[论文解读] Synthesizing cross-design evidence and cross-format data using network meta-regression

Tasnim Hamza, Konstantina Chalkou+10 more|arXiv (Cornell University)|Mar 12, 2022

Mental Health Research Topics被引用 5

一句话总结

本文提出了一套贝叶斯网络元回归模型，用于在网状meta分析中整合跨设计（随机对照试验与非随机研究）和跨格式（个体水平数据与汇总数据）的数据。通过将分层建模与偏倚校正及治疗效应先验相结合，该方法能够在考虑研究设计和偏倚风险的同时，实现对治疗效应的稳健估计，且在调整后相对治疗效应的变化极小。

ABSTRACT

In network meta-analysis (NMA), we synthesize all relevant evidence about health outcomes with competing treatments. The evidence may come from randomized controlled trials (RCT) or non-randomized studies (NRS) as individual participant data (IPD) or as aggregate data (AD). We present a suite of Bayesian NMA and network meta-regression (NMR) models allowing for cross-design and cross-format synthesis. The models integrate a three-level hierarchical model for synthesizing IPD and AD into four approaches. The four approaches account for differences in the design and risk of bias in the RCT and NRS evidence. These four approaches variously ignoring differences in risk of bias, using NRS to construct penalized treatment effect priors and bias-adjustment models that control the contribution of information from high risk of bias studies in two different ways. We illustrate the methods in a network of three pharmacological interventions and placebo for patients with relapsing-remitting multiple sclerosis. The estimated relative treatment effects do not change much when we accounted for differences in design and risk of bias. Conducting network meta-regression showed that intervention efficacy decreases with increasing participant age. We re-analysed a network of 431 RCT comparing 21 antidepressants, and we did not observe material changes in intervention efficacy when adjusting for studies high risk of bias. In summary, the described suite of NMA/NMR models enables inclusion of all relevant evidence while incorporating information on the within-study bias in both observational and experimental data and enabling estimation of individualized treatment effects through the inclusion of participant characteristics.

研究动机与目标

• 开发一个统一框架，用于整合随机对照试验（RCTs）和非随机研究（NRS）在不同数据格式（IPD与AD）下的证据。
• 通过将研究内偏倚信息纳入网状meta分析，解决研究设计与偏倚风险差异的问题。
• 通过在模型中纳入受试者水平特征，实现个体化治疗效应的估计。
• 评估高偏倚风险研究对真实世界网络中治疗效应估计的影响。
• 展示该方法在调整偏倚与设计差异后，仍能保持相对治疗效应一致性的稳健性。

提出的方法

• 构建一个三层分层贝叶斯模型，整合来自RCTs和NRS的个体参与者数据（IPD）与汇总数据（AD）。
• 应用网状meta回归（NMR）将治疗效应建模为受试者水平协变量（如年龄）的函数，以估计个体化效应。
• 引入偏倚校正模型，通过使用惩罚性治疗效应先验，降低高偏倚风险研究的贡献。
• 采用四种不同的建模方法：(1) 忽略偏倚风险差异，(2) 使用NRS信息为治疗效应先验提供依据，(3) 和 (4) 两种偏倚校正策略，以控制高风险研究的影响。
• 在贝叶斯框架中使用马尔可夫链蒙特卡洛（MCMC）方法进行后验推断。
• 使用复发缓解型多发性硬化症网络和一个包含431项RCT的更大抗抑郁药网络验证模型性能。

实验结果

研究问题

• RQ1 如何在单一网状meta分析框架中联合整合来自随机与非随机研究的个体参与者数据（IPD）与汇总数据（AD）？
• RQ2 调整研究设计与偏倚风险对网状meta分析中估计的相对治疗效应有何影响？
• RQ3 当通过惩罚性先验或偏倚校正模型对高偏倚风险研究进行降权时，治疗效应估计值的变化程度如何？
• RQ4 网状meta回归能否通过纳入年龄等受试者水平协变量，有效估计个体化治疗效应？
• RQ5 当使用所提出的建模套件整合跨格式与跨设计证据时，相对治疗效应估计的稳健性如何？

主要发现

• 在考虑RCTs与NRS之间研究设计与偏倚风险差异后，估计的相对治疗效应基本保持不变。
• 网状meta回归显示，在多发性硬化症网络中，随着受试者年龄增加，干预疗效呈下降趋势。
• 在包含431项RCT的抗抑郁药网络中，调整高偏倚风险研究后，干预疗效的估计值未发生实质性变化。
• 四种建模方法产生的相对治疗效应估计一致，证明了所提框架的稳健性。
• 通过网状meta回归纳入受试者水平协变量，实现了个体化治疗效应的估计，增强了临床适用性。
• 该方法成功整合了来自不同研究设计的IPD与AD，在调整研究内偏倚的同时，提供了全面的证据综合。