การวิเคราะห์อภิมานข้อมูลผู้ป่วยรายบุคคล
- ผู้เสนอ
- Cochrane Collaboration, Pioneered by Stewart & Clarke
- ปี
- 1990s
- ประเภท
- Method
- กลุ่มวิธี
- Advanced Meta-Analysis
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์อภิมานข้อมูลผู้ป่วยรายบุคคล (IPD-MA) เป็นวิธีการสังเคราะห์อย่างเป็นระบบ ซึ่งนักวิจัยจะได้รับและวิเคราะห์ข้อมูลดิบในระดับผู้ป่วยจากงานวิจัยแบบสุ่มและมีกลุ่มควบคุมหลายชิ้น แทนที่จะอาศัยสถิติสรุปที่ตีพิมพ์ (ข้อมูลรวม) IPD-MA ซึ่งริเริ่มโดย Cochrane Collaboration และทำให้เป็นทางการโดย Stewart, Clarke และ Riley ถือเป็นมาตรฐานทองคำสำหรับการสังเคราะห์หลักฐาน เนื่องจากช่วยให้สามารถกำหนดผลลัพธ์ที่สอดคล้องกันในงานวิจัยต่างๆ การวิเคราะห์กลุ่มย่อยที่แข็งแกร่ง และการตรวจจับปฏิสัมพันธ์ระหว่างการรักษาและตัวแปรร่วม แม้ว่าจะต้องใช้เวลาและทรัพยากรมาก แต่ IPD-MA ให้ค่าประมาณผลของการรักษาที่น่าเชื่อถือที่สุด และเป็นที่นิยมสำหรับการตัดสินใจทางคลินิกที่สำคัญ โดยเฉพาะอย่างยิ่งสำหรับการระบุว่าผู้ป่วยรายใดได้รับประโยชน์จากการรักษามากที่สุด
แนวคิดเบื้องหลังวิธีการ
การวิเคราะห์อภิมานมาตรฐานจะรวมผลสรุป (อัตราต่อรอง, ความแตกต่างของค่าเฉลี่ย) ที่รายงานในเอกสารที่ตีพิมพ์ อย่างไรก็ตาม เอกสารที่ตีพิมพ์จะรายงานเฉพาะผลลัพธ์และกลุ่มย่อยที่นักวิจัยเลือกที่จะเน้น และงานวิจัยที่แตกต่างกันอาจกำหนดผลลัพธ์หรือกลุ่มย่อยไม่สอดคล้องกัน IPD-MA แก้ปัญหานี้โดยการรับข้อมูลจริงในระดับผู้ป่วยจากฐานข้อมูลงานวิจัย: อายุของผู้ป่วยแต่ละราย ลักษณะพื้นฐาน การกำหนดการรักษา และผลลัพธ์ ด้วยข้อมูลดิบ นักวิจัยสามารถ (1) กำหนดมาตรฐานผลลัพธ์ในงานวิจัยต่างๆ (2) ทำการวิเคราะห์กลุ่มย่อยอย่างยุติธรรม (เปรียบเทียบผู้ป่วยที่มีลักษณะ X ในงานวิจัยทั้งหมด ไม่ใช่แค่งานวิจัยที่เผยแพร่กลุ่มย่อยนี้) (3) ตรวจสอบปฏิสัมพันธ์ระหว่างการรักษาและตัวแปรร่วม (การรักษาได้ผลดีกว่าในผู้ป่วยสูงอายุเทียบกับผู้ป่วยอายุน้อยหรือไม่?) และ (4) ตรวจจับผลการรักษาที่แตกต่างกันซึ่งการวิเคราะห์ระดับสรุปอาจมองข้ามไป IPD-MA เป็นเกณฑ์มาตรฐานสำหรับการแพทย์แม่นยำและการรักษาเฉพาะบุคคล
ประวัติศาสตร์
การวิเคราะห์อภิมานข้อมูลผู้ป่วยรายบุคคลเกิดขึ้นในช่วงทศวรรษที่ 1990 เมื่อ Cochrane Collaboration ตระหนักว่า IPD สามารถแก้ไขข้อจำกัดของการวิเคราะห์อภิมานรวมได้ งานวิจัยบุกเบิก โดยเฉพาะอย่างยิ่งในด้านมะเร็งและโรคหัวใจและหลอดเลือด แสดงให้เห็นว่า IPD-MA สามารถระบุผลกระทบของกลุ่มย่อยและให้คำแนะนำการรักษาที่ละเอียดอ่อนยิ่งขึ้น งานวิจัยเชิงระเบียบวิธีของ Stewart และ Clarke ในช่วงทศวรรษที่ 2000 ได้กำหนดมาตรฐานระเบียบวิธี IPD-MA Riley และเพื่อนร่วมงานได้พัฒนาวิธีการทางสถิติสำหรับการจัดการ IPD ในกรอบแบบจำลองแบบผสม กลุ่มความร่วมมือทางคลินิกที่สำคัญ (CTG, EBCTCG) ปัจจุบันใช้ IPD-MA เป็นมาตรฐานสำหรับการวิเคราะห์อภิมานที่ตอบคำถามเกี่ยวกับการแพทย์แม่นยำ คลังข้อมูล IPD (Vivli, YODA Project) ได้เติบโตขึ้นเพื่ออำนวยความสะดวกในการแบ่งปันข้อมูลสำหรับการวิเคราะห์อภิมานและลดภาระของผู้เขียนงานวิจัยแต่ละราย
ควรใช้เมื่อใด
ดำเนินการ IPD-MA เมื่อ (1) ความเข้าใจที่แม่นยำและเฉพาะเจาะจงกลุ่มย่อยเกี่ยวกับผลของการรักษาเป็นสิ่งสำคัญสำหรับการตัดสินใจทางคลินิก (เช่น การระบุว่าผู้ป่วยมะเร็งรายใดได้รับประโยชน์จากยาใหม่) (2) การวิเคราะห์อภิมานระดับสรุปที่ตีพิมพ์แสดงความแตกต่างหรือผลลัพธ์ที่ขัดแย้งกัน และการวิเคราะห์ IPD อาจช่วยชี้แจงกลไกหรือระบุตัวแปรที่ปรับเปลี่ยน (3) สงสัยว่ามีผลกระทบของกลุ่มย่อยที่สำคัญแต่ไม่ได้รับการรายงานอย่างสม่ำเสมอในงานวิจัยต่างๆ (4) คุณสามารถได้รับการตอบสนองข้อมูลที่สมเหตุสมผลจากผู้เขียนงานวิจัย (โดยทั่วไปคือ 50-80% ของงานวิจัย) หรือ (5) คุณมีทรัพยากร (เวลา เงินทุน ความเชี่ยวชาญในการจัดการข้อมูล) เพื่อรับ ปรับปรุง และวิเคราะห์ข้อมูลระดับผู้ป่วย การใช้งานทั่วไป ได้แก่ การทดลองมะเร็ง การรักษาโรคหัวใจและหลอดเลือด และการจัดการโรคเรื้อรัง ซึ่งคำถามเกี่ยวกับการแพทย์แม่นยำมีความสำคัญ หลีกเลี่ยง IPD-MA หากการเข้าถึงข้อมูลถูกจำกัดอย่างรุนแรง หรือหากไม่มีคำถามเกี่ยวกับกลุ่มย่อยที่มีความหมาย
ข้อจำกัดและข้อควรพิจารณา
- ใช้เวลานานและต้องใช้ทรัพยากรมากกว่าการวิเคราะห์อภิมานรวมอย่างมาก การรับข้อมูลจากผู้เขียนงานวิจัย การดูแล และการปรับปรุงชุดข้อมูลผู้ป่วยต้องใช้เวลา 12-24 เดือน
- ขึ้นอยู่กับความพร้อมของข้อมูล: งานวิจัยอาจปฏิเสธที่จะแบ่งปันข้อมูลเนื่องจากข้อกังวลด้านความเป็นส่วนตัว การขาดแคลนทรัพยากร หรือการสูญหายของข้อมูล การไม่ตอบสนองอาจทำให้ผลลัพธ์เอนเอียงหากงานวิจัยเชิงลบมีแนวโน้มที่จะแบ่งปันน้อยกว่า
- คุณภาพข้อมูลอาจแตกต่างกันไปในแต่ละงานวิจัย ตัวแปรที่ไม่สมบูรณ์หรือวัดผลไม่สอดคล้องกันจำกัดการวิเคราะห์ รูปแบบข้อมูลที่ขาดหายไปแตกต่างกันไปตามงานวิจัยและต้องได้รับการจัดการอย่างระมัดระวัง
- ความซับซ้อนทางสถิติเพิ่มขึ้น การปรับแบบจำลองการถดถอยแบบลำดับชั้นที่มีปฏิสัมพันธ์หลายอย่างต้องใช้ความเชี่ยวชาญทางสถิติและอาจมีแนวโน้มที่จะเกิดการปรับมากเกินไปหากไม่ได้วางแผนอย่างรอบคอบ
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ช่วยให้สามารถกำหนดผลลัพธ์ที่เป็นมาตรฐานและการวิเคราะห์กลุ่มย่อยที่สอดคล้องกันในงานวิจัยที่แตกต่างกัน เพิ่มความโปร่งใสและลดความเอนเอียงจากการรายงานที่เลือกสรร
- ช่วยให้สามารถตรวจสอบปฏิสัมพันธ์ระหว่างการรักษาและตัวแปรร่วม ระบุว่ากลุ่มย่อยของผู้ป่วยรายใดได้รับประโยชน์มากที่สุด ซึ่งจำเป็นสำหรับการแพทย์แม่นยำและคำแนะนำการรักษาเฉพาะบุคคล
- โดยทั่วไปให้ค่าประมาณผลกระทบที่แม่นยำกว่าการวิเคราะห์อภิมานรวมโดยใช้ข้อมูลที่มีอยู่ทั้งหมดและแก้ไขการจัดกลุ่มระดับงานวิจัย
- ตรวจจับผลการรักษาที่แตกต่างกันซึ่งการวิเคราะห์อภิมานระดับสรุปอาจมองข้ามไป โดยเฉพาะอย่างยิ่งเมื่อผลกระทบของกลุ่มย่อยมีขนาดเล็กหรือรายงานไม่สอดคล้องกัน
- ช่วยให้สามารถตรวจสอบความแตกต่างระหว่างงานวิจัย: ลักษณะการออกแบบงานวิจัย ความเที่ยงตรงในการดำเนินการ หรือลักษณะประชากรผู้ป่วยที่อธิบายความแปรปรวนของผลลัพธ์
การประยุกต์ใช้
- การทดลองยาต้านมะเร็ง: IPD-MA ของ RCTs หลายชิ้นเพื่อระบุว่ากลุ่มย่อยของเนื้องอก เครื่องหมายโมเลกุล หรืออายุผู้ป่วยรายใดได้รับประโยชน์จากการรักษาโรคมะเร็งแบบใหม่
- การรักษาโรคหัวใจและหลอดเลือด: การสังเคราะห์ข้อมูลผู้ป่วยรายบุคคลจากงานวิจัยโรคหัวใจหลายชิ้นเพื่อพิจารณาว่าผู้ป่วยรายใด (ตามอายุ ความเสี่ยงพื้นฐาน โรคร่วม) ได้รับประโยชน์จากการทำบอลลูนขยายหลอดเลือดเทียบกับการรักษาด้วยยา
- การรักษาทางจิตเวช: IPD-MA ของ RCTs การบำบัดทางจิตวิทยาเพื่อระบุว่าผู้ป่วยรายใด (ตามลักษณะอาการ อายุ โรคร่วม) ตอบสนองได้ดีที่สุดต่อการบำบัดพฤติกรรมทางปัญญาเทียบกับการบำบัดระหว่างบุคคล
- ความแม่นยำของการทดสอบวินิจฉัย: IPD-MA ของการศึกษาภาพวินิจฉัยหรือชีวมาร์กเกอร์เพื่อประเมินความแม่นยำของการทดสอบในกลุ่มเสี่ยงของผู้ป่วยที่แตกต่างกัน เพื่อปรับปรุงเมื่อควรใช้การทดสอบ
- การทดลองการแพทย์แม่นยำ: IPD-MA การรวมการศึกษาหลายชิ้นเพื่อระบุปฏิสัมพันธ์ระหว่างผู้ป่วยและการรักษา สนับสนุนการพัฒนากลุ่มการเลือกการรักษาสำหรับการแพทย์เฉพาะบุคคล
วิธีการทำงาน
วิธีการทำงาน
ดำเนินการทบทวนอย่างเป็นระบบที่ครอบคลุมตามระเบียบวิธีทบทวนอย่างเป็นระบบมาตรฐาน: ลงทะเบียนระเบียบวิธีของคุณ (PROSPERO) กำหนดเกณฑ์ PICO ค้นหาฐานข้อมูลหลายแห่ง คัดกรองชื่อเรื่องและบทคัดย่อ และระบุงานวิจัยแบบสุ่มและมีกลุ่มควบคุมที่เข้าเกณฑ์ (โดยทั่วไปคือ RCTs; สามารถรวมการศึกษาเชิงสังเกตได้ แต่ต้องแยกแยะให้ชัดเจน) ติดต่อผู้เขียนงานวิจัยและผู้ดูแลข้อมูลทั้งหมดเพื่อขอข้อมูลผู้ป่วยรายบุคคลเพื่อนำมารวม กำหนดตัวแปรข้อมูลที่คุณต้องการ: ลักษณะพื้นฐาน (อายุ เพศ ความรุนแรงของโรค โรคร่วม) การกำหนดการรักษา การปฏิบัติตามระเบียบวิธี และการวัดผลลัพธ์ (ต้องกำหนดเวลาให้สอดคล้องกันในงานวิจัยต่างๆ) จัดทำข้อตกลงการถ่ายโอนข้อมูล คลังข้อมูลที่ปลอดภัย (เช่น เซิร์ฟเวอร์ของมหาวิทยาลัยที่เข้ารหัส) และกำหนดเวลา คาดว่างานวิจัยทั้งหมดจะไม่ตอบสนองหรือให้ข้อมูล; บันทึกอัตราการตอบสนองและเหตุผลที่ไม่ตอบสนอง ปรับข้อมูลให้สอดคล้องกันในงานวิจัยต่างๆ: ตัวแปรอาจถูกเข้ารหัสแตกต่างกัน (ช่วงอายุในงานวิจัย A เทียบกับอายุที่แน่นอนในงานวิจัย B); สร้างชุดข้อมูลหลักที่มีการกำหนดตัวแปรที่สอดคล้องกัน ประเมินความสมบูรณ์: ระบุรูปแบบข้อมูลที่ขาดหายไปและตัดสินใจเกี่ยวกับกลยุทธ์การแทนที่ข้อมูล
ดำเนินการวิเคราะห์อภิมานแบบขั้นตอนเดียวโดยการปรับแบบจำลองการถดถอย (โดยทั่วไปคือแบบจำลองเชิงเส้นแบบผสมสำหรับผลลัพธ์ต่อเนื่อง หรือแบบจำลองแบบผสมเชิงโลจิสติกสำหรับผลลัพธ์แบบทวิภาค) ที่รวมลักษณะผู้ป่วย อัตลักษณ์งานวิจัย การกำหนดการรักษา และปฏิสัมพันธ์ที่น่าสนใจ วิธีการนี้จะพิจารณาการจัดกลุ่มผู้ป่วยภายในงานวิจัยอย่างถูกต้อง หรือใช้วิธีการสองขั้นตอนซึ่งทำการวิเคราะห์เฉพาะงานวิจัยก่อน จากนั้นจึงรวมผลลัพธ์ของงานวิจัย (คล้ายกับการวิเคราะห์อภิมานแบบดั้งเดิม แต่มีการวิเคราะห์ที่เป็นมาตรฐานในงานวิจัยต่างๆ) ตรวจสอบผลของการรักษาโดยรวมและตามกลุ่มย่อยที่กำหนดไว้ล่วงหน้า (กลุ่มอายุ เพศ ความรุนแรงของโรค): การรักษามีผลเท่ากันสำหรับผู้ป่วยทุกรายหรือไม่ หรือมีผลที่แตกต่างกันหรือไม่? ทดสอบปฏิสัมพันธ์ระหว่างการรักษาและตัวแปรร่วม ประเมินความแตกต่างระหว่างงานวิจัยต่างๆ: ผลของการรักษาสอดคล้องกันหรือไม่ หรือแตกต่างกันอย่างมีนัยสำคัญตามบริบทของงานวิจัย? หากความแตกต่างสูง ให้สำรวจแหล่งที่มา (ลักษณะการออกแบบงานวิจัย ประชากรผู้ป่วย การดำเนินการรักษา) ดำเนินการวิเคราะห์ความไว: ยกเว้นงานวิจัยขนาดเล็ก ยกเว้นงานวิจัยที่มีการหลบหนีสูง หรือยกเว้นงานวิจัยที่ผิดปกติเพื่อทดสอบความแข็งแกร่ง
รายงานผลลัพธ์โดยมีการแบ่งกลุ่มตามกลุ่มย่อยของผู้ป่วยอย่างชัดเจน: ขนาดผลกระทบ (อัตราต่อรอง อัตราการเสี่ยง หรือความแตกต่างของค่าเฉลี่ย) พร้อมช่วงความเชื่อมั่นหรือช่วงความเชื่อมั่น 95% โดยรวมและสำหรับแต่ละกลุ่มย่อยที่กำหนดไว้ล่วงหน้า แสดงค่า p ของปฏิสัมพันธ์และแผนภาพที่แสดงว่าผลของการรักษาแตกต่างกันอย่างไรตามช่วงของตัวแปรร่วม หากประโยชน์ของการรักษาคล้ายคลึงกันในทุกกลุ่มย่อย ให้สรุปว่าการรักษามีประสิทธิภาพในวงกว้าง หากมีปฏิสัมพันธ์ที่มีนัยสำคัญ (เช่น การรักษาได้ผลในผู้ป่วยสูงอายุแต่ไม่ได้ผลในผู้ป่วยอายุน้อย หรือในโรคที่รุนแรงแต่ไม่รุนแรง) ให้เน้นผลที่แตกต่างกันเหล่านี้—ข้อมูลนี้สามารถนำไปปฏิบัติทางคลินิกได้ เปรียบเทียบผลลัพธ์กับการวิเคราะห์อภิมานระดับสรุปก่อนหน้านี้หากมี: IPD-MA มักให้ค่าประมาณที่แม่นยำกว่าและอาจเปิดเผยผลกระทบของกลุ่มย่อยที่มองข้ามไปในการวิเคราะห์รวม บันทึกว่างานวิจัยใดมีส่วนร่วมใน IPD และงานวิจัยใดถูกยกเว้นเนื่องจากการไม่ตอบสนอง; ประเมินว่างานวิจัยที่ขาดหายไปอาจทำให้ผลลัพธ์เอนเอียงหรือไม่ (เช่น หากงานวิจัยเชิงลบมีแนวโน้มที่จะแบ่งปันข้อมูลน้อยกว่า) อภิปรายผลกระทบต่อการปฏิบัติ: แนะนำการรักษาสำหรับกลุ่มย่อยใด? เน้นกลุ่มประชากรที่ต้องการการวิจัยเพิ่มเติม ใช้แนวทาง GRADE เพื่อประเมินความแน่นอนของหลักฐานสำหรับผลกระทบโดยรวมและสำหรับผลกระทบของกลุ่มย่อยที่สำคัญ
ข้อผิดพลาดที่พบบ่อย
- การดำเนินการวิเคราะห์กลุ่มย่อยเชิงสำรวจโดยไม่มีการกำหนดไว้ล่วงหน้า ปฏิสัมพันธ์ของกลุ่มย่อยจำนวนมากที่ทดสอบ (เช่น การรักษา × อายุ การรักษา × เพศ การรักษา × ความรุนแรงพื้นฐาน) เพิ่มอัตราการเกิดผลบวกลวง ลงทะเบียนการวิเคราะห์ล่วงหน้าและปรับค่า p สำหรับการทดสอบหลายรายการ
- สมมติว่าข้อมูลที่ขาดหายไปนั้นขาดหายไปแบบสุ่มสมบูรณ์ (MCAR) โดยไม่มีการทดสอบ หากผู้ป่วยที่ป่วยกว่ามีแนวโน้มที่จะมีข้อมูลผลลัพธ์ที่ขาดหายไป การวิเคราะห์อาจประเมินประโยชน์ของการรักษาเกินจริง ดำเนินการวิเคราะห์ความไวภายใต้สมมติฐานข้อมูลที่ขาดหายไปที่แตกต่างกัน
- การตีความผลกระทบของกลุ่มย่อยมากเกินไปในกลุ่มย่อยขนาดเล็ก หากมีผู้ป่วยเพียง 50 รายในกลุ่มย่อย ช่วงความเชื่อมั่นรอบค่าประมาณผลกระทบของกลุ่มย่อยจะกว้าง หลีกเลี่ยงคำแนะนำทางคลินิกที่เข้มแข็งตามค่าประมาณที่ไม่แม่นยำ
- การละเลยการจัดกลุ่มระดับงานวิจัย การวิเคราะห์ข้อมูลผู้ป่วยทั้งหมดราวกับว่าไม่มีความสัมพันธ์กัน (แทนที่จะใช้แบบจำลองแบบผสมที่พิจารณาการจัดกลุ่มงานวิจัย) จะประเมินความแปรปรวนต่ำเกินไปและเพิ่มอัตราข้อผิดพลาดประเภทที่หนึ่ง
คำถามที่พบบ่อย
อะไรคือความแตกต่างระหว่างการวิเคราะห์อภิมาน IPD และการวิเคราะห์อภิมานรวม (ระดับสรุป)
การวิเคราะห์อภิมานรวมจะรวมค่าประมาณผลกระทบที่ตีพิมพ์ (เช่น อัตราต่อรอง) จากงานวิจัยหลายชิ้น การวิเคราะห์อภิมาน IPD จะได้รับข้อมูลดิบระดับผู้ป่วยและวิเคราะห์ซ้ำจากส่วนกลางด้วยวิธีการที่เป็นมาตรฐาน IPD ช่วยให้สามารถวิเคราะห์กลุ่มย่อยที่สอดคล้องกันและการสำรวจปฏิสัมพันธ์ระหว่างผู้ป่วยและการรักษา การวิเคราะห์อภิมานรวมอาศัยผลลัพธ์ของกลุ่มย่อยที่รายงานในเอกสาร ซึ่งมักจะไม่สอดคล้องกันหรือไม่สมบูรณ์ IPD มีความเข้มงวดมากกว่า แต่ต้องใช้ทรัพยากรมากกว่ามาก
มีข้อมูลที่ขาดหายไปได้มากน้อยเพียงใดจึงจะยอมรับได้ในการวิเคราะห์อภิมาน IPD
ข้อมูลที่ขาดหายไปในระดับผู้ป่วย (เช่น ผู้ป่วยบางรายขาดการวัดผลลัพธ์) เป็นเรื่องปกติและสามารถจัดการได้ด้วยวิธีการแทนที่ข้อมูล ข้อมูลที่ขาดหายไปในระดับงานวิจัย (งานวิจัยทั้งหมดไม่ให้ IPD) เป็นปัญหามากกว่า ตั้งเป้าหมาย IPD จาก 60-80%+ ของงานวิจัยที่เข้าเกณฑ์ บันทึกอัตราการตอบสนองและประเมินว่างานวิจัยที่ขาดหายไปมีความแตกต่างกันอย่างเป็นระบบหรือไม่ (เช่น งานวิจัยเชิงลบมีแนวโน้มที่จะตอบสนองน้อยกว่า?) หากการตอบสนองน้อยกว่า 50% ความเสี่ยงของความเอนเอียงจะเพิ่มขึ้น การวิเคราะห์ความไวจะมีความจำเป็น
ฉันจะทดสอบปฏิสัมพันธ์ระหว่างการรักษาและตัวแปรร่วมในการวิเคราะห์อภิมาน IPD ได้อย่างไร
รวมเทอมปฏิสัมพันธ์ในแบบจำลองการถดถอยแบบผสมของคุณ (เช่น การรักษา × อายุ การรักษา × ความรุนแรงพื้นฐาน) ทดสอบนัยสำคัญทางสถิติของเทอมปฏิสัมพันธ์ ประมาณค่าผลของการรักษาแยกกันสำหรับกลุ่มตัวแปรร่วมต่างๆ (เช่น อายุ <65 เทียบกับ ≥65) พล็อตผลของการรักษาตามช่วงของตัวแปรร่วมเพื่อแสดงภาพปฏิสัมพันธ์ กำหนดล่วงหน้าว่าปฏิสัมพันธ์ใดที่คุณจะทดสอบก่อนทำการวิเคราะห์ข้อมูลเพื่อหลีกเลี่ยงผลบวกลวงจากการทดสอบหลายรายการ
ฉันสามารถรวม RCTs และการศึกษาเชิงสังเกตในการวิเคราะห์อภิมาน IPD ได้หรือไม่
ได้ แต่ต้องแยกแยะให้ชัดเจนและพิจารณาการออกแบบการศึกษาในการวิเคราะห์ (เช่น ใช้แบบจำลองแบบผสมที่รวมตัวบ่งชี้การออกแบบการศึกษา) RCTs ให้หลักฐานเชิงสาเหตุที่แข็งแกร่งที่สุด การศึกษาเชิงสังเกตเพิ่มความกว้างแต่มีความเสี่ยงต่อการสับสน กำหนดล่วงหน้าว่าการศึกษาเชิงสังเกตจะถูกวิเคราะห์แยกกัน รวมกับการศึกษา RCTs ในการวิเคราะห์ความไว หรือถูกยกเว้นทั้งหมด บันทึกความแตกต่างใดๆ ในผลการศึกษาตามการออกแบบการศึกษา
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
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.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วRiley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ, 340, c221.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วHiggins, P. T., & Green, S. (Eds.). (2011). Cochrane Handbook for Systematic Reviews of Interventions (Version 5.1.0). The Cochrane Collaboration.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้ว