Alkuvakavuus ja masennuslääketeho ahdistuneisuushäiriöissä: Yksittäinen potilastietojen meta-analyysi

Opintojen suunnittelu:

Ehdotettu projekti on yksilöllinen potilastietojen meta-analyysi. Tutkijat kokoavat tietoja 29 satunnaistetusta kontrolloidusta tutkimuksesta, joissa käytettiin toisen sukupolven masennuslääkkeitä (erityisesti: paroksetiinia, paroksetiinia kontrolloidusti vapauttavaa (CR), duloksetiinia ja fluoksetiinia) ahdistuneisuushäiriön lyhytaikaista hoitoa varten, mukaan lukien yhteensä noin 8 800 osallistujaa. . Ehdotettuun hankkeeseen sisältyvät ahdistuneisuushäiriöt ovat yleistynyt ahdistuneisuushäiriö (GAD), sosiaalinen ahdistuneisuushäiriö (SAD), pakko-oireinen häiriö (OCD), posttraumaattinen stressihäiriö (PTSD) ja paniikkihäiriö (PD). Yleistettyjä lineaarisia sekamalleja käytetään tutkimaan, liittyykö oireiden alkuvakavuus masennuslääkkeen tehoon.

Tilastollinen analyysisuunnitelma:

Jokaiselle häiriölle tehdään erillinen pitkittäisanalyysi. GAD-, SAD-, OCD- ja PTSD:ssä käytetään lineaarisia sekamalleja; PD:ssä käytetään yleistettyä lineaarista sekamallia (monitasoinen negatiivinen binomiaalinen regressio), koska tämän häiriön riippuva muuttuja (paniikkikohtausten määrä) on diskreetti lukumuuttuja. Lineaaristen sekamallien estimointimenetelmänä käytetään maksimitodennäköisyyden estimointia, kun taas PD:n monitasoisen negatiivisen binomiaalisen regression estimointimenetelmänä käytetään Laplacen approksimaatiota. Kaikissa malleissa mittaustilaisuus edustaa tasoa 1, osallistujat edustavat tasoa 2 ja kokeilu edustaa tasoa 3. Kiinnostuksen kohteena oleva vaikutusmitta on oireiden muutos lähtötilanteesta lukuun ottamatta PD:tä, jonka kiinnostava vaikutusmitta on paniikkikohtausten kokonaismäärä kahden viikon aikana.

Alkuperäinen malli rakennetaan ottamalla mukaan kaikki kiinnostavat kiinteät vaikutukset merkityksestä riippumatta. Näitä ovat alkuvakavuus, hoitoryhmä ja yhteismuuttujat (katso alla). Lineaariset ja neliölliset ajan termit (päivinä lähtötasosta) otetaan mukaan. Jokaisen osallistujan osalta käytetään todellisia vierailupäiviä (jos saatavilla) aiotun viikoittaisen vierailupäivän sijaan. Mukaan otetaan myös seuraavat kaksi- ja kolmisuuntaiset vuorovaikutukset: vakavuus x ryhmä, vakavuus x lineaarinen aika, ryhmä x lineaarinen aika, vakavuus x ryhmä x lineaarinen aika, vakavuus x neliöllinen aika, ryhmä x neliöllinen aika, vakavuus x ryhmä x neliö aika.

Tätä ensimmäistä mallia käyttämällä sisäkkäisten tietojen varianssi-kovarianssirakenne mallinnetaan sisällyttämällä satunnaisvaikutukset. Satunnaiset vaikutukset tutkimukseen, aiheeseen ja (lineaariseen ja neliölliseen) aikaan sekä erilaiset kovarianssirakenteet (strukturoimattomat, autokorreloidut virheet, Toeplitz jne.) otetaan huomioon. Arviointiin käytetään rajoitettua maksimitodennäköisyyttä (REML), ja parhaiten sopiva malli valitaan Akaike Information Criterionin (AICc) perusteella.

Tässä parhaiten sopivassa mallissa merkittävien kiinteiden tehosteiden valitsemiseen käytetään taaksepäin tapahtuvaa valintaa suurimmalla todennäköisyydellä (ML). Ei-merkittävät vuorovaikutustermit poistetaan mallista (ellei ryhmän x vakavuus x (lineaarinen tai neliöllinen) aika kolmisuuntainen vuorovaikutus ole merkittävä, jolloin kaikki näitä muuttujia käyttävät kaksisuuntaiset vuorovaikutukset ja päävaikutukset säilyvät ). Parhaiten istuva malli valitaan jälleen Akaike Information Criterionin (AICc) perusteella.

Kovariaatit: Mallit, joissa on tai ei ole seuraavia yhteismuuttujia, testataan: ikä, sukupuoli ja sairauden kesto (jos saatavilla). Vain näiden yhteismuuttujien päävaikutus otetaan mukaan; vuorovaikutuksia muiden muuttujien kanssa ei sisällytetä.

Puuttuvat tiedot: Perusmuuttujat (kuten alkuperäinen vakavuus) ovat todennäköisesti oleellisesti täydellisiä, mutta jotkin muutospisteet todennäköisesti puuttuvat keskeytysten tai mittausten väliin jäämisen vuoksi. Oletuksena on, että nämä tiedot puuttuvat satunnaisesti (MAR), toisin sanoen: riippuvan muuttujan puuttuminen voi riippua havaituista muuttujista (kuten aiemmista oirepisteistä tai yhteismuuttujista), mutta se ei riipu havaitsemattoman ( puuttuva) muuttuja. Kun MAR on voimassa, sekamalli tuottaa puolueettomia arvioita kertoimista ja standardivirheistä, vaikka osa tiedoista puuttuisi, eikä muita menetelmiä puuttuvan datan käsittelemiseksi tarvita.