Multilevel network meta-regression for general likelihoods: synthesis of individual and aggregate data with applications to survival analysis

Entscheidungen darüber zu treffen, welche medizinischen Behandlungen für eine bestimmte Gruppe von Menschen am besten funktionieren, ist ein komplexes Puzzle. Ärzte und Gesundheitsbehörden müssen wissen, wie sich ein neues Medikament im Vergleich zu bestehenden Optionen verhält, aber sie verfügen selten über eine einzige Studie, die alle möglichen Behandlungen gegen jede andere testet. Stattdessen müssen sie Beweise aus vielen verschiedenen Studien zusammenfügen, von denen jede jeweils nur wenige Behandlungen miteinander vergleicht. Um dieses Flickenteppich-Muster sinnvoll zu interpretieren, nutzen Forscher eine Technik namens Netzwerk-Metaanalyse, die diese separaten Studien verbindet, um indirekt zu schätzen, wie die Behandlungen im Vergleich stehen. Dieses Verfahren beruht jedoch auf einer kritischen Annahme: dass die Menschen in all diesen verschiedenen Studien ähnlich genug sind, dass ihre Ergebnisse fair miteinander vermischt werden können. Wenn die Studien Patienten mit unterschiedlichem Alter, unterschiedlicher Krankheitsschwere oder anderen gesundheitlichen Merkmalen beinhalten, kann das bloße Vermischen der Daten zu irreführenden Schlussfolgerungen führen. Der zuverlässigste Weg, dies zu beheben, besteht darin, Zugang zu den detaillierten Aufzeichnungen jedes einzelnen Patienten in jeder Studie zu haben, um diese Unterschiede direkt herausrechnen zu können. In der realen Welt sind detaillierte Patientenakten jedoch oft nicht verfügbar; Forscher verfügen meist nur über zusammenfassende Statistiken aus vielen Studien. Dies hinterlässt eine Lücke zwischen der idealen Art der Datenanalyse und der Realität dessen, was tatsächlich verfügbar ist.

Ein Team von Forschern hat eine neue Methode entwickelt, um diese Lücke zu schließen, indem sie detaillierte Patientenakten aus einigen Studien mit aggregierten Daten aus anderen Studien kombiniert, ohne an Genauigkeit zu verlieren. Ihr Ansatz, eine Erweiterung einer Technik namens mehrstufige Netzwerk-Metaregression, löst ein langjähriges Problem, das die Anwendung dieser anspruchsvollen Anpassungen bei Zeit-bis-Ereignis-Daten (Time-to-Event-Daten) – wie etwa der Frage, wie lange Patienten überleben oder krankheitsfrei bleiben – verhindert hatte. Zuvor erforderte diese Methode, dass die mathematischen Formeln für die zusammengefassten Daten einfach und im Voraus bekannt waren, was bei Überlebensdaten selten der Fall ist. Die Forscher fanden einen Weg, diese Anforderung gänzlich zu umgehen. Anstatt zu versuchen, die zusammengefassten Daten in eine vorgegebene mathematische Box zu pressen, entwickelten sie ein System, das das detaillierte Modell darüber, wie einzelne Patienten auf eine Behandlung reagieren, mathematisch über die bekannten Merkmale der Patienten in den zusammengefassten Studien „mittelt“. Dies ermöglicht es dem Modell, aus den detaillierten Aufzeichnungen zu lernen und gleichzeitig die breiteren, weniger detaillierten Belege zu nutzen, wodurch effektiv ein einheitliches Bild der Wirksamkeit einer Behandlung entsteht, das die Unterschiede in den Patientenpopulationen respektiert.

Um zu testen, ob dieser neue Ansatz funktioniert, erstellten die Forscher ein simuliertes Szenario, in dem sie die wahren Antworten im Voraus kannten. Sie generierten fiktive Daten für ein Netzwerk von Studien, die drei Behandlungen verglichen, wobei sie sich für einige Studien vollen Zugriff auf individuelle Patientendetails verschafften, während sie für andere nur zusammengefasste Informationen erhielten. Als sie ihre neue Methode anwandten, entsprachen die Ergebnisse fast perfekt den bekannten wahren Werten und schnitten genauso gut ab, als hätten sie Zugriff auf die detaillierten Aufzeichnungen für jede einzelne Studie gehabt. Die Methode konnte die wahren Unterschiede zwischen den Behandlungen erfolgreich wiederherstellen, selbst wenn die zusammengefassten Studien andere Patientenmerkmale aufwiesen als die detaillierten Studien. Entscheidend war, dass die Präzision der Schätzungen hoch blieb, was zeigte, dass die Methode durch die Nutzung der zusammengefassten Daten keine wertvollen Informationen verlor. Diese Simulation bewies, dass die Technik die komplexe Mathematik von Überlebensdaten bewältigen kann, ohne die einschränkenden Formeln zu benötigen, die dies zuvor blockiert hatten.

Die Forscher wandten ihre Methode dann auf eine reale medizinische Fragestellung an: den Vergleich von Erhaltungstherapien bei neu diagnostiziertem Multiplen Myelom, einer Form von Blutkrebs. Sie analysierten ein Netzwerk von fünf Studien, von denen drei detaillierte Patientenakten lieferten und zwei nur zusammengefasste Daten, die aus veröffentlichten Überlebenskurven abgeleitet wurden. In dieser Analyse modellierten sie das Risiko eines Krankheitsfortschritts im Zeitverlauf mithilfe einer flexiblen mathematischen Form, die sich an die Daten anpassen konnte, anstatt sie in ein starres, vordefiniertes Muster zu zwingen. Sie passten das Modell an vier Schlüsselmerkmalen an, die bekannte Auswirkungen auf die Ergebnisse haben: Alter, Krankheitsstadium, Ansprechen auf Vorbehandlungen und Geschlecht. Die Ergebnisse zeigten, dass zwei aktive Medikamente konsistent wirksamer waren als ein Placebo, wobei die Größe des Nutzens je nach der spezifischen Patientenpopulation variierte. Die Methode produzierte erfolgreich Schätzungen für eine Zielpopulation, die der Mischung der Patienten in den zusammengefassten Studien entsprach – etwas, das ältere Methoden ohne starke, nicht testbare Annahmen nicht leisten konnten.

Eine der bedeutendsten Erkenntnisse war, dass die neue Methode zwei verschiedene Arten von Antworten liefern kann, je nachdem, was ein Entscheidungsträger benötigt. Sie kann entweder die durchschnittliche Wirkung einer Behandlung für einen Patienten mit spezifischen Merkmalen berechnen oder die durchschnittliche Wirkung für eine gesamte Population, unabhängig von individuellen Unterschieden. Dieser Unterschied ist entscheidend, da die beiden Zahlen nicht identisch sind und unterschiedliche Fragen beantworten. Während ältere Methoden nur eine Art von Antwort liefern konnten oder komplexe Umwege erforderten, die Verzerrungen (Bias) einführten, behandelt dieser neue Ansatz beide Fälle auf natürliche Weise. Die Forscher demonstrierten auch, dass ihre Methode erkennen konnte, wenn die Annahme verletzt wurde, dass die Behandlungseffekte über die Zeit konstant bleiben – ein häufiges Problem in der Überlebensanalyse – und dies korrigierte, indem sie die zugrunde liegende Gefahr zeitabhängig in ihrer Form veränderte. Durch die Verwendung eines flexiblen mathematischen Werkzeugs, das die Daten glätten konnte, ohne zu überanpassen (Overfitting), stellten sie sicher, dass das Modell selbst bei komplexen Daten robust blieb.

Die Arbeit bestätigt, dass es möglich ist, individuelle und aggregierte Daten auf eine Weise zu synthetisieren, die sowohl statistisch fundiert als als auch praktisch nützlich für Überlebensergebnisse ist. Die Methode erfordert nicht, dass die zusammengefassten Daten einer spezifischen mathematischen Form entsprechen, was eine große Barriere beseitigt hat, die die Anwendung von Techniken zur Populationsanpassung bisher begrenzt hatte. Durch die Integration des Modells auf individueller Ebene über die Verteilung der Patientenmerkmale in den zusammengefassten Studien schufen die Forscher einen Rahmen, der allgemein genug ist, um fast jede Art von Likelihood zu handhaben. Dies bedeutet, dass der Ansatz auf eine breite Palette medizinischer Fragen angewendet werden kann, die über das reine Überleben hinausgehen, einschließlich binärer Outcomes und anderer komplexer Datentypen. Die Forscher haben den Code für diese Methode in einem Softwarepaket zur Verfügung gestellt, damit andere Wissenschaftler diese Techniken auf ihre eigenen Studiennetzwerke anwenden können. Das Ergebnis ist eine zuverlässigere Methode zum Vergleich von Behandlungen über diverse Populationen hinweg, um sicherzustellen, dass medizinische Entscheidungen auf Evidenz basieren, die die Menschen, die die Pflege erhalten, tatsächlich widerspiegelt.