[論文レビュー] Empirical prior distributions for Bayesian meta-analyses of binary and time to event outcomes

Frantis̆ek Bartos̆, Willem M. Otte+4 more|arXiv (Cornell University)|Jun 20, 2023

Meta-analysis and systematic reviews被引用数 5

ひとこと要約

本稿では、ほぼ12,000件のCochraneメタアナリシスのデータを用いて、二値アウトカムおよびタイム・トゥ・イベントアウトカムのベイジアンメタアナリシスのための経験的事前分布を開発した。この研究は、固定効果モデルとランダム効果モデルの両方を考慮したベイジアンモデル平均化メタアナリシスを、オッズ比の対数、リスク比、リスク差、ハザード比へと拡張し、モデルの不確実性を考慮したまま治療効果と異質性の定量的評価を可能にした。特に小標本設定において非常に価値がある。

ABSTRACT

Bayesian model-averaged meta-analysis allows quantification of evidence for both treatment effectiveness $μ$ and across-study heterogeneity $τ$. We use the Cochrane Database of Systematic Reviews to develop discipline-wide empirical prior distributions for $μ$ and $τ$ for meta-analyses of binary and time-to-event clinical trial outcomes. First, we use 50% of the database to estimate parameters of different required parametric families. Second, we use the remaining 50% of the database to select the best-performing parametric families and explore essential assumptions about the presence or absence of the treatment effectiveness and across-study heterogeneity in real data. We find that most meta-analyses of binary outcomes are more consistent with the absence of the meta-analytic effect or heterogeneity while meta-analyses of time-to-event outcomes are more consistent with the presence of the meta-analytic effect or heterogeneity. Finally, we use the complete database - with close to half a million trial outcomes - to propose specific empirical prior distributions, both for the field in general and for specific medical subdisciplines. An example from acute respiratory infections demonstrates how the proposed prior distributions can be used to conduct a Bayesian model-averaged meta-analysis in the open-source software R and JASP.

研究の動機と目的

• 二値アウトカムおよびタイム・トゥ・イベントアウトカムのメタアナリシスにおける治療効果（μ）および研究間異質性（τ）の分野特異的経験的事前分布を開発すること。
• 固定効果モデル対ランダム効果モデルの選択に関する不確実性を考慮したベイジアンモデル平均化メタアナリシスを、二値アウトカムおよびタイム・トゥ・イベントアウトカムに拡張すること。
• Cochraneシステマティックレビュー・データベースからの歴史的データを活用することで、小標本メタアナリシスにおけるパラメータ推定と証拠の定量的評価を改善すること。
• RおよびJASPを用いたオープンソースツールへの実装を通じて、広範なアクセス性と再現可能性を実現すること。
• 実世界のメタアナリシスが、アウトカムタイプごとに治療効果および異質性の有無・無しを支持しているかどうかを評価すること。

提案手法

• Cochraneデータベース・システマティックレビュー（CDSR）の50％を用いて、μおよびτのさまざまなパラメトリックな事前分布族のパラメータを推定した。
• CDSRの残りの50％を用いて、最良のパフォーマンスを示すパラメトリックな事前分布族を選定し、治療効果および異質性の有無・無しに関する仮定を評価した。
• 二項正規分布および正規正規分布のモデルを、オッズ比の対数、リスク比の対数、リスク差、ハザード比の対数のメタアナリティック効果量をモデル化するために適用した。
• 12,000件の二値アウトカムメタアナリシスおよび200件のタイム・トゥ・イベントメタアナリシスにおける約50万件の試験アウトカムを用いて、経験的事前分布をキャリブレーションした。
• RoBMA RパッケージおよびJASPソフトウェアに事前分布を統合し、可視化および仮説検定機能を備えたベイジアンモデル平均化メタアナリシスを実装した。
• 固定効果モデルとランダム効果モデルの両方の証拠を、各モデルの事前予測性能に基づいて重み付けして統合するベイジアンモデル平均化を実施した。

Figure 2: Frequentist effect sizes estimates and candidate prior distributions from the training data set. Binary outcomes (log OR; first row) and time-to-event outcomes (log HR; second row). Histogram and tick marks display the estimated effect size estimates (left) and between-study standard devia

実験結果

リサーチクエスチョン

• RQ1 二値アウトカムおよびタイム・トゥ・イベントアウトカムのメタアナリシスにおいて、典型的な治療効果サイズおよび異質性を最もよく表す経験的事前分布は何か？
• RQ2 実世界の二値アウトカムメタアナリシスとタイム・トゥ・イベントアウトカムメタアナリシスは、治療効果および異質性の有無について、どのように比較されるか？
• RQ3 既存のメタアナリシスが、帰無仮説（効果なし、または異質性なし）ではなく対立仮説（効果または異質性の存在）をどの程度支持しているか？
• RQ4 経験的事前分布を用いたベイジアンモデル平均化メタアナリシスは、従来の手法と比較して、小標本メタアナリシスにおける推論をどの程度改善するか？
• RQ5 提案された事前分布は、RおよびJASPなどのオープンソースソフトウェアで、臨床研究における実用的利用のために効果的に実装および可視化できるか？

主な発見

• 二値アウトカムのメタアナリシスは、メタアナリティック効果または研究間異質性の欠如をより一貫して支持しているが、タイム・トゥ・イベントアウトカムは両者の存在をより強く支持している。
• 推定されたオッズ比の対数（logOR）効果サイズは4.25（95％CrI: 0.80, 18.20）であり、頻度主義の推定と比較して信頼区間が狭く、経験的事前分布の影響が顕著に現れている。
• 異質性推定値τ_logORは0.73（95％CrI: 0.10, 3.13）であり、経験的事前分布が希少データでも異質性の信頼できる推定を可能にしていることを示している。
• ベイジアンモデル平均化メタアナリシスでは、モデル選択に大きな不確実性が存在し、どの1つのモデルもすべてのメタアナリシスで優勢ではなかった。これは、モデル平均化の価値を強調している。
• 歴史的データによる典型的な効果サイズおよび異質性レベルの統合により、小標本設定におけるパラメータ推定が著しく改善された。
• R（RoBMA）およびJASPへの実装により、可視化、仮説検定、出版バイアス補正機能を備えた、ユーザーフレンドリーなベイジアンモデル平均化メタアナリシスへのアクセスが可能になった。

Figure 4: Posterior model probability of the competing prior distributions for log OR and log HR. For each comparison, the color gradient ranges from white (low posterior probability) to dark red (high posterior probability). The numbers in parentheses are the averaged posterior probabilities across