[论文解读] 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 5

一句话总结

本文利用近12,000项Cochrane荟萃分析的数据，为二元结果和生存时间结果的贝叶斯荟萃分析开发了经验先验分布。该研究将贝叶斯模型平均荟萃分析扩展至对数优势比、风险比、风险差和风险率比，实现了对治疗效果和异质性的证据量化，同时考虑了模型不确定性——尤其在小样本情境下具有重要价值。

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.

研究动机与目标

• 为二元和生存时间结果荟萃分析中的治疗效果（μ）和研究间异质性（τ）开发学科特定的经验先验分布。
• 将贝叶斯模型平均荟萃分析扩展至二元和生存时间结果，整合关于模型选择（固定效应与随机效应）的不确定性。
• 通过利用Cochrane系统评价数据库的历史数据，改进小样本荟萃分析中的参数估计和证据量化。
• 在开源工具（R和JASP）中实现所提出的先验分布，以提升可及性和可重复性。
• 评估现实世界荟萃分析是否支持各类结果类型中治疗效果和异质性的存在或不存在。

提出的方法

• 使用Cochrane系统评价数据库（CDSR）的50%数据，估计μ和τ各类参数族的经验先验分布参数。
• 使用CDSR剩余的50%数据，选择表现最佳的参数族，并评估关于治疗效果和异质性存在或不存在的假设。
• 应用二项分布-正态分布和正态分布-正态分布模型，对对数优势比、对数风险比、风险差和对数风险率比进行荟萃分析效应量建模。
• 利用近50万项试验结果，涵盖12,000项二元结果荟萃分析和200项生存时间结果荟萃分析，校准经验先验分布。
• 将先验分布整合至RoBMA R包和JASP软件中，实现具备可视化和假设检验功能的贝叶斯模型平均荟萃分析。
• 通过贝叶斯模型平均，结合固定效应与随机效应模型的证据，按其先验预测性能对各模型进行加权。

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

实验结果

研究问题

• RQ1 哪些经验先验分布最能代表二元和生存时间结果荟萃分析中典型的治疗效果大小和异质性？
• RQ2 现实世界中二元结果荟萃分析与生存时间结果荟萃分析在支持治疗效果和异质性存在方面有何差异？
• RQ3 现有荟萃分析在多大程度上支持原假设（无效应或无异质性）而非备择假设（存在效应或异质性）？
• RQ4 与传统方法相比，使用经验先验的贝叶斯模型平均荟萃分析在小样本荟萃分析中如何提升推断能力？
• RQ5 所提出的先验分布能否在R和JASP等开源软件中有效实现并可视化，以支持临床研究中的实际应用？

主要发现

• 二元结果的荟萃分析更倾向于支持无荟萃效应或无研究间异质性，而生存时间结果则更强烈支持两者均存在。
• 估计的对数优势比（logOR）效应量为4.25（95%可信区间：0.80, 18.20），其可信区间比频率学派方法更窄，反映出经验先验的影响。
• 异质性估计值τ_logOR为0.73（95%可信区间：0.10, 3.13），表明经验先验即使在数据稀疏时也能实现对异质性的可信估计。
• 贝叶斯模型平均荟萃分析显示模型选择存在显著不确定性，无单一模型在所有荟萃分析中占主导地位，凸显了模型平均的价值。
• 通过整合典型效应大小和异质性水平的历史数据，经验先验显著改善了小样本情境下的参数估计。
• 在R（RoBMA）和JASP中的实现，使用户能够便捷地访问具备可视化、假设检验和发表偏倚校正功能的贝叶斯模型平均荟萃分析。

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