焦虑症的初始严重程度和抗抑郁功效：个体患者数据荟萃分析

学习规划：

拟议的项目是个体患者数据荟萃分析。 研究人员将整理来自第二代抗抑郁药（特别是：帕罗西汀、帕罗西汀控释 (CR)、度洛西汀和氟西汀）短期治疗焦虑症的 29 项随机对照试验的数据，共包括大约 8,800 名参与者. 拟议项目中包括的焦虑症是广泛性焦虑症 (GAD)、社交焦虑症 (SAD)、强迫症 (OCD)、创伤后应激障碍 (PTSD) 和恐慌症 (PD)。 广义线性混合模型将用于研究初始症状严重程度是否与抗抑郁药疗效相关。

统计分析方案：

将对每种疾病进行单独的纵向分析。 对于 GAD、SAD、OCD 和 PTSD，将使用线性混合模型；对于 PD，将使用广义线性混合模型（多级负二项式回归），因为这种疾病的因变量（惊恐发作次数）是离散计数变量。 最大似然估计将用作线性混合模型的估计方法，而拉普拉斯近似将用作PD的多级负二项回归的估计方法。 在所有模型中，测量场合代表第 1 级，参与者代表第 2 级，试验代表第 3 级。 感兴趣的影响度量是症状相对于基线的变化，除了 PD，感兴趣的影响度量是每两周惊恐发作的总数。

初始模型将通过包括所有感兴趣的固定效应来构建，无论重要性如何。 这些包括初始严重程度、治疗组和协变量（见下文）。 时间的线性和二次项（自基线以来的天数）将包括在内。 对于每个参与者，将使用实际访问日期（如果可用）而不是计划的每周访问日期。 还将包括以下双向和三向交互作用：严重性 x 组、严重性 x 线性时间、组 x 线性时间、严重性 x 组 x 线性时间、严重性 x 二次时间、组 x 二次时间、严重性 x 组 x 二次时间。

使用第一个模型，嵌套数据的方差-协方差结构将通过包含随机效应来建模。 将考虑研究、主题和（线性和二次）时间的随机效应，以及各种协方差结构（非结构化、自相关误差、Toeplitz 等）。 将使用受限最大似然 (REML) 进行估计，并根据赤池信息准则 (AICc) 选择最佳拟合模型。

在此最佳拟合模型中，将使用具有最大似然 (ML) 的反向选择来选择显着的固定效应。 非显着交互项将从模型中删除（除非组 x 严重性 x（线性或二次）时间的三向交互显着，在这种情况下，将保留使用这些变量的所有双向交互和主要效果). 将再次根据 Akaike 信息准则 (AICc) 选择最合适的模型。

协变量：将测试具有和不具有以下协变量的模型：年龄、性别和病程（如果有）。 仅包括这些协变量的主要影响；不包括与其他变量的相互作用。

缺失数据：基线变量（如初始严重程度）可能基本上是完整的，但一些变化分数可能由于脱落或错过测量机会而缺失。 假设这些数据随机缺失 (MAR)，即：因变量的缺失可能取决于观察到的变量（例如先前的症状评分或协变量），但它不取决于未观察到的值（缺少）变量。 当 MAR 成立时，即使某些数据缺失，混合模型也会产生系数和标准误差的无偏估计，并且不需要其他方法来处理缺失数据。