Indledende sværhedsgrad og antidepressiv effekt for angstlidelser: en individuel patientdata-metaanalyse

Studere design:

Det foreslåede projekt er en individuel patientdata-metaanalyse. Efterforskerne vil indsamle data fra 29 randomiserede kontrollerede forsøg med andengenerations antidepressiva (specifikt: paroxetin, paroxetin kontrolleret frigivelse (CR), duloxetin og fluoxetin) til korttidsbehandling af en angstlidelse, inklusive i alt ca. 8.800 deltagere . De angstlidelser, der indgår i det foreslåede projekt, er generaliseret angstlidelse (GAD), social angstlidelse (SAD), obsessiv-kompulsiv lidelse (OCD), posttraumatisk stresslidelse (PTSD) og panikangst (PD). Generaliserede lineære blandede modeller vil blive brugt til at undersøge, om indledende symptomsværhed er relateret til antidepressiv effekt.

Statistisk analyseplan:

En separat longitudinel analyse vil blive udført for hver lidelse. For GAD, SAD, OCD og PTSD vil der blive brugt lineære blandede modeller; for PD vil en generaliseret lineær blandet model (multilevel negativ binomial regression) blive brugt, da den afhængige variabel for denne lidelse (antal panikanfald) er en diskret tællevariabel. Maximum likelihood estimering vil blive brugt som estimeringsmetode for de lineære blandede modeller, mens Laplace approksimation vil blive brugt som estimeringsmetode for multilevel negative binomiale regression for PD. I alle modeller repræsenterer målebegivenhed niveau 1, deltagere repræsenterer niveau 2, og forsøg repræsenterer niveau 3. Effektmålet for interesse er ændringen i symptomer fra baseline, bortset fra PD, hvor effektmålet for interesse er det samlede antal panikanfald pr. to uger.

Den indledende model vil blive bygget ved at inkludere alle de faste effekter af interesse, uanset betydning. Disse omfatter initial sværhedsgrad, behandlingsgruppe og kovariater (se nedenfor). Lineære og kvadratiske termer for tid (i dage siden baseline) vil blive inkluderet. For hver deltager vil de faktiske besøgsdatoer blive brugt (hvis de er tilgængelige) i stedet for den påtænkte ugentlige besøgsdato. Følgende to- og trevejsinteraktioner vil også blive inkluderet: sværhedsgrad x gruppe, sværhedsgrad x lineær tid, gruppe x lineær tid, sværhedsgrad x gruppe x lineær tid, sværhedsgrad x kvadratisk tid, gruppe x kvadratisk tid, sværhedsgrad x gruppe x kvadratisk tid.

Ved at bruge denne første model vil varians-kovariansstrukturen af ​​de indlejrede data blive modelleret ved at inkludere tilfældige effekter. Tilfældige effekter for undersøgelse, emne og (lineær og kvadratisk) tid, samt forskellige kovariansstrukturer (ustrukturerede, autokorrelerede fejl, Toeplitz, etc.) vil blive overvejet. Restricted maximum likelihood (REML) vil blive brugt til estimering, og den bedst passende model vil blive udvalgt baseret på Akaike Information Criterion (AICc).

I denne bedst passende model vil bagudvalg med maksimal sandsynlighed (ML) blive brugt til at vælge de signifikante faste effekter. Ikke-signifikante interaktionsudtryk vil blive fjernet fra modellen (medmindre tre-vejs interaktionen af ​​gruppe x sværhedsgrad x (lineær eller kvadratisk) tid er signifikant, i hvilket tilfælde alle to-vejs interaktioner og hovedeffekter, der bruger disse variabler, vil blive bibeholdt ). Den bedst passende model vil igen blive valgt ud fra Akaike Information Criterion (AICc).

Kovariater: Modeller med og uden følgende kovariater vil blive testet: alder, køn og sygdomsvarighed (hvis tilgængelig). Kun hovedeffekten af ​​disse kovariater vil blive inkluderet; ingen interaktioner med andre variable vil blive inkluderet.

Manglende data: Baselinevariabler (såsom indledende sværhedsgrad) er sandsynligvis i det væsentlige fuldstændige, men nogle ændringsscore mangler sandsynligvis på grund af frafald eller manglende målebegivenheder. Det antages, at disse data mangler tilfældigt (MAR), det vil sige: mangler af den afhængige variabel kan afhænge af observerede variabler (såsom tidligere symptomscore eller kovariater), men det afhænger ikke af værdien af ​​den uobserverede ( mangler) variabel. Når MAR holder, giver den blandede model upartiske estimater af koefficienter og standardfejl, selv når nogle data mangler, og ingen andre metoder til at håndtere manglende data er nødvendige.