Sévérité initiale et efficacité des antidépresseurs pour les troubles anxieux : une méta-analyse des données individuelles des patients

Étudier le design:

Le projet proposé est une méta-analyse des données individuelles des patients. Les chercheurs rassembleront les données de 29 essais contrôlés randomisés d'antidépresseurs de deuxième génération (en particulier : la paroxétine, la paroxétine à libération contrôlée (CR), la duloxétine et la fluoxétine) pour le traitement à court terme d'un trouble anxieux, incluant un total d'environ 8 800 participants. . Les troubles anxieux inclus dans le projet proposé sont le trouble anxieux généralisé (TAG), le trouble d'anxiété sociale (TAS), le trouble obsessionnel-compulsif (TOC), le trouble de stress post-traumatique (TSPT) et le trouble panique (TP). Des modèles mixtes linéaires généralisés seront utilisés pour déterminer si la gravité initiale des symptômes est liée à l'efficacité des antidépresseurs.

Plan d'analyse statistique :

Une analyse longitudinale distincte sera effectuée pour chaque trouble. Pour GAD, SAD, OCD et PTSD, des modèles mixtes linéaires seront utilisés ; pour la MP, un modèle mixte linéaire généralisé (régression binomiale négative multiniveaux) sera utilisé, car la variable dépendante de ce trouble (nombre d'attaques de panique) est une variable de comptage discrète. L'estimation du maximum de vraisemblance sera utilisée comme méthode d'estimation pour les modèles mixtes linéaires, tandis que l'approximation de Laplace sera utilisée comme méthode d'estimation pour la régression binomiale négative à plusieurs niveaux pour PD. Dans tous les modèles, l'occasion de mesure représente le niveau 1, les participants représentent le niveau 2 et l'essai représente le niveau 3. La mesure d'effet d'intérêt est le changement des symptômes par rapport à la ligne de base, sauf pour la MP, pour laquelle la mesure d'effet d'intérêt est le nombre total d'attaques de panique par deux semaines.

Le modèle initial sera construit en incluant tous les effets fixes d'intérêt, quelle que soit leur importance. Ceux-ci incluent la gravité initiale, le groupe de traitement et les covariables (voir ci-dessous). Les termes linéaires et quadratiques pour le temps (en jours depuis la ligne de base) seront inclus. Pour chaque participant, les dates de visite réelles seront utilisées (si disponibles) plutôt que la date de visite hebdomadaire prévue. Les interactions à deux et trois voies suivantes seront également incluses : gravité x groupe, gravité x temps linéaire, groupe x temps linéaire, gravité x groupe x temps linéaire, gravité x temps quadratique, groupe x temps quadratique, gravité x groupe x quadratique temps.

A l'aide de ce premier modèle, la structure variance-covariance des données imbriquées sera modélisée en incluant des effets aléatoires. Les effets aléatoires pour l'étude, le sujet et le temps (linéaire et quadratique), ainsi que diverses structures de covariance (erreurs non structurées, autocorrélées, Toeplitz, etc.) seront pris en compte. Le maximum de vraisemblance restreint (REML) sera utilisé pour l'estimation, et le modèle le mieux ajusté sera sélectionné en fonction du critère d'information d'Akaike (AICc).

Dans ce modèle le mieux ajusté, la rétrosélection avec maximum de vraisemblance (ML) sera utilisée pour sélectionner les effets fixes significatifs. Les termes d'interaction non significatifs seront supprimés du modèle (sauf si l'interaction à trois facteurs du groupe x la gravité x le temps (linéaire ou quadratique) est significative, auquel cas toutes les interactions à deux facteurs et les effets principaux qui utilisent ces variables seront conservés ). Le modèle le mieux adapté sera à nouveau sélectionné sur la base du critère d'information d'Akaike (AICc).

Covariables : les modèles avec et sans les covariables suivantes seront testés : l'âge, le sexe et la durée de la maladie (si disponible). Seul l'effet principal de ces covariables sera inclus ; aucune interaction avec d'autres variables ne sera incluse.

Données manquantes : les variables de base (telles que la gravité initiale) sont susceptibles d'être essentiellement complètes, mais certains scores de changement sont susceptibles d'être manquants en raison d'abandons ou d'occasions de mesure manquées. L'hypothèse est faite que ces données sont manquantes au hasard (MAR), c'est-à-dire que l'absence de la variable dépendante peut dépendre des variables observées (telles que les scores de symptômes précédents ou des covariables), mais elle ne dépend pas de la valeur de la variable non observée ( variable manquante). Lorsque MAR tient, le modèle mixte produit des estimations non biaisées des coefficients et des erreurs standard même lorsque certaines données sont manquantes, et aucune autre méthode de traitement des données manquantes n'est requise.