Skip to content
Назад к результатам поиска

Мета-анализ индивидуальных данных пациентов

Автор метода
Cochrane Collaboration, Pioneered by Stewart & Clarke
Год
1990s
Тип
Method
Семейство
Advanced Meta-Analysis

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Мета-анализ индивидуальных данных пациентов (IPD-MA) — это метод систематического синтеза, при котором исследователи получают и анализируют необработанные данные на уровне отдельных пациентов из множества рандомизированных контролируемых исследований, вместо того чтобы полагаться на опубликованные сводные статистические данные (агрегированные данные).

Разработанный впервые в рамках Кокрейновского сотрудничества и формализованный Стюартом, Кларком и Райли, IPD-MA считается золотым стандартом синтеза доказательств, поскольку он обеспечивает согласованное определение исходов между исследованиями, надежный анализ подгрупп и выявление взаимодействий между лечением и ковариатами. Несмотря на трудоемкость и ресурсоемкость, IPD-MA обеспечивает наиболее надежные оценки эффектов вмешательства и предпочтителен для принятия критических клинических решений, особенно для определения того, какие пациенты получают наибольшую пользу от лечения.

Интуиция метода

Стандартный мета-анализ объединяет сводные результаты (отношения шансов, средние различия), представленные в опубликованных статьях. Однако в опубликованных статьях приводятся только исходы и подгруппы, которые исследователи решили выделить, а разные исследования могут по-разному определять исходы или подгруппы. IPD-MA решает эту проблему, получая фактические данные на уровне пациентов из баз данных исследований: возраст каждого пациента, исходные характеристики, назначенное лечение и исходы. Имея необработанные данные, исследователи могут (1) стандартизировать определения исходов между исследованиями, (2) справедливо проводить анализ подгрупп (сравнивая пациентов с характеристикой X во всех исследованиях, а не только в тех, которые опубликовали эту подгруппу), (3) исследовать взаимодействия между лечением и ковариатами (лучше ли работает лечение у пожилых по сравнению с молодыми пациентами?) и (4) выявлять дифференцированные эффекты лечения, которые могут быть упущены при мета-анализе на сводном уровне. IPD-MA является эталоном для прецизионной медицины и персонализации лечения.

История

Мета-анализ индивидуальных данных пациентов (IPD-MA) появился в 1990-х годах, когда Кокрейновское сотрудничество признало, что IPD может устранить ограничения агрегированного мета-анализа. Пионерские исследования, особенно в области онкологии и сердечно-сосудистых заболеваний, продемонстрировали, что IPD-MA может выявлять эффекты подгрупп и предоставлять более тонкие рекомендации по лечению. Методологическая работа Стюарта и Кларка в 2000-х годах стандартизировала протоколы IPD-MA. Райли и коллеги усовершенствовали статистические методы для обработки IPD в рамках смешанных моделей. Крупные клинические консорциумы (CTG, EBCTCG) теперь используют IPD-MA в качестве стандарта для мета-анализов, посвященных вопросам прецизионной медицины. Репозитории IPD (Vivli, YODA Project) выросли, чтобы облегчить обмен данными для мета-анализа и снизить нагрузку на отдельных авторов исследований.

Когда применять

Проводите IPD-MA, когда (1) точное понимание эффектов лечения в разрезе подгрупп имеет решающее значение для принятия клинических решений (например, определение того, какие пациенты с раком получают пользу от нового препарата), (2) мета-анализ на сводном уровне показывает гетерогенность или противоречивые результаты, а анализ IPD может прояснить механизмы или выявить модераторы, (3) предполагаются важные эффекты подгрупп, но они не сообщаются последовательно между исследованиями, (4) вы можете обеспечить разумный отклик данных от авторов исследований (обычно 50-80% исследований), или (5) у вас есть ресурсы (время, финансирование, опыт управления данными) для получения, гармонизации и анализа данных на уровне пациентов. Распространенные области применения включают исследования рака, сердечно-сосудистые вмешательства и ведение хронических заболеваний, где важны вопросы прецизионной медицины. Избегайте IPD-MA, если доступ к данным сильно ограничен или если нет значимых вопросов, касающихся подгрупп.

Ограничения и замечания

  • Существенно более трудоемкий и ресурсоемкий, чем агрегированный мета-анализ. Получение данных от авторов исследований, их обработка и гармонизация наборов данных пациентов требует 12-24 месяцев.
  • Зависит от доступности данных: исследования могут отказать в предоставлении данных из-за проблем с конфиденциальностью, отсутствия ресурсов или потери данных. Отсутствие ответа может привести к предвзятости результатов, если отрицательные исследования с меньшей вероятностью предоставляют данные.
  • Качество данных может варьироваться между исследованиями; неполные или непоследовательно измеренные переменные ограничивают анализ. Закономерности пропущенных данных различаются в зависимости от исследования и требуют тщательного рассмотрения.
  • Статистическая сложность возрастает; подгонка иерархических регрессионных моделей с множественными взаимодействиями требует статистической экспертизы и может быть подвержена переобучению, если не спланирована тщательно.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Обеспечивает стандартизированное определение исходов и согласованный анализ подгрупп в гетерогенных исследованиях, повышая прозрачность и снижая предвзятость из-за выборочного представления данных.
  • Позволяет исследовать взаимодействия между лечением и ковариатами, определяя, какие подгруппы пациентов получают наибольшую пользу — это необходимо для прецизионной медицины и персонализированных рекомендаций по лечению.
  • Обычно дает более точные оценки эффектов, чем агрегированный мета-анализ, используя все доступные данные и корректируя кластеризацию на уровне исследований.
  • Выявляет дифференцированные эффекты лечения, которые могут быть упущены при мета-анализе на сводном уровне, особенно когда эффекты подгрупп малы или сообщаются непоследовательно.
  • Позволяет исследовать гетерогенность на уровне исследований: особенности дизайна исследования, точность реализации или характеристики популяции пациентов, объясняющие вариабельность исходов.

Применение

  • Исследования противораковых препаратов: IPD-MA множества РКИ для определения того, какие подтипы опухолей, молекулярные маркеры или возраст пациентов получают пользу от новой онкологической терапии.
  • Сердечно-сосудистые вмешательства: синтез индивидуальных данных пациентов из множества исследований сердечных заболеваний для определения того, какие пациенты (по возрасту, исходному риску, сопутствующим заболеваниям) получают пользу от ангиопластики по сравнению с медикаментозной терапией.
  • Психиатрическое лечение: IPD-MA РКИ психотерапии для определения того, какие пациенты (по профилю симптомов, возрасту, сопутствующим заболеваниям) лучше всего реагируют на когнитивно-поведенческую терапию по сравнению с межличностной терапией.
  • Точность диагностических тестов: IPD-MA исследований диагностической визуализации или биомаркеров для оценки точности тестов в различных стратах риска пациентов, уточняя, когда следует использовать тест.
  • Исследования прецизионной медицины: IPD-MA, объединяющий множество исследований для выявления взаимодействий между пациентом и лечением, поддерживая разработку алгоритмов выбора лечения для персонализированной медицины.

Как это работает

Как это работает

1

Проведите всесторонний систематический обзор в соответствии со стандартными протоколами систематического обзора: зарегистрируйте свой протокол (PROSPERO), определите критерии PICO, выполните поиск по нескольким базам данных, отберите заголовки и рефераты, а также определите соответствующие рандомизированные контролируемые исследования (обычно РКИ; наблюдательные исследования могут быть включены, но должны быть четко выделены). Свяжитесь со всеми авторами исследований и хранителями данных с просьбой предоставить индивидуальные данные пациентов для включения. Укажите необходимые вам переменные данных: исходные характеристики (возраст, пол, тяжесть заболевания, сопутствующие заболевания), назначение лечения, соблюдение протокола и измерение исходов (сроки должны быть стандартизированы между исследованиями). Предоставьте соглашения о передаче данных, безопасные репозитории данных (например, университетские серверы с шифрованием) и сроки. Ожидайте, что не все исследования ответят или предоставят данные; документируйте процент ответивших и причины отказа. Гармонизируйте данные между исследованиями: переменные могут быть закодированы по-разному (возрастные диапазоны в Исследовании А против точного возраста в Исследовании B); создайте мастер-набор данных с согласованными определениями переменных. Оцените полноту: выявите закономерности пропущенных данных и примите решение о стратегиях импутации.

2

Выполните одноэтапный мета-анализ, подогнав регрессионную модель (наиболее часто — смешанную линейную модель для непрерывных исходов или смешанную логистическую модель для бинарных исходов), которая включает характеристики пациента, идентификатор исследования, назначение лечения и интересующие взаимодействия. Этот подход корректно учитывает кластеризацию пациентов внутри исследований. В качестве альтернативы используйте двухэтапные методы, при которых сначала проводятся анализы для каждого исследования, а затем результаты исследований объединяются (аналогично обычному мета-анализу, но со стандартизированными анализами между исследованиями). Изучите эффекты лечения в целом и по заранее определенным подгруппам (возрастные группы, пол, тяжесть заболевания): одинаково ли хорошо работает лечение для всех пациентов, или существуют дифференцированные эффекты? Проверьте взаимодействия между лечением и ковариатами. Оцените гетерогенность между исследованиями: является ли эффект лечения последовательным или он значительно варьируется в зависимости от контекста исследования? Если гетерогенность высока, исследуйте источники (особенности дизайна исследования, популяции пациентов, реализация вмешательства). Проведите анализ чувствительности: исключите небольшие исследования, исключите исследования с высоким уровнем отсева или исключите исследования с выбросами для проверки надежности.

3

Представляйте результаты с четкой стратификацией по подгруппам пациентов: размер эффекта (отношение шансов, отношение рисков или среднее различие) с 95% доверительными или правдоподобными интервалами, в целом и для каждой заранее определенной подгруппы. Представьте p-значения взаимодействий и графики, показывающие, как эффект лечения варьируется в зависимости от диапазона ковариат. Если польза от лечения одинакова во всех подгруппах, заключите, что вмешательство широко эффективно. Если существуют значимые взаимодействия (например, лечение работает у пожилых пациентов, но не у молодых, или при тяжелом заболевании, но не при легком), подчеркните эти дифференцированные эффекты — эта информация применима для клинической практики. Сравните результаты с предыдущим мета-анализом на сводном уровне, если таковой имеется: IPD-MA часто дает более точные оценки и может выявить эффекты подгрупп, упущенные в агрегированном анализе. Документируйте, какие исследования предоставили IPD и какие исследования были исключены из-за отсутствия ответа; оцените, могут ли отсутствующие исследования исказить результаты (например, если отрицательные исследования с меньшей вероятностью предоставляют данные). Обсудите последствия для практики: для каких подгрупп рекомендовать лечение? Выделите группы, нуждающиеся в дальнейших исследованиях. Используйте подход GRADE для оценки достоверности доказательств общего эффекта и ключевых эффектов подгрупп.

Частые ошибки

  • Проведение исследовательских анализов подгрупп без предварительной спецификации. Множество протестированных взаимодействий подгрупп (например, лечение × возраст, лечение × пол, лечение × исходная тяжесть) увеличивают частоту ложноположительных результатов. Предварительно регистрируйте анализы и корректируйте p-значения для множественного тестирования.
  • Предположение, что пропущенные данные полностью случайны (MCAR) без проверки. Если более больные пациенты с большей вероятностью имеют пропущенные данные об исходах, анализ может переоценить пользу от лечения. Проводите анализ чувствительности при различных предположениях о пропущенных данных.
  • Чрезмерная интерпретация эффектов подгрупп в малых подгруппах. Если в подгруппе всего 50 пациентов, доверительные интервалы вокруг оценки эффекта подгруппы будут широкими; избегайте строгих клинических рекомендаций, основанных на неточных оценках.
  • Игнорирование кластеризации на уровне исследований. Анализ всех данных пациентов как независимых (вместо использования смешанных моделей, учитывающих кластеризацию исследований) недооценивает дисперсию и увеличивает ошибку первого рода.

Часто задаваемые вопросы

В чем разница между мета-анализом IPD и агрегированным (сводным) мета-анализом?

Агрегированный мета-анализ объединяет опубликованные оценки эффектов (например, отношения шансов) из множества исследований. Мета-анализ IPD получает необработанные данные на уровне пациентов и повторно анализирует их централизованно с использованием стандартизированных методов. IPD позволяет проводить согласованный анализ подгрупп и исследовать взаимодействия между пациентом и лечением; агрегированный мета-анализ полагается на результаты подгрупп, представленные в статьях, которые часто непоследовательны или отсутствуют. IPD более строгий, но гораздо более ресурсоемкий.

Сколько пропущенных данных приемлемо в мета-анализе IPD?

Пропущенные данные на уровне пациента (например, у некоторых пациентов отсутствуют измерения исходов) распространены и могут быть обработаны методами импутации. Пропущенные данные на уровне исследования (целое исследование не предоставляет IPD) более проблематичны. Стремитесь к IPD от 60-80%+ соответствующих исследований. Документируйте процент ответивших и оцените, систематически ли отличаются отсутствующие исследования (например, отрицательные исследования с меньшей вероятностью отвечают?). Если процент ответивших <50%, риск предвзятости возрастает; анализ чувствительности становится обязательным.

Как протестировать взаимодействия между лечением и ковариатами в мета-анализе IPD?

Включите члены взаимодействия в вашу модель регрессии со смешанными эффектами (например, лечение × возраст, лечение × исходная тяжесть). Проверьте статистическую значимость члена взаимодействия. Оцените эффект лечения отдельно для различных стратов ковариат (например, возраст <65 против ≥65). Постройте график эффекта лечения в зависимости от диапазона ковариат для визуализации взаимодействий. Предварительно определите, какие взаимодействия вы будете тестировать до анализа данных, чтобы избежать ложноположительных результатов из-за множественного тестирования.

Можно ли объединять РКИ и наблюдательные исследования в мета-анализе IPD?

Да, но четко различайте их и учитывайте дизайн исследования в анализе (например, используйте смешанную модель, включающую индикатор дизайна исследования). РКИ предоставляют наиболее сильные причинно-следственные доказательства; наблюдательные исследования добавляют широту, но несут риск смешивания. Предварительно определите, будут ли наблюдательные исследования анализироваться отдельно, вместе с РКИ в анализе чувствительности или полностью исключены. Документируйте любые различия в результатах в зависимости от дизайна исследования.

Похожие методы

Источники

  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.

    Открыть ссылку на публикацию
    Скопировано.
  2. Riley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ, 340, c221.

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

    Открыть ссылку на публикацию
    Скопировано.