Az egyéni tünetek és az antidepresszánsokra adott válasz korai javulása súlyos depressziós zavarban szenvedő betegeknél

Dizájnt tanulni

A javasolt projekt egyéni betegadatok metaanalízise. A második generációs antidepresszánsok 31, súlyos depressziós rendellenességek kezelésére végzett vizsgálatának adatait a placebóval vagy a Food and Drug Administration (FDA) által jóváhagyott antidepresszánsokkal kezelt vizsgálati csoportok adatainak felhasználásával gyűjtik össze. Ezekben a vizsgálatokban összesen körülbelül 7800 antidepresszánssal és 3000 placebóval kezelt résztvevő vesz részt. A specifikus depressziós tünetek korai javulása és a kezelésre adott válasz közötti összefüggés vizsgálatára büntetett regressziós módszereket (különösen a legkisebb abszolút zsugorodást és szelekciós operátort, „lasszót”) alkalmazunk. Ezenkívül a kutatók megvizsgálják, hogy a korai javuló tünetek, valamint a korai javuló tünetek és a demográfiai változók, például az életkor és a nem közötti kölcsönhatások javítják-e a kezelés kimenetelének előrejelzését. Végül a kutatók azt is megvizsgálják, hogy a kezelésre adott válasz előrejelzése a specifikus tünetek korai javulásával függ-e az alkalmazott kezelés típusától (placebo, szelektív szerotonin újrafelvétel-gátlók [SSRI-k] vagy szerotonin-norepinefrin újrafelvétel-gátlók [SNRI-k]). gyógyszer-specifikus mechanizmust javasolna.

Statisztikai elemzési terv

Hiányzó adatok: A teljes esetek megközelítését alkalmazzuk, mivel érdekes a válasz és a remisszió előrejelzése azoknál a résztvevőknél, akik ténylegesen vettek antidepresszánst a meghatározott ideig. Ezért csak azokat a résztvevőket választják ki a fő elemzésekhez, akik érvényes kiindulási, 2. és 6. heti (±1) HDRS-pontszámmal rendelkeznek (vagy a 12. heti eredmények másodlagos elemzéséhez a 12. heti érvényes adatok).

Képzési és érvényesítési minta: Az adatokat véletlenszerűen osztják fel egy 80%-os képzési mintára és egy 20%-os validációs mintára (kezelési csoportonként rétegezve). A modell felfedezése a betanítási mintában történik, míg a modellek prediktív teljesítményét a validációs mintában értékeljük.

Előrejelzések: Az egyéni tünetek javulását a kiindulási és a 2. heti HDRS-elemekből kell levezetni. Ezekre a kérdésekre a válaszlehetőségek 0 és 2 között mozognak 7 tétel esetén, és 0 és 4 között 10 elem esetén. A korai fejlesztés „nincs javulás” és „javulás” dichotomizálódik. A „nincs javulás” a tételpontszám romlása (például a kiindulási 1-ről a 2. héten 2-re) vagy a tételpontszám nem változott. A „javulást” a tételpontszám ≥1-es javulása jelzi. Kereszttáblák segítségével ellenőrizzük, hogy a változók nagyon erősen korrelálnak-e, és ha igen, akkor az egyik elem eltávolításra kerül. A HDRS-elemek kiindulási pontszámai is szerepelni fognak a modellben annak érdekében, hogy megvizsgálják az egyes tételek fejlesztésének hozzáadott értékét az alapelempontpontokon felül.

A HDRS-17 összpontszáma esetén a korai javulás szintén dichotomizálódik: nincs/kisebb javulás (<20%-os javulás) vagy javulás (≥20%-os javulás). A HDRS-17 alapértéke szabványos lesz, és kovariánsként szerepel a modellben.

A demográfiai tényezők tekintetében a nem már dichotóm változó, és az életkor standardizálódik.

Lasszó regresszió: A lasszó regressziót a következő modellekre alkalmazzuk:

Elsődleges elemzés (csak az antidepresszánsokkal kezelt csoportban)

1. Egy modell, amely a 2. héten a korai javulás változóit tartalmazza mind a 17 HDRS-elemben, életkorban, nemben és a változók közötti minden kétirányú interakcióban; alapvonal HDRS tételpontszámok; és ezen felül a HDRS összpontszám a kiinduláskor és a korai javulás (≥20%-os javulás a pontszámban) a teljes HDRS pontszámban a 2. héten.

   Feltáró elemzés (minden résztvevőnél, beleértve a placebóval kezelteket is)

2. A fenti 1. modell szerint, de magában foglalja a kezelési csoportot (placebo, SSRI, SNRI) és az összes két- és háromirányú interakciót a kezelési csoporttal.

A minimális előrejelzési hibát eredményező hangolási paraméter (lambda) (deviancia alapján) 10-szeres keresztellenőrzés segítségével kerül kiválasztásra. A többszintű adatokhoz tartozó GLMMLasso csomagot a lasszó-modellhez alkalmazzuk, amelyet később vegyes hatású logisztikus regresszióval illesztünk, csak a lasszó regresszióval kiválasztott változókat használva.

A modell teljesítménye: Az előrejelzés pontosságát a vegyes hatású logisztikus regressziós modellnek a független validációs mintára történő alkalmazásával értékeljük. A vevő működési jellemzői (ROC) görbe görbe alatti területe (AUC) a válasz/remisszió előrejelzéséhez 6 vagy 12 hét után kerül felhasználásra az előrejelzés pontosságának értékeléséhez. Az érzékenység, a specifitás és a pontosság (a helyes előrejelzések százalékos aránya) szintén meghatározásra kerül.

Másodlagos elemzések: A másodlagos elemzések a 12 hetes eredményeket vizsgálják a legalább 12 hetes kettős vak kezelési időtartamú kísérletek alcsoportjában.