Anfänglicher Schweregrad und Wirksamkeit von Antidepressiva bei Angststörungen: eine individuelle Patientendaten-Metaanalyse

Studiendesign:

Das vorgeschlagene Projekt ist eine individuelle Patientendaten-Metaanalyse. Die Forscher werden Daten aus 29 randomisierten kontrollierten Studien mit Antidepressiva der zweiten Generation (insbesondere: Paroxetin, Paroxetin mit kontrollierter Freisetzung (CR), Duloxetin und Fluoxetin) zur Kurzzeitbehandlung einer Angststörung zusammenstellen, darunter insgesamt etwa 8.800 Teilnehmer . Die in das vorgeschlagene Projekt einbezogenen Angststörungen sind generalisierte Angststörung (GAD), soziale Angststörung (SAD), Zwangsstörung (OCD), posttraumatische Belastungsstörung (PTSD) und Panikstörung (PD). Verallgemeinerte lineare gemischte Modelle werden verwendet, um zu untersuchen, ob die Schwere der anfänglichen Symptome mit der Wirksamkeit von Antidepressiva zusammenhängt.

Statistischer Analyseplan:

Für jede Störung wird eine separate Längsschnittanalyse durchgeführt. Für GAD, SAD, OCD und PTSD werden lineare gemischte Modelle verwendet; für PD wird ein verallgemeinertes lineares gemischtes Modell (mehrstufige negative binomiale Regression) verwendet, da die abhängige Variable für diese Störung (Anzahl der Panikattacken) eine diskrete Zählvariable ist. Die Maximum-Likelihood-Schätzung wird als Schätzmethode für die linearen gemischten Modelle verwendet, während die Laplace-Näherung als Schätzmethode für die mehrstufige negative binomiale Regression für PD verwendet wird. In allen Modellen entspricht der Messzeitpunkt der Stufe 1, die Teilnehmer der Stufe 2 und der Versuch der Stufe 3. Das interessierende Effektmaß ist die Veränderung der Symptome gegenüber dem Ausgangswert, mit Ausnahme von PD, für das das interessierende Effektmaß die Gesamtzahl der Panikattacken pro zwei Wochen ist.

Das anfängliche Modell wird erstellt, indem alle festen interessierenden Effekte unabhängig von ihrer Signifikanz eingeschlossen werden. Dazu gehören anfänglicher Schweregrad, Behandlungsgruppe und Kovariaten (siehe unten). Lineare und quadratische Terme für die Zeit (in Tagen seit der Baseline) werden eingeschlossen. Für jeden Teilnehmer werden die tatsächlichen Besuchsdaten (falls verfügbar) und nicht die beabsichtigten wöchentlichen Besuchsdaten verwendet. Die folgenden Zwei- und Drei-Wege-Wechselwirkungen werden ebenfalls eingeschlossen: Schweregrad x Gruppe, Schweregrad x lineare Zeit, Gruppe x lineare Zeit, Schweregrad x Gruppe x lineare Zeit, Schweregrad x quadratische Zeit, Gruppe x quadratische Zeit, Schweregrad x Gruppe x quadratisch Zeit.

Unter Verwendung dieses ersten Modells wird die Varianz-Kovarianz-Struktur der verschachtelten Daten modelliert, indem Zufallseffekte eingeschlossen werden. Dabei werden zufällige Effekte für Studien-, Fach- und (lineare und quadratische) Zeit sowie verschiedene Kovarianzstrukturen (unstrukturierte, autokorrelierte Fehler, Toeplitz etc.) berücksichtigt. Restricted Maximum Likelihood (REML) wird zur Schätzung verwendet, und das am besten passende Modell wird basierend auf dem Akaike Information Criterion (AICc) ausgewählt.

In diesem am besten passenden Modell wird eine Rückwärtsauswahl mit maximaler Wahrscheinlichkeit (ML) verwendet, um die signifikanten festen Effekte auszuwählen. Nicht signifikante Wechselwirkungsterme werden aus dem Modell entfernt (es sei denn, die Dreiwege-Wechselwirkung von Gruppe x Schweregrad x (linear oder quadratisch) Zeit ist signifikant, in diesem Fall werden alle Zweiwege-Wechselwirkungen und Haupteffekte, die diese Variablen verwenden, beibehalten ). Das am besten passende Modell wird wiederum basierend auf dem Akaike Information Criterion (AICc) ausgewählt.

Kovariaten: Modelle mit und ohne die folgenden Kovariaten werden getestet: Alter, Geschlecht und Krankheitsdauer (falls verfügbar). Nur der Haupteffekt dieser Kovariaten wird eingeschlossen; es werden keine Wechselwirkungen mit anderen Variablen eingeschlossen.

Fehlende Daten: Baseline-Variablen (z. B. anfänglicher Schweregrad) sind wahrscheinlich im Wesentlichen vollständig, aber einige Änderungswerte fehlen wahrscheinlich aufgrund von Ausfällen oder verpassten Messgelegenheiten. Es wird angenommen, dass diese Daten zufällig fehlen (MAR), d. h.: Das Fehlen der abhängigen Variablen kann von beobachteten Variablen abhängen (wie z. fehlt) Variable. Wenn MAR gilt, liefert das gemischte Modell unvoreingenommene Schätzungen von Koeffizienten und Standardfehlern, selbst wenn einige Daten fehlen, und es sind keine anderen Methoden zum Umgang mit fehlenden Daten erforderlich.