Adjusting for Outcome Reporting Bias in Meta-analysis: A Multiple Imputation Approach

技術要約：多重代入法を用いたメタ解析におけるアウトカム報告バイアスの調整

問題提起
アウトカム報告バイアス（ORB）は、研究結果の性質に基づいてアウトカムが選択的に報告される（通常、統計的に有意な結果や肯定的な結果を好む傾向がある）ことで発生する。この選択的な報告は、報告されていないアウトカムがメタ解析にバイアスをもたらし、全体的な治療効果の推定値を歪め、臨床的エビデンスの妥当性を損なうという「欠測データ問題」を生じさせる。出版バイアス（研究全体の非公開）については十分に研究されているが、ORBについては依然として対処が不十分である。標準的な手法では、欠測しているアウトカムを無視して、完全ケースのみを用いた単変量メタ解析を行うことが多く、これが推論の偏りを招く。Copasの選択モデルなどの既存の調整手法は、しばしばカテゴリ的なリスク分類（ORBITなど）に依存しているか、あるいはアウトカムを個別に扱うため、研究内における複数のアウトカム間の相関関係を活用できていない。

手法
著者らは、**多重代入法（MI）と選択モデルに基づく重要度サンプリング（Importance Sampling）**を組み合わせることで、単変量および多変量ランダム効果メタ解析の両方においてORBを調整するための柔軟なアプローチを提案している。

1. 代入フレームワーク:

   • 欠測標準誤差: サンプルサイズは既知であるが標準誤差が欠落している研究に対して、観測された分散とサンプルサイズの加重平均を用いて標準誤差を代入する。
   • 単変量代入: 報告されていない研究のアウトカムは、報告されたアウトカムから導出された条件付き多変量正規分布から代入される。これは、初期段階ではMissing At Random（MAR）メカニズムを仮定している。
   • 多変量代入: 二変量（または多変量）の設定において、本手法は相関のあるエンドポイント間の報告されていないアウトカムを共同で代入する。これにより、モデルが報告されたアウトカムから情報を「借りる」ことが可能になり、研究内および研究間の相関を考慮しながら欠測値の代入を行うことができる。

2. 選択と再重み付け:

   • 非ランダムな欠測の性質（Missing Not At Random: MNAR）を補正するために、代入されたデータセットは重要度サンプリングを用いて再重み付けされる。
   • 著者らは、アウトカムが報告される確率が、効果推定値（$\hat{\theta}$）またはzスコア（$z$）の関数となるロジスティック選択モデルを採用している。
   • 選択重みパラメータ $\delta$ は、選択メカニズムの強さを制御する。$\delta=0$ はMAR（選択バイアスなし）に対応し、$\delta > 0$ は、より大きな効果（または高いzスコア）を持つアウトカムの方が報告されやすいことを意味する。
   • 最終的な調整済み推定値は、$M$ 個の代入データセットからのメタ解析的推定値の加重平均である。ここで、重みは選択モデルによって決定される。

3. 実装:

   • 本手法は、単変量モデルおよび多変量モデルの両方で実装される。
   • 研究内の相関（しばしば報告されない）における不確実性は、相関パラメータを妥当な範囲内で変化させる感度分析を通じて対処される。

主な貢献

• MIと選択モデルの統合: 本論文は、多重代入法を選択モデルを介した確率的選択と統合し、メタ解析におけるORBへの対処を目的として、先行研究（Carpenterら）を拡張している。
• 多変量への拡張: 既存の多くの手法はアウトカムを個別に調整するが、本アプローチはORB調整を多変量メタ解析へと拡張している。相関するアウトカムを共同でモデル化することで、欠測データの代入精度を高めるために、エンドポイント間で情報を共有することを可能にしている。
• 二重の選択メカニズム: 本フレームワークは、生の効果推定値とzスコア（統計的有意性）の両方に基づく選択をサポートしており、報告の決定がどちらの指標に依存するかを考慮している。
• 感度分析: 本手法は感度分析ツールとして設計されており、ユーザーは選択メカニズムに関する仮定の下で結論がどのように変化するかを評価するために、選択重み（$\delta$）の範囲を指定する必要がある。

結果

• 臨床データへの適用: 本手法は、トピラマートの薬剤抵抗性てんかんに関するコクランレビューに適用された。
  • 「発作消失（seizure freedom）」のアウトカムでは、50%の研究が未報告であったが、ORB調整後の推定値は、素朴な（naive）解析と比較して、系統的に帰無仮説側（効果が小さい方向）へとシフトした。
  • シフトの大きさは、仮定された選択重み（$\delta$）が高くなるにつれて増大した。
  • zスコアに基づく選択は、一般に効果推定値に基づく選択よりも強力な調整をもたらした。
  • 多変量アプローチは、選択が共同でモデル化された場合、単変量アプローチよりも強力な調整をもたらした。これは、アウトカム間の相関が選択メカニズムの影響を増幅させたためである。
• シミュレーション研究: 様々な異質性（$I^2$）、サンプルサイズ、および選択強度（selection strength）の下で、本手法の評価を行う包括的なシミュレーション研究が行われた。
  • バイアス低減: 素朴な推定値は、特に高い異質性と強い選択がある場合に大幅なバイアスを示した。提案されたORB調整手法は、このバイアスを大幅に減少させた。
  • 多変量の性能: 二変量アプローチは、相関がゼロでない限り、完全に報告されたアウトカムから情報を借りることで、単変量アプローチよりも優れた性能（低いバイアスと良好な被覆率）を示した。
  • 限界: 非常に高い異質性（$I^2 = 90\%$）かつ小規模なサンプルサイズ（$K=6$）の条件下では、残留バイアスが存続し、数値的不安定性（非収束）が観察された。本手法は、分析における仮定された選択メカニズムが、データ生成における真のメカニズムと一致している場合に最も高い性能を発揮した。

意義と主張
著者らは、報告されていない研究のアウトカムを代入することは、メタ解析におけるORBに対処するための有望かつ実践的なアプローチであると主張している。彼らは、この手法を決定的な修正策（真の選択メカニズムは未知であるため）としてではなく、メタ解析の結論の頑健性を評価するための感度分析として位置づけている。

本論文は以下の点を強調している：

1. ORBはアウトカムの推定値を大幅に歪ませ、しばしばベネフィットを過大評価させる可能性がある。
2. 提案された多変量アプローチは、相関するアウトカムを共同でモデル化するようにORB調整を拡張しており、個別の単変量調整よりも包括的なフレームワークを提供する。
3. 本手法はバイアスを減少させ、被覆率を改善するものの、その有効性は、仮定された選択メカニズム、異質性の程度、およびアウトカム間の相関の強さに依存する。
4. 本アプローチは、調整をガイドするための外部的なバイアスリスク分類（ORBITなど）が利用できない場合でも、欠測メカニズムの統計的モデリングに依存しているため、非常に有用である。

著者らは、彼らのアプローチが、メタ解析の結論が潜在的なアウトカム報告バイアスに対してどの程度敏感であるかを評価するための柔軟なツールを提供すると結論づけている。