Gravità iniziale ed efficacia antidepressiva per i disturbi d'ansia: una meta-analisi dei dati dei singoli pazienti

Disegno dello studio:

Il progetto proposto è una meta-analisi dei dati dei singoli pazienti. I ricercatori raccoglieranno dati da 29 studi randomizzati controllati di antidepressivi di seconda generazione (in particolare: paroxetina, rilascio controllato di paroxetina (CR), duloxetina e fluoxetina) per il trattamento a breve termine di un disturbo d'ansia, per un totale di circa 8.800 partecipanti . I disturbi d'ansia inclusi nel progetto proposto sono il disturbo d'ansia generalizzato (GAD), il disturbo d'ansia sociale (SAD), il disturbo ossessivo-compulsivo (DOC), il disturbo post-traumatico da stress (PTSD) e il disturbo di panico (PD). Verranno utilizzati modelli misti lineari generalizzati per indagare se la gravità iniziale dei sintomi è correlata all'efficacia antidepressiva.

Piano di analisi statistica:

Un'analisi longitudinale separata sarà condotta per ogni disturbo. Per GAD, SAD, OCD e PTSD, verranno utilizzati modelli misti lineari; per PD, verrà utilizzato un modello misto lineare generalizzato (regressione binomiale negativa multilivello), poiché la variabile dipendente per questo disturbo (numero di attacchi di panico) è una variabile di conteggio discreta. La stima di massima verosimiglianza sarà utilizzata come metodo di stima per i modelli misti lineari, mentre l'approssimazione di Laplace sarà utilizzata come metodo di stima per la regressione binomiale negativa multilivello per PD. In tutti i modelli, l'occasione di misurazione rappresenta il livello 1, i partecipanti rappresentano il livello 2 e la prova rappresenta il livello 3. La misura dell'effetto di interesse è la variazione dei sintomi rispetto al basale, ad eccezione del PD, per il quale la misura dell'effetto di interesse è il numero totale di attacchi di panico per due settimane.

Il modello iniziale sarà costruito includendo tutti gli effetti fissi di interesse, indipendentemente dalla significatività. Questi includono la gravità iniziale, il gruppo di trattamento e le covariate (vedi sotto). Verranno inclusi termini lineari e quadratici per il tempo (in giorni dal basale). Per ogni partecipante, verranno utilizzate le date di visita effettive (se disponibili) anziché la data di visita settimanale prevista. Saranno incluse anche le seguenti interazioni a due e tre vie: severità x gruppo, severità x tempo lineare, gruppo x tempo lineare, severità x gruppo x tempo lineare, severità x tempo quadratico, gruppo x tempo quadratico, severità x gruppo x tempo quadratico tempo.

Usando questo primo modello, la struttura varianza-covarianza dei dati nidificati sarà modellata includendo effetti casuali. Verranno presi in considerazione effetti casuali per studio, soggetto e tempo (lineare e quadratico), nonché varie strutture di covarianza (non strutturate, errori autocorrelati, Toeplitz, ecc.). Verrà utilizzata la massima verosimiglianza ristretta (REML) per la stima e il modello più adatto sarà selezionato in base all'Akaike Information Criterion (AICc).

In questo modello di miglior adattamento, verrà utilizzata la selezione all'indietro con la massima verosimiglianza (ML) per selezionare gli effetti fissi significativi. I termini di interazione non significativi verranno rimossi dal modello (a meno che l'interazione a tre vie del gruppo x gravità x tempo (lineare o quadratico) sia significativa, nel qual caso verranno mantenute tutte le interazioni a due vie e gli effetti principali che utilizzano queste variabili ). Il modello più adatto sarà nuovamente selezionato in base all'Akaike Information Criterion (AICc).

Covariate: verranno testati i modelli con e senza le seguenti covariate: età, sesso e durata della malattia (se disponibile). Sarà incluso solo l'effetto principale di queste covariate; non saranno incluse interazioni con altre variabili.

Dati mancanti: è probabile che le variabili di base (come la gravità iniziale) siano essenzialmente complete, ma è probabile che manchino alcuni punteggi di modifica a causa di abbandoni o mancate occasioni di misurazione. Si presume che questi dati manchino in modo casuale (MAR), ovvero: la mancanza della variabile dipendente può dipendere dalle variabili osservate (come i punteggi dei sintomi precedenti o le covariate), ma non dipende dal valore della variabile non osservata ( mancante) variabile. Quando il MAR è valido, il modello misto fornisce stime imparziali dei coefficienti e degli errori standard anche quando mancano alcuni dati e non sono richiesti altri metodi per gestire i dati mancanti.