Gravedad inicial y eficacia antidepresiva para los trastornos de ansiedad: un metanálisis de datos de pacientes individuales

Diseño del estudio:

El proyecto propuesto es un metanálisis de datos de pacientes individuales. Los investigadores recopilarán datos de 29 ensayos controlados aleatorios de antidepresivos de segunda generación (específicamente: paroxetina, liberación controlada (CR) de paroxetina, duloxetina y fluoxetina) para el tratamiento a corto plazo de un trastorno de ansiedad, incluido un total de aproximadamente 8800 participantes. . Los trastornos de ansiedad que se incluyen en el proyecto propuesto son el trastorno de ansiedad generalizada (TAG), el trastorno de ansiedad social (SAD), el trastorno obsesivo-compulsivo (TOC), el trastorno de estrés postraumático (TEPT) y el trastorno de pánico (TP). Se utilizarán modelos mixtos lineales generalizados para investigar si la gravedad de los síntomas iniciales está relacionada con la eficacia antidepresiva.

Plan de análisis estadístico:

Se realizará un análisis longitudinal separado para cada trastorno. Para GAD, SAD, OCD y PTSD, se utilizarán modelos mixtos lineales; para la EP, se utilizará un modelo mixto lineal generalizado (regresión binomial negativa multinivel), ya que la variable dependiente para este trastorno (número de ataques de pánico) es una variable de conteo discreta. La estimación de máxima verosimilitud se utilizará como método de estimación para los modelos mixtos lineales, mientras que la aproximación de Laplace se utilizará como método de estimación para la regresión binomial negativa multinivel para PD. En todos los modelos, la ocasión de medición representa el nivel 1, los participantes representan el nivel 2 y la prueba representa el nivel 3. La medida de efecto de interés es el cambio en los síntomas desde el inicio, excepto para la EP, para la cual la medida de efecto de interés es el número total de ataques de pánico por dos semanas.

El modelo inicial se construirá incluyendo todos los efectos fijos de interés, independientemente de su importancia. Estos incluyen la gravedad inicial, el grupo de tratamiento y las covariables (ver más abajo). Se incluirán términos lineales y cuadráticos para el tiempo (en días desde la línea de base). Para cada participante, se utilizarán las fechas de visita reales (si están disponibles) en lugar de la fecha de visita semanal prevista. También se incluirán las siguientes interacciones de dos y tres vías: severidad x grupo, severidad x tiempo lineal, grupo x tiempo lineal, severidad x grupo x tiempo lineal, severidad x tiempo cuadrático, grupo x tiempo cuadrático, severidad x grupo x cuadrático hora.

Usando este primer modelo, la estructura de varianza-covarianza de los datos anidados será modelada incluyendo efectos aleatorios. Se considerarán los efectos aleatorios para el estudio, el sujeto y el tiempo (lineal y cuadrático), así como varias estructuras de covarianza (no estructuradas, errores autocorrelacionados, Toeplitz, etc.). Se utilizará la máxima verosimilitud restringida (REML) para la estimación, y se seleccionará el modelo que mejor se ajuste en función del criterio de información de Akaike (AICc).

En este modelo de mejor ajuste, se utilizará la selección hacia atrás con máxima verosimilitud (ML) para seleccionar los efectos fijos significativos. Los términos de interacción no significativos se eliminarán del modelo (a menos que la interacción triple de grupo x severidad x tiempo (lineal o cuadrático) sea significativa, en cuyo caso se conservarán todas las interacciones bidireccionales y los efectos principales que utilizan estas variables ). El modelo que mejor se ajuste se seleccionará nuevamente según el criterio de información de Akaike (AICc).

Covariables: Se probarán modelos con y sin las siguientes covariables: edad, sexo y duración de la enfermedad (si está disponible). Solo se incluirá el efecto principal de estas covariables; no se incluirán interacciones con otras variables.

Datos faltantes: es probable que las variables de línea de base (como la gravedad inicial) estén esencialmente completas, pero es probable que falten algunos puntajes de cambio debido a abandonos o ocasiones de medición perdidas. Se supone que estos datos faltan al azar (MAR), es decir: la falta de la variable dependiente puede depender de las variables observadas (como las puntuaciones de los síntomas previos o las covariables), pero no depende del valor de las no observadas ( faltante) variable. Cuando MAR se cumple, el modelo mixto produce estimaciones imparciales de coeficientes y errores estándar, incluso cuando faltan algunos datos, y no se requieren otros métodos para manejar los datos faltantes.