Gravidade inicial e eficácia antidepressiva para transtornos de ansiedade: uma meta-análise de dados de pacientes individuais

Design de estudo:

O projeto proposto é uma metanálise de dados de pacientes individuais. Os investigadores reunirão dados de 29 ensaios clínicos randomizados de antidepressivos de segunda geração (especificamente: paroxetina, paroxetina de liberação controlada (CR), duloxetina e fluoxetina) para o tratamento de curto prazo de um transtorno de ansiedade, incluindo um total de aproximadamente 8.800 participantes . Os transtornos de ansiedade incluídos no projeto proposto são transtorno de ansiedade generalizada (TAG), transtorno de ansiedade social (TAS), transtorno obsessivo-compulsivo (TOC), transtorno de estresse pós-traumático (TEPT) e transtorno do pânico (TP). Modelos mistos lineares generalizados serão usados ​​para investigar se a gravidade dos sintomas iniciais está relacionada à eficácia do antidepressivo.

Plano de análise estatística:

Uma análise longitudinal separada será conduzida para cada distúrbio. Para GAD, SAD, OCD e PTSD, serão usados ​​modelos lineares mistos; para a DP, será utilizado um modelo linear misto generalizado (regressão binomial negativa multinível), pois a variável dependente para esse transtorno (número de ataques de pânico) é uma variável de contagem discreta. A estimativa de máxima verossimilhança será usada como método de estimação para os modelos lineares mistos, enquanto a aproximação de Laplace será usada como método de estimação para a regressão binomial negativa multinível para PD. Em todos os modelos, a ocasião de medição representa o nível 1, os participantes representam o nível 2 e a tentativa representa o nível 3. A medida de efeito de interesse é a mudança nos sintomas desde a linha de base, exceto para DP, para a qual a medida de efeito de interesse é o número total de ataques de pânico por duas semanas.

O modelo inicial será construído incluindo todos os efeitos fixos de interesse, independentemente da significância. Estes incluem gravidade inicial, grupo de tratamento e covariáveis ​​(ver abaixo). Serão incluídos termos lineares e quadráticos para o tempo (em dias desde a linha de base). Para cada participante, serão usadas as datas de visita reais (se disponíveis) em vez da data de visita semanal pretendida. As seguintes interações de duas e três vias também serão incluídas: gravidade x grupo, gravidade x tempo linear, grupo x tempo linear, gravidade x grupo x tempo linear, gravidade x tempo quadrático, grupo x tempo quadrático, gravidade x grupo x quadrático Tempo.

Usando este primeiro modelo, a estrutura de variância-covariância dos dados aninhados será modelada incluindo efeitos aleatórios. Efeitos aleatórios para estudo, assunto e tempo (linear e quadrático), bem como várias estruturas de covariância (não estruturadas, erros autocorrelacionados, Toeplitz, etc.) serão considerados. A máxima verossimilhança restrita (REML) será usada para estimativa, e o modelo de melhor ajuste será selecionado com base no Akaike Information Criterion (AICc).

Neste modelo de melhor ajuste, a seleção reversa com máxima verossimilhança (ML) será usada para selecionar os efeitos fixos significativos. Termos de interação não significativos serão removidos do modelo (a menos que a interação de três vias de grupo x gravidade x tempo (linear ou quadrático) seja significativa, caso em que todas as interações de duas vias e efeitos principais que usam essas variáveis ​​serão retidos ). O modelo de melhor ajuste será novamente selecionado com base no Akaike Information Criterion (AICc).

Covariáveis: Serão testados modelos com e sem as seguintes covariáveis: idade, sexo e duração da doença (se disponível). Apenas o efeito principal dessas covariáveis ​​será incluído; nenhuma interação com outras variáveis ​​será incluída.

Dados ausentes: as variáveis ​​de linha de base (como a gravidade inicial) provavelmente estarão essencialmente completas, mas algumas pontuações de alteração provavelmente estarão ausentes devido a desistências ou ocasiões de medição perdidas. A suposição é feita de que esses dados estão faltando ao acaso (MAR), ou seja: a falta da variável dependente pode depender de variáveis ​​observadas (como escores de sintomas anteriores ou covariáveis), mas não depende do valor do não observado ( ausente) variável. Quando o MAR é válido, o modelo misto produz estimativas imparciais de coeficientes e erros padrão, mesmo quando alguns dados estão ausentes, e nenhum outro método para lidar com dados ausentes é necessário.