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

Tomar decisiones sobre qué tratamientos médicos funcionan mejor para un grupo específico de personas es un rompecabezas complejo. Los médicos y las autoridades sanitarias necesitan saber cómo se compara un nuevo fármaco con las opciones existentes, pero rara vez disponen de un único estudio que pruebe todas las combinaciones posibles de tratamientos entre sí. En su lugar, deben armar la evidencia a partir de muchos ensayos diferentes, cada uno de los cuales compara solo unos pocos tratamientos. Para dar sentido a este mosaico, los investigadores utilizan una técnica llamada meta-análisis en red, que conecta estos estudios separados para estimar cómo se comparan los tratamientos de forma indirecta. Sin embargo, este método se basa en un supuesto crítico: que las personas en todos estos diferentes ensayos son lo suficientemente similares como para que los resultados puedan mezclarse de forma justa. Si los ensayos involucran a pacientes con diferentes edades, severidades de la enfermedad u otras características de salud, el simple hecho de mezclar los datos puede conducir a conclusiones erróneas. La forma más fiable de solucionar esto es tener acceso a los registros detallados de cada uno de los pacientes de cada estudio, lo que permitiría a los investigadores ajustar estas diferencias directamente. Pero en el mundo real, los registros detallados de los pacientes suelen estar ausentes; los investigadores suelen disponer únicamente de estadísticas resumidas de muchos estudios. Esto deja un vacío entre la forma ideal de analizar los datos y la realidad de lo que está disponible.

Un equipo de investigadores ha desarrollado un nuevo método para cerrar esta brebre, permitiendo combinar registros detallados de pacientes de algunos estudios con datos resumidos de otros sin perder precisión. Su enfoque, una extensión de una técnica llamada meta-regresión en red multinivel, resuelve un problema de larga data que impedía que se pudieran utilizar estos ajustes sofisticados con datos de tiempo hasta el evento, tales como cuánto tiempo sobreviven los pacientes o permanecen libres de la enfermedad. Anteriormente, este método requería que las fórmulas matemáticas de los datos resumidos fueran simples y conocidas de antemano, lo cual rara vez ocurre con los datos de supervivencia. Los investigadores encontraron una forma de eludir este requisito por completo. En lugar de intentar forzar los datos resumidos dentro de una caja matemática preexistente, construyeron un sistema que toma el modelo detallado de cómo responden los pacientes individuales y lo "promedia" matemáticamente sobre las características conocidas de los pacientes en los estudios resumidos. Esto permite que el modelo aprenda de los registros detallados mientras sigue haciendo uso de la evidencia más amplia y menos detallada, creando efectivamente una imagen unificada de la efectividad del tratamiento que respete las diferencias entre las poblaciones de pacientes.

Para probar si este nuevo enfoque funciona, los investigadores crearon un escenario simulado donde conocían las respuestas verdaderas de antemano. Generaron datos ficticios para una red de estudios que comparaban tres tratamientos, dándose a sí mismos acceso total a los detalles de los pacientes individuales para algunos estudios, pero solo información resumida para otros. Cuando aplicaron su nuevo método, los resultados coincidieron casi perfectamente con los valores verdaderos conocidos, desempeñándose tan bien como si hubieran podido utilizar los registros detallados de cada uno de los estudios. El método recuperó con éxito las diferencias reales entre los tratamientos, incluso cuando los estudios resumidos tenían características de pacientes diferentes a las de los estudios detallados. Crucialmente, la precisión de las estimaciones se mantuvo alta, demostrando que el método no perdió información valiosa al depender de los datos resumidos. Esta simulación demostó que la técnica podía manejar la compleja matemática de los datos de supervivencia sin necesidad de las fórmulas restrictivas que anteriormente habían bloqueado su uso.

Los investigadores aplicaron luego su método a una pregunta médica del mundo real: comparar los tratamientos de mantenimiento para el mieloma múltiple recién diagnosticado, un tipo de cáncer de la sangre. Analizaron una red de cinco estudios, tres de los cuales proporcionaron registros detallados de pacientes y dos de los cuales solo ofrecían datos resumidos derivados de curvas de supervivencia publicadas. En este análisis, modelaron el riesgo de progresión de la enfermedad a lo largo del tiempo utilizando una forma matemática flexible que podía adaptarse a los datos en lugar de forzarlos en un patrón rígido y predefinido. Ajustaron cuatro características clave de los pacientes que influyen en los resultados: edad, etapa de la enfermedad, respuesta al tratamiento previo y sexo. Los resultados mostraron que dos fármacos activos eran consistentemente más efectivos que un placebo, pero la magnitud del beneficio variaba dependiendo de la población específica de pacientes considerada. El método produjo con éxito estimaciones para una población objetivo que coincidían con la mezcla de pacientes de los estudios resumidos, algo que los métodos anteriores no podían hacer sin realizar supuestos fuertes y no contrastables.

Uno de los hallazgos más significativos fue que el nuevo método podía producir dos tipos diferentes de respuestas dependiendo de lo que un tomador de decisiones necesitara. Podía calcular el efecto promedio de un tratamiento para un paciente con características específicas, o podía calcular el efecto promedio para una población entera, independientemente de las diferencias individuales. Esta distinción es vital porque los dos números no son iguales y responden a preguntas diferentes. Mientras que los métodos anteriores solo podían proporcionar un tipo de respuesta o requerían procesos complejos que introducían sesgos, este nuevo enfoque maneja ambos de forma natural. Los investigadores también demostraron que su método podía detectar cuándo se violaba el supuesto de que los efectos del tratamiento permanecen constantes en el tiempo, un problema común en el análisis de supervivencia, y ajustarlo permitiendo que el riesgo subyacente cambie de forma con el tiempo. Al utilizar una herramienta matemática flexible que podía suavizar los datos sin sobreajuste, aseguraron que el modelo fuera robusto incluso cuando los datos eran complejos.

El trabajo confirma que es posible sintetizar datos individuales y agregados de una manera que sea tanto estadísticamente rigurosa como prácticamente útil para los resultados de supervivencia. El método no requiere que los datos resumidos se ajusten a una forma matemática específica, eliminando una barrera importante que había limitado la aplicación de las técnicas de ajuste poblacional. Al integrar el modelo de nivel individual sobre la distribución de las características de los pacientes en los estudios resumidos, los investigadores crearon un marco lo suficientemente general como para manejar casi cualquier tipo de verosimilitud. Esto significa que el enfoque puede aplicarse a una amplia gama de preguntas médicas más allá de la supervivencia, incluyendo resultados binarios y otros tipos de datos complejos. Los investigadores han puesto el código de este método a disposición en un paquete de software, permitiendo que otros científicos apliquen estas técnicas a sus propias redes de estudios. El resultado es una forma más fiable de comparar tratamientos a través de diversas poblaciones, asegurando que las decisiones de atención médica se basen en evidencia que realmente refleje a las personas que recibirán la atención.