplo, o tratamento funciona em pacientes mais velhos, mas não nos mais jovens, ou em doenças graves, mas não leves), enfatizar esses efeitos diferenciais - essa informação é acionável para a prática clínica. Comparar resultados com meta-análise anterior em nível de resumo, se disponível: a IPD-MA frequentemente produz estimativas mais precisas e pode revelar efeitos de subgrupo perdidos na análise agregada. Documentar quais ensaios contribuíram com IPD e quaisquer ensaios excluídos devido à não resposta; avaliar se ensaios ausentes podem enviesar os resultados (por exemplo, se ensaios negativos são menos propensos a compartilhar dados). Discutir implicações para a prática: Recomendar tratamento para quais subgrupos? Destacar populações que necessitam de mais pesquisas. Usar a abordagem GRADE para avaliar a certeza da evidência para o efeito geral e para efeitos chave de subgrupos.
Erros comuns
- Conduzir análises exploratórias de subgrupos sem pré-especificação. Muitas interações de subgrupos testadas (por exemplo, tratamento × idade, tratamento × sexo, tratamento × gravidade basal) aumentam a taxa de falsos positivos. Pré-registrar análises e ajustar valores p para testes múltiplos.
- Assumir que dados ausentes estão ausentes completamente ao acaso (MCAR) sem testar. Se pacientes mais doentes forem mais propensos a ter dados de desfecho ausentes, a análise pode superestimar o benefício do tratamento. Conduzir análises de sensibilidade sob diferentes suposições de dados ausentes.
- Superinterpretação de efeitos de subgrupo em subgrupos pequenos. Se houver apenas 50 pacientes em um subgrupo, os intervalos de credibilidade em torno da estimativa do efeito do subgrupo serão amplos; evitar recomendações clínicas fortes baseadas em estimativas imprecisas.
- Ignorar o agrupamento em nível de ensaio. Analisar todos os dados de pacientes como se fossem independentes (em vez de usar modelos mistos que consideram o agrupamento do ensaio) subestima a variância e infla a taxa de erro Tipo I.
Perguntas frequentes
Qual é a diferença entre meta-análise de IPD e meta-análise agregada (em nível de resumo)?
A meta-análise agregada combina estimativas de efeito publicadas (por exemplo, razões de chances) de múltiplos ensaios. A meta-análise de IPD obtém dados brutos em nível de paciente e os reanalisa centralmente com métodos padronizados. A IPD permite análises de subgrupos consistentes e exploração de interações paciente-tratamento; a meta-análise agregada depende de resultados de subgrupos relatados nos artigos, que são frequentemente inconsistentes ou ausentes. A IPD é mais rigorosa, mas muito mais exigente em recursos.
Quanta perda de dados é aceitável em meta-análise de IPD?
A perda de dados em nível de paciente (por exemplo, alguns pacientes sem medição de desfecho) é comum e pode ser tratada com métodos de imputação. A perda de dados em nível de ensaio (um ensaio inteiro não fornecendo IPD) é mais problemática. Mire em IPD de 60-80%+ dos ensaios elegíveis. Documente as taxas de resposta e avalie se os ensaios ausentes diferem sistematicamente (por exemplo, ensaios negativos são menos propensos a responder?). Se a resposta for <50%, o risco de viés aumenta; análises de sensibilidade tornam-se essenciais.
Como testar interações tratamento-covariável em meta-análise de IPD?
Inclua termos de interação em seu modelo de regressão de efeitos mistos (por exemplo, tratamento × idade, tratamento × gravidade basal). Teste a significância estatística do termo de interação. Estime o efeito do tratamento separadamente para diferentes estratos de covariáveis (por exemplo, idade <65 vs. ≥65). Plote o efeito do tratamento em faixas de covariáveis para visualizar interações. Pré-especifique quais interações você testará antes de analisar os dados para evitar falsos positivos de testes múltiplos.
Posso combinar RCTs e estudos observacionais em meta-análise de IPD?
Sim, mas distinga-os claramente e leve em conta o desenho do estudo na análise (por exemplo, use um modelo misto incluindo um indicador de desenho do estudo). RCTs fornecem a evidência causal mais forte; estudos observacionais adicionam amplitude, mas carregam risco de confusão. Pré-especifique se estudos observacionais serão analisados separadamente, juntos com RCTs em uma análise de sensibilidade, ou excluídos inteiramente. Documente quaisquer diferenças nos achados por desenho do estudo.
Métodos relacionados
Fontes
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 referência da publicaçãoCopiado.Riley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ, 340, c221.
Abrir referência DOICopiado.Higgins, P. T., & Green, S. (Eds.). (2011). Cochrane Handbook for Systematic Reviews of Interventions (Version 5.1.0). The Cochrane Collaboration.
Abrir referência da publicaçãoCopiado.