Počáteční závažnost a antidepresivní účinnost u úzkostných poruch: Metaanalýza údajů o jednotlivých pacientech

Studovat design:

Navrhovaným projektem je metaanalýza dat jednotlivých pacientů. Vyšetřovatelé shromáždí data z 29 randomizovaných kontrolovaných studií s antidepresivy druhé generace (konkrétně: paroxetin, paroxetin s řízeným uvolňováním (CR), duloxetin a fluoxetin) pro krátkodobou léčbu úzkostné poruchy, včetně celkem přibližně 8 800 účastníků. . Úzkostné poruchy, které jsou součástí navrhovaného projektu, jsou generalizovaná úzkostná porucha (GAD), sociální úzkostná porucha (SAD), obsedantně-kompulzivní porucha (OCD), posttraumatická stresová porucha (PTSD) a panická porucha (PD). Zobecněné lineární smíšené modely budou použity ke zkoumání, zda závažnost počátečních symptomů souvisí s účinností antidepresiv.

Plán statistické analýzy:

Pro každou poruchu bude provedena samostatná longitudinální analýza. Pro GAD, SAD, OCD a PTSD budou použity lineární smíšené modely; pro PD bude použit zobecněný lineární smíšený model (víceúrovňová negativní binomická regrese), protože závislou proměnnou pro tuto poruchu (počet záchvatů paniky) je diskrétní proměnná počtu. Odhad maximální věrohodnosti bude použit jako metoda odhadu pro lineární smíšené modely, zatímco Laplaceova aproximace bude použita jako metoda odhadu pro víceúrovňovou negativní binomickou regresi pro PD. Ve všech modelech představuje příležitost měření úroveň 1, účastníci představují úroveň 2 a pokus představuje úroveň 3. Měřítkem zájmu, který je předmětem zájmu, je změna symptomů od výchozí hodnoty, s výjimkou PD, pro kterou je měřítkem zájmu celkový počet záchvatů paniky za dva týdny.

Počáteční model bude vytvořen se zahrnutím všech fixních efektů zájmu, bez ohledu na význam. Patří mezi ně počáteční závažnost, léčebná skupina a kovariáty (viz níže). Budou zahrnuty lineární a kvadratické členy pro čas (ve dnech od základní linie). Pro každého účastníka budou použita skutečná data návštěvy (pokud jsou k dispozici) spíše než zamýšlené týdenní datum návštěvy. Budou zahrnuty také následující dvou- a třícestné interakce: závažnost x skupina, závažnost x lineární čas, skupina x lineární čas, závažnost x skupina x lineární čas, závažnost x kvadratický čas, skupina x kvadratický čas, závažnost x skupina x kvadratický čas.

Pomocí tohoto prvního modelu bude modelována struktura rozptylu a kovariance vnořených dat zahrnutím náhodných efektů. Budou uvažovány náhodné efekty pro studium, předmět a (lineární a kvadratický) čas, stejně jako různé kovarianční struktury (nestrukturované, autokorelované chyby, Toeplitz atd.). Pro odhad bude použita omezená maximální pravděpodobnost (REML) a nejvhodnější model bude vybrán na základě Akaike Information Criterion (AICc).

V tomto nejlépe padnoucím modelu bude k výběru významných fixních efektů použit zpětný výběr s maximální pravděpodobností (ML). Nevýznamné interakční členy budou z modelu odstraněny (pokud není významná třícestná interakce skupina x závažnost x (lineární nebo kvadratický) čas, v takovém případě budou zachovány všechny obousměrné interakce a hlavní efekty, které tyto proměnné využívají. ). Nejlépe padnoucí model bude opět vybrán na základě Akaike Information Criterion (AICc).

Proměnné: Budou testovány modely s následujícími proměnnými a bez nich: věk, pohlaví a trvání nemoci (pokud jsou k dispozici). Bude zahrnut pouze hlavní účinek těchto kovariát; nebudou zahrnuty žádné interakce s jinými proměnnými.

Chybějící údaje: Výchozí proměnné (jako je počáteční závažnost) jsou pravděpodobně v podstatě úplné, ale pravděpodobně budou chybět některá skóre změn v důsledku opuštění nebo zmeškaných měření. Předpokládá se, že tato data chybí náhodně (MAR), to znamená: chybějící závislá proměnná může záviset na pozorovaných proměnných (jako je skóre předchozích symptomů nebo kovariáty), ale nezávisí na hodnotě nepozorované ( chybí) proměnná. Když platí MAR, smíšený model poskytuje nezkreslené odhady koeficientů a standardních chyb, i když některá data chybí, a nejsou vyžadovány žádné další metody pro zpracování chybějících dat.