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

Beslissingen nemen over welke medische behandelingen het beste werken voor een specifieke groep mensen is een complexe puzzel. Artsen en gezondheidsfunctionarissen moeten weten hoe een nieuw medicijn zich verhoudt tot bestaande opties, maar zelden is er één enkele studie die alle mogelijke behandelingen tegenover elke andere test. In plaats daarvan moeten ze bewijs uit veel verschillende studies samenvoegen, waarbij elke studie slechts enkele behandelingen met elkaar vergelijkt. Om deze lappendeken begrijpelijk te maken, gebruiken onderzoekers een techniek genaamd netwerk-meta-analyse, die deze afzonderlijke studies verbindt om te schatten hoe behandelingen indirect met elkaar vergelijken. Deze methode rust echter op een cruciale aanname: dat de mensen in al deze verschillende studies vergelijkbaar genoeg zijn zodat de resultaten eerlijk bij elkaar gevoegd kunnen worden. Als de studies patiënten bevatten met verschillende leeftijden, ziekte Ernsten of andere gezondheidskenmerken, kan het simpelweg mengen van de gegevens leiden tot misleidende conclusies. De meest betrouwbare manier om dit op te lossen is door toegang te hebben tot de gedetailleerde dossiers van iedere individuele patiënt in elke studie, waardoor onderzoekers deze verschillen direct kunnen corrigeren. Maar in de echte wereld ontbreken gedetailleerde patiëntendossiers vaak; onderzoekers hebben meestal alleen samenvattende statistieken van veel studies. Dit laat een kloof achter tussen de ideale manier om gegevens te analyseren en de realiteit van wat beschikbaar is.

Een team van onderzoekers heeft een nieuwe methode ontwikkeld om deze kloof te overbruggen, waardoor zij gedetailleerde patiëntendossiers van sommige studies kunnen combineren met samenvattende gegevens van andere zonder aan nauwkeurigheid in te boeten. Hun benadering, een uitbreiding van een techniek genaamd multilevel netwerk-meta-regressie, lost een langlopend probleem op dat het gebruik van deze geavanceerde correcties voor 'time-to-event'-data (zoals hoe lang patiënten overleven of ziektevrij blijven) voorheen verhinderde. Voorheen vereiste deze methode dat de wiskundige formules voor samenvattende gegevens eenvoudig en vooraf bekend waren, wat voor overlevingsdata zelden het geval is. De onderzoekers vonden een manier om aan deze vereiste volledig te omzeilen. In plaats van te proberen de samenvattende gegevens in een vooraf bestaand wiskundig hokje te dwingen, bouwden zij een systeem dat het gedetailleerde model van hoe individuele patiënten op een behandeling reageren, wiskundig "gemiddeld" over de bekende kenmerken van de patiënten in de samenvattende studies. Dit stelt het model in staat om te leren van de gedetailleerde dossiers terwijl het nog steeds gebruik kan maken van de bredere, minder gedetailleerde bewijslast, waardoor effectief een verenigd beeld van de effectiviteit van de behandeling ontstaat dat rekening houdt met de verschillen tussen patiëntenpopulaties.

Om te testen of deze nieuwe aanpak werkt, creëerden de onderzoekers een gesimuleerd scenario waarin zij de ware antwoorden vooraf kenden. Zij genereerden fictieve gegevens voor een netwerk van studies die drie behandelingen vergeleken, waarbij zij zichzelf volledige toegang gaven tot individuele patiëntdetails voor sommige studies, maar slechts samenvattende informatie voor andere. Wanneer zij hun nieuwe methode toepasten, kwamen de resultaten bijna perfect overeen met de bekende ware waarden, waarbij zij net zo goed presteerden als wanneer zij de gedetailleerde dossiers voor elke studie hadden kunnen gebruiken. De methode slaagde erin de ware verschillen tussen behandelingen te herstellen, zelfs wanneer de samenvattende studies andere patiëntkenmerken hadden dan de gedetailleerde studies. Cruciaal was dat de precisie van de schattingen hoog bleef, wat aantoont dat de methode geen waardevolle informatie verloor door de samenvattende gegevens te gebruiken. Deze simulatie bewees dat de techniek de complexe wiskunde van overlevingsdata kon afhandelen zonder de beperkende formules die voorheen in de weg zaten.

De onderzoekers pasten hun methode vervolgens toe op een reële medische vraag: het vergelijken van onderhoudsbehandelingen voor pas gediagnosticeerde multipel myeloom, een vorm van bloedkanker. Zij analyseerden een netwerk van vijf studies, waarvan er drie gedetailleerde patiëntendossiers boden en twee slechts samenvattende gegevens die afgeleid waren van gepubliceerde overlevingscurves. In deze analyse modelleerden zij het risico op ziekteprogressie over de tijd met behulp van een flexibele wiskundige vorm die zich kon aanpassen aan de data, in plaats van het in een rigide, vooraf gedefinieerd patroon te dwingen. Zij corrigeerden voor vier belangrijke patiëntkenmerken die de uitkomsten beïnvloeden: leeftijd, ziektestadium, respons op eerdere behandeling en geslacht. De resultaten lieten zien dat twee actieve medicijnen consequent effectiever waren dan een placebo, maar dat de omvang van het voordeel varieerde afhankelijk van de specifieke patiëntenpopulatie die werd overwogen. De methode produceerde succesvol schattingen voor een doelpopulatie die overeenkwamen met de mix van patiënten in de samenvattende studies, iets wat oudere methoden niet konden zonder sterke, oncontroleerbare aannames te doen.

Een van de meest significante bevindingen was dat de nieuwe methode twee verschillende soorten antwoorden kon produceren, afhankelijk van wat een besluitvormer nodig heeft. Het kon het gemiddelde effect van een behandeling berekenen voor een patiënt met specifieke kenmerken, of het kon het gemiddelde effect berekenen voor een gehele populatie, ongeacht individuele verschillen. Dit onderscheid is essentieel omdat de twee getallen niet hetzelfde zijn en verschillende vragen beantwoorden. Terwijl oudere methoden slechts één type antwoord konden bieden of complexe werkwijzen vereisten die bias introduceerden, handelt deze nieuwe aanpak beide van nature af. De onderzoekers demonstreerden ook dat hun methode kon detecteren wanneer de aanname dat behandelingseffecten constant blijven over de tijd werd geschonden, een veelvoorkomend probleem in overlevingsanalyse, en dit kon corrigeren door de onderliggende risico's in vorm te laten veranderen over de tijd. Door een flexibel wiskundig instrument te gebruiken dat de gegevens kon gladstrijken zonder te overfitten, zorgden zij ervoor dat het model robuust bleef, zelfs wanneer de gegevens complex waren.

Het werk bevestigt dat het mogelijk is om individuele en geaggregeerde gegevens te synthetiseren op een manier die zowel statistisch rigoureus als praktisch bruikbaar is voor overlevingsuitkomsten. De methode vereist niet dat de samenvattende gegevens voldoen aan een specifieke wiskundige vorm, wat een belangrijke barrière wegnam die de toepassing van populatiecorrectietechnieken beperkte. Door het model op individueel niveau te integreren over de distributie van patiëntkenmerken in de samenvattende studies, hebben de onderzoekers een kader gecreëerd dat algemeen genoeg is om bijna elk type likelihood te kunnen verwerken. Dit betekent dat de benadering kan worden toegepast op een breed scala aan medische vragen buiten alleen overleving, inclusر binair uitkomsten en andere complexe datatypen. De onderzoekers hebben de code voor deze methode beschikbaar gesteld in een softwarepakket, zodat andere wetenschappers deze technieken op hun eigen netwerken van studies kunnen toepassen. Het resultaat is een betrouwbaardere manier om behandelingen over diverse populaties te vergelijken, waardoor wordt gewaarborgd dat beslissingen in de gezondheidszorg gebaseerd zijn op bewijs dat werkelijk de mensen weerspiegelt die de zorg zullen ontvangen.