Prediction intervals for random-effects meta-analysis based on confidence distributions and Edgington's method

Sintesi Tecnica: Intervalli di Predizione per la Meta-analisi a Effetti Casuali basata su Distribuzioni di Confidenza e il Metodo di Edgington

Enunciato del Problema
Nella meta-analisi a effetti casuali, l'inferenza statistica riguardante l'effetto medio è spesso considerata insufficiente quando esiste un'eterogeneità sostanziale tra gli studi. Sebbene le misure tradizionali come la varianza stimata tra gli studi ($\tau^2$) e l'indice $I^2$ di Higgins quantifichino l'eterogeneità, esse mancano di interpretabilità sulla scala dell'effetto e non trasmettono la variazione assoluta dell'effetto. Le distribuzioni predittive sono riconosciute come uno strumento più clinicamente rilevante per quantificare l'eterogeneità, poiché descrivono la distribuzione dei veri effetti e forniscono informazioni su eventi futuri.

Tuttavia, i metodi frequentisti esistenti per la costruzione di distribuzioni predittive affrontano limitazioni significative:

1. Vincoli di Simmetria: La maggior parte dei metodi vincola le distribuzioni predittive a essere simmetriche rispetto all'effetto medio stimato, fallendo nel catturare l'asimmetria (skewness) spesso presente nelle stime di effetto. Ciò porta a una scarsa calibrazione e a intervalli di predizione che frequentemente non raggiungono la copertura nominale, in particolare in scenari con pochi studi o dati asimmetrici.
2. Gestione dell'Incertezza: Gli approcci standard affrontano spesso l'incertezza nella stima dell'eterogeneità ($\tau^2$) applicando una distribuzione $t$ con gradi di libertà arbitrari (ad es., $k-2$). Studi di simulazione suggeriscono che questi aggiustamenti post-hoc siano spesso scarsamente calibrati, specialmente quando il numero di studi è ridotto o l'eterogeneità è considerevole.
3. Negligenza dell'Asimmetria: I metodi che non tengono conto dell'asimmetria delle stime degli studi possono produrre inferenze fuorvianti, come dimostrato dai risultati delle simulazioni che mostrano una sottocopertura in scenari asimmetrici.

Metodologia
Gli autori propongono un nuovo framework per la costruzione di distribuzioni predittive che tiene esplicitamente conto dell'incertezza sia nell'effetto medio ($\mu$) che nel parametro dell'eterogeneità ($\tau^2$) utilizzando le distribuzioni di confidenza e il metodo di combinazione dei p-value di Edgington.

1. Distribuzioni di Confidenza (CD): Invece di fare affidamento sulle distribuzioni di campionamento degli stimatori, il metodo costruisce CD, ovvero distribuzioni di probabilità frequentiste sullo spazio dei parametri derivate da funzioni di p-value senza invocare distribuzioni a priori.

2. Metodo di Edgington: Gli autori utilizzano il metodo di Edgington (1972) per combinare le funzioni di p-value monodirezionali attraverso gli studi. A differenza del classico approccio della media ponderata, il metodo di Edgington:

   • È invariante rispetto all'orientamento dell'ipotesi alternativa.
   • Produce stime quasi non distorte.
   • Produce intervalli di confidenza che si adattano all'asimmetria delle stime di effetto, preservando l'asimmetria invece di imporre riassunti simmetrici.

3. Incertezza dell'Eterogeneità: Il metodo incorpora l'incertezza in $\tau^2$ utilizzando la distribuzione di confidenza implicata dalla statistica di eterogeneità generalizzata ($Q(\tau^2)$). Questa statistica, basata sulla distribuzione esatta di $Q$ di Cochran, varia con $\tau^2$ e funge da pivot.

4. Costruzione della Distribuzione Predittiva: Vengono proposte tre versioni della distribuzione predittiva:

   • PCD-fixed: Integra la distribuzione normale dell'effetto sulla CD di Edgington per $\mu$, utilizzando una stima plug-in per $\tau^2$.
   • PCD-simplified: Integra sulla CD per $\mu$ (usando una stima plug-in di $\tau^2$) e sulla CD per $\tau^2$.
   • PCD-full: Integra completamente sulla distribuzione condizionale congiunta di $\mu$ e $\tau^2$.

   Questi integrali sono valutati tramite un algoritmo Monte Carlo (Algoritmo 1) che campiona $\tau^2$ dalla sua CD (risolvendo $Q(\tau^2) = W$ dove $W \sim \chi^2_{k-1}$), campiona $\mu$ dalla CD di Edgington (utilizzando la trasformata integrale della probabilità) e infine campiona il futuro effetto $\theta_{new}$ da $N(\mu, \tau^2)$.

Contributi Chiave

• Predizione Sensibile all'Asimmetria: Il metodo proposto genera distribuzioni predittive che ereditano naturalmente l'asimmetria delle stime sottostanti degli studi, affrontando una lacuna critica dei metodi simmetrici esistenti.
• Propagazione Rigorosa dell'Incertezza: Integrando sulle distribuzioni di confidenza sia di $\mu$ che di $\tau^2$, il metodo evita aggiustamenti arbitrari (come i gradi di libertà fissi della distribuzione $t$) e fornisce una gestione più fondata dell'incertezza di stima.
• Implementazione: Gli autori forniscono il pacchetto R edgemeta, rendendo questi metodi accessibili per il calcolo di intervalli di predizione equi-distribuiti e a Massima Densità di Confidenza (HCD), nonché per le probabilità di confidenza per eventi specifici (ad es., la probabilità che un effetto futuro sia benefico).

Risultati
Uno studio di simulazione (seguendo il framework ADEMP) ha confrontato i metodi PCD proposti con il metodo Higgins-Thompson-Spiegelhalter (HTS) e un approccio bootstrap parametrico (Nagashima et al., 2018).

• Copertura:
  • PCD-full e PCD-simplified hanno tipicamente raggiunto la copertura nominale del 95% quando erano disponibili più di tre studi.
  • Questi metodi hanno riflettuto efficacementamente l'asimmetria in scenari con 20 o meno studi.
  • Al contrario, PCD-fixed (che ignora l'incertezza dell'eterogeneità) ha costantemente mostrato una sottocopertura, scendendo spesso sotto l'80% con tre studi, e si è avvicinato alla copertura nominale solo con un numero molto elevato di studi.
  • Il metodo HTS ha mostrato un pattern di copertura a forma di U: sovracopertura con tre studi e sottocopertura con 5–50 studi, particolarmente in presenza di eterogeneità moderata.
• Correlazione dell'Asimmetria: Gli intervalli PCD-full hanno dimostrato correlazioni di Pearson da moderate a forti tra l'asimmetria dell'intervallo e l'asimmetria della stima dell'effetto per meno di 50 studi, mentre gli intervalli HTS (essendo simmetrici) avevano un'asimmetria pari a zero.
• Precisione (Sharpness): Sebbene gli intervalli PCD-full e PCD-simplified siano stati generalmente più ampi degli intervalli HTS (riflettendo la corretta propagazione dell'incertezza), hanno spesso superato l'HTS in termini di punteggio di probabilità classificata continuamente (CRPS) quando il numero di studi era piccolo o l'eterogeneità era bassa.
• Caso di Studio: In una meta-analisi sugli corticosteroidi e la mortalità nei pazienti con COVID-19, lo stimatore CD-Edgington ha prodotto un intervallo di confidenza più ampio e asimmetrico a destra rispetto all'intervallo simmetrico Hartung-Knapp-Sidik-Jonkman (HKSJ). Le distribuzioni predittive risultanti (PCD-full/simplified) sono state sostanzialmente più ampie degli intervalli HTS, riflettendo l'incertezza sostanziale nella stima dell'eterogeneità anche quando la stima puntuale di $\tau^2$ era vicina a zero.

Significatività e Rivendicazioni
L'articolo sostiene che l'approccio proposto offra un'alternativa o un complemento valido alla classica meta-analisi a effetti casuali. Gli autori sottolineano che:

• Ignorare l'incertezza nella stima dell'eterogeneità porta a una copertura errata, evidenziando la necessità del proposto aggiustamento.
• Il metodo si adatta con successo all'asimmetria delle stime di effetto, fornendo inferenze predittive più accurate rispetto alle alternative simmetriche.
• Sebbene il metodo mostri prestazioni comparabili al bootstrap parametrico in termini di calibrazione e precisione, esso fornisce un distinto framework frequentista basato su distribuzioni di confidenza.
• Gli autori riconoscono che è necessaria un'ulteriore valutazione indipendente, in particolare attraverso diverse scale di effetto e distribuzioni, e notano che il metodo è attualmente limitato ai modelli a effetti casuali unimodali e normali. Suggeriscono che estensioni future potrebbero incorporare distribuzioni di effetto più flessibili (ad es., la distribuzione normale asimmetrica) e pesi specifici per gli studi per declassare studi distorti.