A kezdeti súlyosság és az antidepresszáns hatásosság szorongásos betegségek esetén: Egyéni betegadatok metaanalízise

Dizájnt tanulni:

A javasolt projekt egyéni betegadatok metaanalízise. A kutatók szorongásos rendellenességek rövid távú kezelésére szolgáló második generációs antidepresszánsokkal (konkrétan: paroxetin, paroxetin szabályozott felszabadulású (CR), duloxetin és fluoxetin) végzett 29 randomizált, kontrollált vizsgálat adatait fogják összegyűjteni, összesen körülbelül 8800 résztvevővel. . A javasolt projektben szereplő szorongásos rendellenességek a következők: generalizált szorongásos zavar (GAD), szociális szorongásos zavar (SAD), rögeszmés-kényszeres rendellenesség (OCD), poszttraumás stressz zavar (PTSD) és pánikbetegség (PD). Általánosított lineáris vegyes modelleket fogunk használni annak vizsgálatára, hogy a kezdeti tünetek súlyossága összefügg-e az antidepresszánsok hatékonyságával.

Statisztikai elemzési terv:

Minden rendellenességre külön longitudinális elemzést kell végezni. A GAD, SAD, OCD és PTSD esetében lineáris vegyes modelleket kell használni; A PD esetében általánosított lineáris vegyes modellt (többszintű negatív binomiális regresszió) használunk, mivel ennek a rendellenességnek a függő változója (a pánikrohamok száma) egy diszkrét számlálóváltozó. A lineáris vegyes modellek becslési módszereként a maximum likelihood becslést, míg a PD többszintű negatív binomiális regressziójának becslési módszereként Laplace-közelítést használunk. Minden modellben a mérési alkalom az 1. szintet, a résztvevők a 2. szintet, a próba pedig a 3. szintet jelenti. Az érdeklődésre számot tartó hatás mértéke a tünetek változása a kiindulási értékhez képest, kivéve a PD-t, amelynél az érdeklődésre számot tartó hatás mértéke a pánikrohamok teljes száma két héten belül.

A kezdeti modell úgy épül fel, hogy az összes fix hatást figyelembe veszi, függetlenül a jelentőségtől. Ide tartozik a kezdeti súlyosság, a kezelési csoport és a kovariánsok (lásd alább). Az idő lineáris és másodfokú kifejezései (napokban az alapvonaltól számítva) szerepelni fognak. Minden résztvevő esetében a tényleges látogatási dátumok kerülnek felhasználásra (ha rendelkezésre állnak), nem pedig a tervezett heti látogatási dátum. A következő két- és háromirányú interakciók is szerepelni fognak: súlyosság x csoport, súlyosság x lineáris idő, csoport x lineáris idő, súlyosság x csoport x lineáris idő, súlyosság x másodfokú idő, csoport x másodfokú idő, súlyosság x csoport x négyzetes idő idő.

Ezzel az első modellel a beágyazott adatok variancia-kovariancia struktúráját véletlenszerű hatások bevonásával modellezzük. Figyelembe kell venni a tanulmányozásra, a tárgyra és a (lineáris és kvadratikus) időre vonatkozó véletlenszerű hatásokat, valamint a különféle kovariancia-struktúrákat (strukturálatlan, autokorrelált hibák, Toeplitz stb.). A becsléshez a korlátozott maximális valószínűséget (REML) fogják használni, és a legjobban illeszkedő modellt választják ki az Akaike információs kritérium (AICc) alapján.

Ebben a legjobban illeszkedő modellben a visszafelé történő kiválasztás maximális valószínűséggel (ML) kerül felhasználásra a jelentős fix hatások kiválasztásához. A nem szignifikáns interakciós kifejezések eltávolításra kerülnek a modellből (kivéve, ha az x csoport súlyosság x (lineáris vagy kvadratikus) idő háromirányú kölcsönhatása jelentős, ebben az esetben minden kétirányú kölcsönhatás és fő hatás, amely ezeket a változókat használja, megmarad. ). A legjobban illeszkedő modellt ismét az Akaike Information Criterion (AICc) alapján választják ki.

Kovariánsok: A következő kovariánsokkal rendelkező és nem rendelkező modelleket teszteljük: életkor, nem és a betegség időtartama (ha elérhető). Csak ezeknek a kovariánsoknak a fő hatása kerül bele; más változókkal való interakciók nem kerülnek bele.

Hiányzó adatok: Az alapváltozók (például a kezdeti súlyosság) valószínűleg lényegében teljesek, de néhány változási pontszám valószínűleg hiányzik a lemorzsolódás vagy az elmulasztott mérési alkalmak miatt. Feltételezzük, hogy ezek az adatok véletlenszerűen hiányoznak (MAR), azaz: a függő változó hiánya függhet a megfigyelt változóktól (például a korábbi tünetek pontszámaitól vagy kovariánsaitól), de nem függ a nem megfigyelt értékétől ( hiányzó) változó. Ha a MAR teljesül, a vegyes modell torzítatlan becsléseket ad az együtthatókról és a standard hibákról még akkor is, ha néhány adat hiányzik, és nincs szükség más módszerre a hiányzó adatok kezelésére.