Исходная тяжесть и эффективность антидепрессантов при тревожных расстройствах: метаанализ данных отдельных пациентов

Дизайн исследования:

Предлагаемый проект представляет собой метаанализ данных отдельных пациентов. Исследователи сопоставят данные 29 рандомизированных контролируемых испытаний антидепрессантов второго поколения (в частности, пароксетина, пароксетина с контролируемым высвобождением (CR), дулоксетина и флуоксетина) для краткосрочного лечения тревожного расстройства, включающих в общей сложности около 8800 участников. . Тревожные расстройства, которые включены в предлагаемый проект, включают генерализованное тревожное расстройство (ГТР), социальное тревожное расстройство (СТР), обсессивно-компульсивное расстройство (ОКР), посттравматическое стрессовое расстройство (ПТСР) и паническое расстройство (ПР). Обобщенные линейные смешанные модели будут использоваться для изучения того, связана ли первоначальная тяжесть симптомов с эффективностью антидепрессантов.

План статистического анализа:

Для каждого расстройства будет проводиться отдельный лонгитюдный анализ. Для ГТР, СТР, ОКР и посттравматического стрессового расстройства будут использоваться линейные смешанные модели; для БП будет использоваться обобщенная линейная смешанная модель (многоуровневая отрицательная биномиальная регрессия), поскольку зависимая переменная для этого расстройства (количество панических атак) является дискретной счетной переменной. Оценка максимального правдоподобия будет использоваться в качестве метода оценки для линейных смешанных моделей, а аппроксимация Лапласа будет использоваться в качестве метода оценки для многоуровневой отрицательной биномиальной регрессии для PD. Во всех моделях случай измерения представляет собой уровень 1, участники представляют уровень 2, а испытание представляет уровень 3. Интересующим показателем эффекта является изменение симптомов по сравнению с исходным уровнем, за исключением БП, для которого интересующим показателем эффекта является общее количество приступов паники за две недели.

Первоначальная модель будет построена путем включения всех интересующих фиксированных эффектов, независимо от их значимости. К ним относятся начальная тяжесть, группа лечения и ковариаты (см. ниже). Будут включены линейные и квадратичные условия для времени (в днях с исходного уровня). Для каждого участника будут использоваться фактические даты посещения (если они доступны), а не предполагаемая еженедельная дата посещения. Также будут включены следующие двух- и трехсторонние взаимодействия: серьезность x группа, серьезность x линейное время, группа x линейное время, серьезность x группа x линейное время, серьезность x квадратичное время, группа x квадратичное время, серьезность x группа x квадратичное время. время.

Используя эту первую модель, структура дисперсии-ковариации вложенных данных будет смоделирована путем включения случайных эффектов. Будут рассмотрены случайные эффекты для исследования, предметного и (линейного и квадратичного) времени, а также различные ковариационные структуры (неструктурированные, автокоррелированные ошибки, Тёплица и др.). Для оценки будет использоваться ограниченная максимальная вероятность (REML), а наиболее подходящая модель будет выбрана на основе информационного критерия Акаике (AICc).

В этой наиболее подходящей модели будет использоваться обратный выбор с максимальным правдоподобием (ML) для выбора значимых фиксированных эффектов. Незначимые члены взаимодействия будут удалены из модели (если только трехстороннее взаимодействие группы x серьезность x (линейное или квадратичное) время не является значимым, и в этом случае все двусторонние взаимодействия и основные эффекты, которые используют эти переменные, будут сохранены ). Наиболее подходящая модель снова будет выбрана на основе информационного критерия Акаике (AICc).

Ковариаты: Будут тестироваться модели со следующими ковариатами и без них: возраст, пол и продолжительность болезни (при наличии). Будет включен только основной эффект этих ковариат; никакие взаимодействия с другими переменными не будут включены.

Отсутствующие данные: Базовые переменные (такие как первоначальная тяжесть), вероятно, будут в основном полными, но некоторые оценки изменений, вероятно, будут отсутствовать из-за исключения или пропуска измерений. Предполагается, что эти данные отсутствуют случайным образом (MAR), то есть: отсутствие зависимой переменной может зависеть от наблюдаемых переменных (таких как предыдущие оценки симптомов или ковариаты), но не зависит от значения ненаблюдаемой ( отсутствует) переменная. Когда MAR выполняется, смешанная модель дает несмещенные оценки коэффициентов и стандартных ошибок, даже когда некоторые данные отсутствуют, и никаких других методов обработки отсутствующих данных не требуется.