Bireysel Hasta Verisi Meta-Analizi
- Ortaya koyan
- Cochrane Collaboration, Pioneered by Stewart & Clarke
- Yıl
- 1990s
- Tür
- Method
- Aile
- Advanced Meta-Analysis
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Bireysel hasta verisi meta-analizi (BHV-MA), araştırmacıların yayınlanmış özet istatistiklere (toplu verilere) güvenmek yerine, birden fazla randomize kontrollü çalışmadan ham, hasta düzeyindeki verileri elde edip analiz ettiği sistematik bir sentez yöntemidir.
Cochrane İşbirliği tarafından öncülüğü yapılan ve Stewart, Clarke ve Riley tarafından biçimlendirilen BHV-MA, tutarlı sonuç tanımı, sağlam alt grup analizi ve tedavi-kovaryat etkileşimlerinin tespiti sağladığı için kanıt sentezinde altın standart olarak kabul edilir. Zaman alıcı ve kaynak gerektiren bir süreç olmasına rağmen, BHV-MA müdahale etkilerine ilişkin en güvenilir tahminleri sağlar ve özellikle hangi hastaların tedaviden en çok fayda gördüğünü belirlemek için kritik klinik kararlarda tercih edilir.
Yöntemin mantığı
Standart meta-analiz, yayınlanmış makalelerde bildirilen özet sonuçları (olasılık oranları, ortalama farklar) birleştirir. Ancak, yayınlanmış makaleler yalnızca araştırmacıların vurgulamayı seçtiği sonuçları ve alt grupları bildirir ve farklı çalışmalar sonuçları veya alt grupları tutarsız bir şekilde tanımlayabilir. BHV-MA, çalışma veritabanlarından gerçek hasta düzeyindeki verileri elde ederek bu sorunu çözer: her hastanın yaşı, başlangıç özellikleri, atanan tedavi ve sonuçları. Ham verilerle araştırmacılar şunları yapabilir: (1) çalışmalar arasında sonuç tanımlarını standartlaştırmak, (2) alt grup analizlerini adil bir şekilde yürütmek (tüm çalışmalardaki X Özelliğine sahip hastaları karşılaştırmak, yalnızca bu alt grubu yayınlayan çalışmaları değil), (3) tedavi-kovaryat etkileşimlerini araştırmak (tedavi daha yaşlı hastalarda mı yoksa genç hastalarda mı daha iyi çalışır?), ve (4) özet düzeyindeki meta-analizin kaçırabileceği farklı tedavi etkilerini tespit etmek. BHV-MA, hassas tıp ve tedavi kişiselleştirme için referans noktasıdır.
Tarih
Bireysel hasta verisi meta-analizi, Cochrane İşbirliği'nin BHV'nin toplu meta-analizin sınırlamalarını giderebileceğini fark etmesiyle 1990'larda ortaya çıktı. Özellikle kanser ve kardiyovasküler hastalık alanındaki öncü çalışmalar, BHV-MA'nın alt grup etkilerini belirleyebildiğini ve daha incelikli tedavi rehberliği sağlayabildiğini gösterdi. Stewart ve Clarke'ın 2000'lerdeki metodolojik çalışmaları BHV-MA protokollerini standartlaştırdı. Riley ve arkadaşları, karma model çerçevelerinde BHV'yi işlemek için istatistiksel yöntemleri geliştirdiler. Büyük klinik konsorsiyumlar (CTG, EBCTCG) artık hassas tıp sorularını ele alan meta-analizler için standart olarak BHV-MA kullanmaktadır. BHV depoları (Vivli, YODA Projesi), meta-analiz için veri paylaşımını kolaylaştırmak ve bireysel çalışma yazarlarının yükünü azaltmak için büyüdü.
Ne zaman kullanılır?
BHV-MA'yı şu durumlarda yürütün: (1) klinik karar verme için tedavinin etkilerine ilişkin kesin, alt grup özelinde bir anlayış kritik olduğunda (örneğin, hangi kanser hastalarının yeni bir ilaçtan fayda gördüğünü belirlemek), (2) yayınlanmış özet düzeyindeki meta-analiz heterojenlik veya çelişkili sonuçlar gösterdiğinde ve BHV analizi mekanizmaları netleştirebilir veya moderatörleri belirleyebilir, (3) önemli alt grup etkilerinden şüphelenildiğinde ancak çalışmalarda tutarlı bir şekilde raporlanmadığında, (4) çalışma yazarlarından makul veri yanıtı (tipik olarak çalışmaların %50-80'i) sağlayabilirseniz veya (5) hasta düzeyindeki verileri elde etmek, uyumlaştırmak ve analiz etmek için kaynaklara (zaman, finansman, veri yönetimi uzmanlığı) sahipseniz. Yaygın uygulamalar, hassas tıp sorularının önemli olduğu kanser çalışmaları, kardiyovasküler müdahaleler ve kronik hastalık yönetimini içerir. Veri erişiminin ciddi şekilde kısıtlı olduğu veya anlamlı alt grup sorularının bulunmadığı durumlarda BHV-MA'dan kaçının.
Sınırlar ve dikkat edilmesi gerekenler
- Toplu meta-analizden önemli ölçüde daha zaman alıcı ve kaynak yoğun. Yazarlardan veri almak, hasta veri kümelerini düzenlemek ve uyumlaştırmak 12-24 ay sürer.
- Veri mevcudiyetine bağlıdır: çalışmalar gizlilik endişeleri, kaynak eksikliği veya veri kaybı nedeniyle veri paylaşmayı reddedebilir. Yanlış yanıt sonuçları yanlı hale getirebilir, çünkü negatif çalışmaların yanıt verme olasılığı daha düşüktür.
- Veri kalitesi çalışmadan çalışmaya değişebilir; eksik veya tutarsız ölçülen değişkenler analizleri sınırlar. Eksik veri örüntüleri çalışmaya göre farklılık gösterir ve dikkatli bir şekilde ele alınmasını gerektirir.
- İstatistiksel karmaşıklık artar; birden fazla etkileşim içeren hiyerarşik regresyon modellerini uyarlamak istatistiksel uzmanlık gerektirir ve dikkatli planlanmazsa aşırı uyuma eğilimli olabilir.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Heterojen çalışmalar arasında tutarlı sonuç tanımı ve alt grup analizi sağlayarak şeffaflığı artırır ve seçici raporlamadan kaynaklanan yanlılığı azaltır.
- Hangi hasta alt gruplarının en çok fayda gördüğünü belirleyerek tedavi-kovaryat etkileşimlerinin araştırılmasına olanak tanır - hassas tıp ve kişiselleştirilmiş tedavi önerileri için esastır.
- Toplu meta-analizden daha kesin etki tahminleri üretir, çünkü tüm mevcut verileri kullanır ve çalışma düzeyindeki kümelenmeyi düzeltir.
- Özet düzeyindeki meta-analizin kaçırabileceği, özellikle alt grup etkilerinin küçük veya tutarsız raporlandığı durumlarda farklı tedavi etkilerini tespit eder.
- Çalışma düzeyindeki heterojenliğin araştırılmasına olanak tanır: sonuç değişkenliğini açıklayan çalışma tasarım özellikleri, uygulama sadakati veya hasta popülasyonu özellikleri.
Uygulama alanları
- Kanser ilaç denemeleri: yeni bir onkoloji tedavisinden hangi tümör alt tiplerinin, moleküler belirteçlerin veya hasta yaşlarının fayda gördüğünü belirlemek için birden fazla RKÇ'nin BHV-MA'sı.
- Kardiyovasküler müdahale: hangi hastaların (yaş, başlangıç riski, komorbiditelere göre) anjiyoplasti veya tıbbi tedaviye fayda gördüğünü belirlemek için birden fazla kalp hastalığı çalışmasından bireysel hasta verilerinin sentezlenmesi.
- Psikiyatrik tedavi: hangi hastaların (semptom profili, yaş, komorbiditeye göre) bilişsel-davranışçı veya kişilerarası tedaviye daha iyi yanıt verdiğini belirlemek için psikoterapi RKÇ'lerinin BHV-MA'sı.
- Tanı testi doğruluğu: farklı hasta risk katmanlarında test doğruluğunu değerlendirmek, ne zaman kullanılacağını iyileştirmek için tanısal görüntüleme veya biyobelirteç çalışmalarının BHV-MA'sı.
- Hassas tıp denemeleri: kişiselleştirilmiş tıp için tedavi seçimi algoritmalarının geliştirilmesini destekleyerek hasta-tedavi etkileşimlerini belirlemek için birden fazla çalışmayı birleştiren BHV-MA.
Nasıl çalışır?
Nasıl çalışır?
Standart sistematik derleme protokollerini izleyerek kapsamlı bir sistematik derleme yürütün: protokolünüzü (PROSPERO) kaydedin, PICO kriterlerini tanımlayın, birden fazla veritabanını arayın, başlıkları ve özetleri tarayın ve uygun randomize kontrollü çalışmaları belirleyin (tipik olarak RKÇ'ler; gözlemsel çalışmalar dahil edilebilir ancak açıkça ayırt edilmelidir). Bireysel hasta verilerinin dahil edilmesi için tüm çalışma yazarları ve veri sorumluları ile iletişime geçin. İhtiyacınız olan veri değişkenlerini belirtin: başlangıç özellikleri (yaş, cinsiyet, hastalık şiddeti, komorbiditeler), tedavi ataması, protokole uyum ve sonuç ölçümleri (zamanlama çalışmalar arasında standartlaştırılmalıdır). Veri transfer anlaşmaları, güvenli veri depoları (örneğin, şifreli üniversite sunucuları) ve zaman çizelgeleri sağlayın. Tüm çalışmaların yanıt vermeyeceğini veya veri sağlamayacağını bekleyin; yanıt oranlarını ve yanıt vermeme nedenlerini belgeleyin. Çalışmalar arasında verileri uyumlaştırın: değişkenler farklı şekilde kodlanabilir (A Çalışmasında yaş aralıkları vs B Çalışmasında kesin yaşlar); tutarlı değişken tanımlarına sahip bir ana veri kümesi oluşturun. Tamlığı değerlendirin: eksik veri örüntülerini belirleyin ve atama stratejilerine karar verin.
Hasta özelliklerini, çalışma kimliğini, tedavi atamasını ve ilgi alanındaki etkileşimleri içeren bir regresyon modeli (en yaygın olarak sürekli sonuçlar için doğrusal karma model veya ikili sonuçlar için lojistik karma model) uyarak tek aşamalı bir meta-analiz gerçekleştirin. Bu yaklaşım, hastaların çalışmalar içindeki kümelenmesini doğru bir şekilde hesaba katar. Alternatif olarak, önce çalışma özelinde analizlerin yapıldığı, ardından çalışma sonuçlarının birleştirildiği (çalışmalar arasında standartlaştırılmış analizlerle geleneksel meta-analize benzer) iki aşamalı yöntemler kullanın. Genel olarak ve önceden belirlenmiş alt gruplara (yaş grupları, cinsiyet, hastalık şiddeti) göre tedavi etkilerini inceleyin: tedavi tüm hastalar için eşit derecede iyi çalışıyor mu, yoksa farklı etkiler var mı? Tedavi-kovaryat etkileşimleri için test yapın. Çalışmalar arasındaki heterojenliği değerlendirin: tedavi etkisi tutarlı mı, yoksa çalışma bağlamına göre önemli ölçüde değişiyor mu? Heterojenlik yüksekse, kaynakları araştırın (çalışma tasarım özellikleri, hasta popülasyonları, müdahale uygulaması). Hassasiyet analizleri yapın: sağlamlığı test etmek için küçük çalışmaları, yüksek kayıp oranına sahip çalışmaları veya aykırı çalışmaları hariç tutun.
Sonuçları hasta alt gruplarına göre net bir şekilde sınıflandırarak raporlayın: genel ve her önceden belirlenmiş alt grup için etki büyüklüğü (olasılık oranı, tehlike oranı veya ortalama fark) %95 güvenilir veya güven aralıkları ile. Etkileşim p-değerlerini ve tedavi etkisinin kovaryat aralıkları boyunca nasıl değiştiğini gösteren grafikleri sunun. Tedavi faydası tüm alt gruplarda benzerse, müdahalenin geniş çapta etkili olduğu sonucuna varın. Önemli etkileşimler varsa (örneğin, tedavi yaşlı hastalarda çalışır ancak gençlerde çalışmaz veya şiddetli hastalıkta çalışır ancak hafif hastalıkta çalışmazsa), bu farklı etkileri vurgulayın - bu bilgi klinik uygulamalar için eyleme geçirilebilir. Mümkünse sonuçları önceki özet düzeyindeki meta-analizle karşılaştırın: BHV-MA genellikle daha kesin tahminler verir ve toplu analizde kaçırılan alt grup etkilerini ortaya çıkarabilir. Hangi çalışmaların BHV sağladığını ve yanıt vermeme nedeniyle hariç tutulan çalışmaları belgeleyin; eksik çalışmaların sonuçları yanlı hale getirebileceğini değerlendirin (örneğin, negatif çalışmaların veri paylaşma olasılığı daha düşükse). Uygulama için çıkarımları tartışın: Hangi alt gruplar için tedavi önerin? Daha fazla araştırma gerektiren popülasyonları vurgulayın. Genel etki ve anahtar alt grup etkileri için kanıt kesinliğini derecelendirmek üzere GRADE yaklaşımını kullanın.
Sık yapılan hatalar
- Önceden belirlenmemiş keşifsel alt grup analizlerinin yürütülmesi. Test edilen birçok alt grup etkileşimi (örneğin, tedavi × yaş, tedavi × cinsiyet, tedavi × başlangıç şiddeti) yanlış pozitif oranını artırır. Analizleri önceden kaydedin ve birden fazla test için p-değerlerini ayarlayın.
- Eksik verilerin rastgele eksik olduğu (MCAR) varsayımı, test edilmeden. Daha hasta hastaların eksik sonuç verilerine sahip olma olasılığı daha yüksekse, analiz tedavi faydasını abartabilir. Farklı eksik veri varsayımları altında hassasiyet analizleri yapın.
- Küçük alt gruplardaki alt grup etkilerinin aşırı yorumlanması. Bir alt grupta yalnızca 50 hasta varsa, alt grup etki tahmininin etrafındaki güven aralıkları geniş olacaktır; kesin olmayan tahminlere dayalı güçlü klinik önerilerden kaçının.
- Çalışma düzeyindeki kümelenmenin göz ardı edilmesi. Tüm hasta verilerinin bağımsızmış gibi analiz edilmesi (çalışma kümelenmesini hesaba katan karma modeller kullanmak yerine) varyansı hafife alır ve Tip I hata oranını yükseltir.
Sık sorulan sorular
BHV meta-analizi ile toplu (özet düzeyinde) meta-analizi arasındaki fark nedir?
Toplu meta-analiz, birden fazla çalışmadan yayınlanmış etki tahminlerini (örneğin, olasılık oranları) birleştirir. BHV meta-analizi, ham hasta düzeyindeki verileri elde eder ve bunları merkezi olarak standartlaştırılmış yöntemlerle yeniden analiz eder. BHV, tutarlı alt grup analizlerine ve hasta-tedavi etkileşimlerinin araştırılmasına olanak tanır; toplu meta-analiz, genellikle tutarsız veya eksik olan makalelerde bildirilen alt grup sonuçlarına dayanır. BHV daha titizdir ancak çok daha fazla kaynak gerektirir.
BHV meta-analizinde ne kadar eksik veri kabul edilebilir?
Hasta düzeyindeki eksik veriler (örneğin, bazı hastaların sonuç ölçümünün eksik olması) yaygındır ve atama yöntemleriyle ele alınabilir. Çalışma düzeyindeki eksik veriler (tüm çalışmanın BHV sağlamaması) daha sorunludur. Uygun çalışmaların %60-80'inden fazlasından BHV hedefleyin. Yanıt oranlarını belgeleyin ve eksik çalışmaların sistematik olarak farklılık gösterip göstermediğini değerlendirin (örneğin, negatif çalışmaların yanıt verme olasılığı daha düşük mü?). Yanıt %50'nin altındaysa, yanlılık riski artar; hassasiyet analizleri vazgeçilmez hale gelir.
BHV meta-analizinde tedavi-kovaryat etkileşimleri için nasıl test yaparım?
Etkileşim terimlerini karma etkili regresyon modelinize dahil edin (örneğin, tedavi × yaş, tedavi × başlangıç şiddeti). Etkileşim teriminin istatistiksel anlamlılığını test edin. Tedavi etkisini farklı kovaryat katmanları için ayrı ayrı tahmin edin (örneğin, yaş <65 vs ≥65). Etkileşimleri görselleştirmek için tedavi etkisini kovaryat aralıkları boyunca çizin. Birden fazla testten kaynaklanan yanlış pozitifleri önlemek için analiz edeceğiniz etkileşimleri önceden belirleyin.
RKÇ'leri ve gözlemsel çalışmaları BHV meta-analizinde birleştirebilir miyim?
Evet, ancak bunları açıkça ayırt edin ve analizde çalışma tasarımını hesaba katın (örneğin, bir çalışma tasarımı göstergesi içeren karma bir model kullanın). RKÇ'ler en güçlü nedensel kanıtı sağlar; gözlemsel çalışmalar genişlik katar ancak karıştırıcı risk taşır. Gözlemsel çalışmaların ayrı ayrı, RKÇ'lerle birlikte bir hassasiyet analizinde veya tamamen hariç tutulup tutulmayacağını önceden belirleyin. Çalışma tasarımına göre herhangi bir bulgu farkını belgeleyin.
İlgili yöntemler
Kaynaklar
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.
Yayın kaynağını açKopyalandı.Riley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ, 340, c221.
DOI kaynağını açKopyalandı.Higgins, P. T., & Green, S. (Eds.). (2011). Cochrane Handbook for Systematic Reviews of Interventions (Version 5.1.0). The Cochrane Collaboration.
Yayın kaynağını açKopyalandı.