个体患者数据荟萃分析
- 提出者
- Cochrane Collaboration, Pioneered by Stewart & Clarke
- 年份
- 1990s
- 类型
- Method
- 类别
- Advanced Meta-Analysis
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
个体患者数据荟萃分析(IPD-MA)是一种系统合成方法,研究人员通过该方法获取并分析来自多个随机对照试验的患者层面原始数据,而非依赖已发表的汇总统计数据(聚合数据)。IPD-MA由Cochrane协作网率先提出,并由Stewart、Clarke和Riley正式确立,被认为是证据合成的“金标准”,因为它能够在不同试验间实现结果定义的一致性、进行稳健的亚组分析,并检测治疗-协变量交互作用。尽管耗时且资源密集,IPD-MA能提供最可靠的干预效果估计,是关键临床决策的首选方法,尤其适用于识别哪些患者能从治疗中获益最多。
方法背后的直觉
标准荟萃分析结合了已发表论文中报告的汇总结果(优势比、均数差)。然而,已发表论文仅报告研究者选择强调的结果和亚组,且不同试验可能对结果或亚组的定义不一致。IPD-MA通过从试验数据库获取实际的患者层面数据来解决此问题:包括每位患者的年龄、基线特征、分配的治疗和结局。利用原始数据,研究人员可以(1)标准化不同试验间的结局定义,(2)公平地进行亚组分析(比较所有试验中具有特征X的患者,而不仅仅是发表了该亚组的试验),(3)调查治疗-协变量交互作用(治疗对老年患者是否比年轻患者更有效?),以及(4)检测汇总层面荟萃分析可能遗漏的差异治疗效果。IPD-MA是精准医学和治疗个性化的基准。
历史学
个体患者数据荟萃分析在20世纪90年代兴起,当时Cochrane协作网认识到IPD可以解决聚合荟萃分析的局限性。先驱性研究,特别是在癌症和心血管疾病领域,表明IPD-MA可以识别亚组效应并提供更细致的治疗指导。Stewart和Clarke在21世纪的 методологическая 工作标准化了IPD-MA方案。Riley及其同事在混合模型框架中推进了处理IPD的统计方法。主要的临床联盟(CTG、EBCTCG)现在将IPD-MA作为解决精准医学问题的荟萃分析标准。IPD存储库(Vivli、YODA Project)已发展壮大,以促进荟萃分析的数据共享并减轻个体试验作者的负担。
何时使用
在以下情况下进行IPD-MA:(1)对治疗效果的精确、亚组特异性理解对临床决策至关重要(例如,识别哪些癌症患者能从新药中获益),(2)已发表的汇总层面荟萃分析显示异质性或冲突结果,且IPD分析可能澄清机制或识别调节因素,(3)怀疑存在重要的亚组效应但未在试验中一致报告,(4)您可以从试验作者那里获得合理的数据响应(通常为50-80%的试验),或(5)您拥有获取、协调和分析患者层面数据的资源(时间、资金、数据管理专业知识)。常见应用包括癌症试验、心血管干预和慢性病管理,这些领域中精准医学问题至关重要。如果数据获取受到严重限制或不存在有意义的亚组问题,则避免进行IPD-MA。
局限与注意事项
- 比聚合荟萃分析耗时和资源密集得多。从试验作者处获取数据、整理和协调患者数据集需要12-24个月。
- 依赖于数据可用性:试验可能因隐私问题、资源不足或数据丢失而拒绝分享数据。如果阴性试验更不愿分享数据,不响应可能导致结果偏倚。
- 数据质量可能因试验而异;不完整或测量不一致的变量会限制分析。缺失数据模式因试验而异,需要仔细处理。
- 统计复杂性增加;拟合包含多个交互作用的层次回归模型需要统计专业知识,如果规划不周,可能导致过度拟合。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 实现不同异质性试验间标准化结局定义和一致的亚组分析,提高透明度并减少选择性报告带来的偏倚。
- 允许调查治疗与协变量的交互作用,识别哪些患者亚组获益最大——这对于精准医学和个性化治疗建议至关重要。
- 通过使用所有可用数据并校正试验层面的聚类,通常比聚合荟萃分析产生更精确的效应估计。
- 检测汇总层面荟萃分析可能遗漏的差异治疗效果,尤其是在亚组效应较小或报告不一致时。
- 能够调查试验层面的异质性:解释结局变异的试验设计特征、实施忠实度或患者群体特征。
应用
- 癌症药物试验:对多个RCT进行IPD-MA,以识别哪些肿瘤亚型、分子标志物或患者年龄能从新的肿瘤治疗中获益。
- 心血管干预:综合多个心脏病试验的个体患者数据,以确定哪些患者(按年龄、基线风险、合并症)能从血管成形术与药物治疗中获益。
- 精神科治疗:对心理治疗RCT进行IPD-MA,以识别哪些患者(按症状特征、年龄、合并症)对认知行为疗法与人际关系疗法反应最佳。
- 诊断测试准确性:对诊断成像或生物标志物研究进行IPD-MA,以评估不同患者风险分层下的测试准确性,从而优化测试的使用时机。
- 精准医学试验:结合多项研究的IPD-MA,以识别患者-治疗交互作用,支持开发个性化医学的治疗选择算法。
使用方式
使用方式
遵循标准系统评价方案进行全面的系统评价:注册您的方案(PROSPERO),定义PICO标准,搜索多个数据库,筛选标题和摘要,并识别符合条件的随机对照试验(通常是RCT;观察性研究可以纳入,但必须明确区分)。联系所有试验作者和数据保管人,请求纳入个体患者数据。明确您所需的数据变量:基线特征(年龄、性别、疾病严重程度、合并症)、治疗分配、方案依从性以及结局测量(时间点必须在所有试验中标准化)。提供数据传输协议、安全数据存储库(例如,带有加密的大学服务器)和时间表。预计并非所有试验都会响应或提供数据;记录响应率和未响应的原因。协调不同试验间的数据:变量编码可能不同(试验A中的年龄范围与试验B中的确切年龄);创建具有一致变量定义的主数据集。评估完整性:识别缺失数据模式并决定归因策略。
通过拟合回归模型(最常见的是用于连续结局的线性混合模型或用于二元结局的逻辑混合模型)进行一阶段荟萃分析,该模型包含患者特征、试验标识、治疗分配和感兴趣的交互作用。这种方法能正确地解释患者在试验内的聚类。或者,使用两阶段方法,即首先进行试验特异性分析,然后结合试验结果(类似于传统荟萃分析,但在试验间采用标准化分析)。总体和按预设亚组(年龄组、性别、疾病严重程度)检查治疗效果:治疗对所有患者是否同样有效,或者是否存在差异效果?检验治疗与协变量的交互作用。评估试验间的异质性:治疗效果是否一致,或者是否因试验背景而显著不同?如果异质性高,探索其来源(试验设计特征、患者群体、干预实施)。进行敏感性分析:排除小型试验、排除依从性差的试验或排除异常试验以检验稳健性。
报告结果时应按患者亚组进行清晰分层:效应量(优势比、风险比或均数差)及其95%可信区间或置信区间,包括总体和每个预设亚组的结果。呈现交互作用p值和图表,显示治疗效果如何随协变量范围变化。如果治疗益处在所有亚组中相似,则得出结论认为干预措施普遍有效。如果存在显著交互作用(例如,治疗对老年患者有效但对年轻患者无效,或对重症有效但对轻症无效),则强调这些差异效果——这些信息对临床实践具有指导意义。如果可用,将结果与先前的汇总层面荟萃分析进行比较:IPD-MA通常能提供更精确的估计,并可能揭示聚合分析中遗漏的亚组效应。记录哪些试验贡献了IPD以及因未响应而被排除的试验;评估缺失试验是否可能导致结果偏倚(例如,如果阴性试验更不愿分享数据)。讨论对实践的启示:建议对哪些亚组进行治疗?强调需要进一步研究的群体。使用GRADE方法评估总体效应和关键亚组效应的证据确定性。
常见陷阱
- 在未预先指定的情况下进行探索性亚组分析。测试许多亚组交互作用(例如,治疗×年龄、治疗×性别、治疗×基线严重程度)会增加假阳性率。预先注册分析并调整多重检验的p值。
- 未进行检验就假设缺失数据是完全随机缺失(MCAR)。如果病情较重的患者更可能缺失结局数据,分析可能会高估治疗益处。在不同缺失数据假设下进行敏感性分析。
- 过度解读小型亚组中的亚组效应。如果一个亚组中只有50名患者,亚组效应估计的可信区间将很宽;避免基于不精确的估计做出强有力的临床建议。
- 忽略试验层面的聚类。将所有患者数据视为独立(而不是使用考虑试验聚类的混合模型)会低估方差并夸大I型错误率。
常见问题
IPD荟萃分析与聚合(汇总层面)荟萃分析有何区别?
聚合荟萃分析结合了来自多个试验的已发表效应估计(例如,优势比)。IPD荟萃分析获取原始患者层面数据,并使用标准化方法进行集中再分析。IPD允许进行一致的亚组分析和患者-治疗交互作用的探索;聚合荟萃分析依赖于论文中报告的亚组结果,这些结果通常不一致或缺失。IPD更为严谨,但资源密集得多。
IPD荟萃分析中可接受的缺失数据量是多少?
患者层面的缺失数据(例如,一些患者缺失结局测量)很常见,可以通过归因方法处理。试验层面的缺失数据(整个试验未提供IPD)问题更大。目标是获得60-80%以上符合条件的试验的IPD。记录响应率并评估缺失试验是否存在系统性差异(例如,阴性试验是否更不愿响应?)。如果响应率低于50%,偏倚风险增加;敏感性分析变得至关重要。
如何在IPD荟萃分析中检验治疗与协变量的交互作用?
在您的混合效应回归模型中包含交互项(例如,治疗×年龄、治疗×基线严重程度)。检验交互项的统计显著性。分别估计不同协变量分层(例如,年龄<65岁与≥65岁)的治疗效果。绘制治疗效果随协变量范围变化的图表以可视化交互作用。在分析数据之前预先指定您将检验哪些交互作用,以避免多重检验导致的假阳性。
我可以在IPD荟萃分析中结合RCT和观察性研究吗?
可以,但要明确区分它们并在分析中考虑研究设计(例如,使用包含研究设计指示符的混合模型)。RCT提供最强的因果证据;观察性研究增加了广度,但存在混杂风险。预先指定观察性研究是单独分析、与RCT一起进行敏感性分析,还是完全排除。记录不同研究设计在发现上的任何差异。
相关方法
参考文献
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.
打开出版物文献已复制。Riley, R. D., Lambert, P. C., & Abo-Zaid, G. (2010). Meta-analysis of individual participant data: rationale, conduct, and reporting. BMJ, 340, c221.
打开 DOI 文献已复制。Higgins, P. T., & Green, S. (Eds.). (2011). Cochrane Handbook for Systematic Reviews of Interventions (Version 5.1.0). The Cochrane Collaboration.
打开出版物文献已复制。