Bayesian random-effects meta-analysis of aggregate data on clinical events

Titel: Bayesiaanse meta-analyse met willekeurige effecten (random-effects) van geaggregeerde data over klinische gebeurtenissen

1. Het Probleem

In de geneesmiddelenontwikkeling is het evalueren van zeldzame bijwerkingen (adverse events) cruciaal, maar statistisch uitdagend. Individuele klinische trials zijn vaak onderbepaald (underpowered) om zeldzame gebeurtenissen te detecteren. Meta-analyses worden daarom gebruikt om bewijs te bundelen. Echter, er zijn specifieke complicaties bij het analyseren van deze data:

• Zeldzame gebeurtenissen: Veel studies rapporteren geen enkele gebeurtenis in een of beide behandelingsarmen.
• Heterogeniteit in rapportage: Data worden vaak als geaggregeerde aantallen (aggregate data) gepresenteerd, zonder individuele patiëntdata (IPD).
• Complexe tijdsverloop: Patiënten kunnen verschillende trajecten hebben: overlijden door de gebeurtenis, niet-dodelijke gebeurtenis met voltooiing van de studie, niet-dodelijke gebeurtenis met voortijdig afhaken, administratief gecensureerd, of verloren voor follow-up.
• Beperking van bestaande modellen: Een eerder voorgesteld Bayesiaans model (Holzhauer, 2017) gebruikte een common-effect (CE) model (aannemende dat alle studies hetzelfde effect hebben). Dit negeert echter de potentiële heterogeniteit tussen studies, wat kan leiden tot te optimistische conclusies en te nauwe betrouwbaarheidsintervallen, vooral bij weinig studies.

2. Methodologie

De auteurs breiden het bestaande model van Holzhauer uit naar een Bayesiaanse random-effects (RE) benadering.

• Datastructuur: Het model werkt met geaggregeerde data per behandelingsarm: totale patiëntenaantal ($n_{ij}$), aantal gebeurtenissen ($y_{ij}$), aantal dodelijke gebeurtenissen ($m_{ij}$), aantal voortijdige afhakers ($z_{ij}$) en follow-up duur ($\tau_{ij}$).
• Probabilistisch Model:
  • De tijd tot een gebeurtenis en de tijd tot afhaken worden gemodelleerd met exponentiële verdelingen met snelheidsparameters $\lambda_{ij}$ (gebeurtenis) en $\mu_{ij}$ (afhaken).
  • De kans dat een gebeurtenis dodelijk is, wordt gemodelleerd met een Bernoulli-verdeling ($q_j$).
  • De data worden beschouwd als een multinomiale verdeling over vijf mogelijke patiënttrajecten (zoals geïllustreerd in Figuur 1 van het artikel).
• Hierarchische Structuur:
  • Common-Effect (CE): De log-hazard ratio ($\phi$) is constant over alle studies.
  • Random-Effects (RE): De log-hazard ratio varieert per studie: $\phi_i \sim \text{Normal}(\phi, \eta^2)$. Hierbij is $\phi$ het gemiddelde effect en $\eta$ de heterogeniteit tussen studies.
• Bayesiaanse Inference:
  • Er worden prior-verdelingen gebruikt voor hyperparameters (gemiddelde en variantie van de log-hazards).
  • Historische Data: Waar beschikbaar (zoals bij Rosiglitazon), wordt gebruik gemaakt van Meta-Analytic-Predictive (MAP) priors om informatie uit historische controlegroepen te lenen. Dit kan op twee manieren: "non-stratified" (borrows strength tussen studies) of "stratified" (geen borrowing tussen studies).
  • Prior Sensitiviteit: Er wordt gekeken naar de invloed van de prior op de heterogeniteit ($\eta$), variërend van vaag (Halfnormal(100)) tot informatief (Halfnormal(0.1)).
• Implementatie: De analyses worden uitgevoerd met MCMC-methoden (Markov Chain Monte Carlo) in R en Stan.

3. Belangrijkste Bijdragen

1. Extensie van het Holzhauer-model: De eerste implementatie van een random-effects benadering voor geaggregeerde overlevingsdata van zeldzame bijwerkingen, specifiek ontworpen om heterogeniteit tussen studies te modelleren.
2. Flexibiliteit in Data-gebruik: Het model kan zowel studies met als zonder historische controlegroepen verwerken en maakt gebruik van MAP-priors om externe data te integreren.
3. Analyse van Twee Casestudies:
   • Rosiglitazon (Diabetes): Een dataset met 54 trials en historische data.
   • Oncologie: Een dataset met slechts 9 trials, zonder historische data, met zeer heterogene controlegroepen.
4. Uitgebreide Simulatiestudies: Monte Carlo-simulaties die de prestaties van CE- versus RE-modellen testen onder verschillende scenario's (verschillende heterogeniteit, aantal studies, en gebruik van historische data).

4. Resultaten

• Toepassing op Rosiglitazon:
  • RE-modellen leverden bredere credible intervals (CI) op dan CE-modellen, wat de onzekerheid door heterogeniteit weerspiegelt.
  • De punt-schattingen voor de Hazard Ratio (HR) waren bij RE-modellen vaak lager dan bij CE-modellen, omdat RE-modellen studies met extreme effecten minder zwaar wegen.
  • Bij een groot aantal studies (54) domineert de data de prior, tenzij de prior voor heterogeniteit zeer informatief is.
• Toepassing op Oncologie:
  • Bij slechts 9 studies was de invloed van de prior op heterogeniteit veel groter.
  • Een CE-model sloot een HR van 1 uit (significant effect), terwijl het RE-model een HR van 1 wel toeliet (geen significant effect), wat leidt tot kwalitatief verschillende conclusies over de veiligheid.
  • De keuze van de prior voor $\eta$ was hier cruciaal; een vaag prior resulteerde in bredere intervallen en conservatievere conclusies.
• Simulatiestudies:
  • Coverage: RE-modellen hadden over het algemeen betere dekking (coverage probability) van de 95% betrouwbaarheidsintervallen wanneer er echte heterogeniteit aanwezig was. CE-modellen onderdekten (undercovered) bij heterogeniteit.
  • Type I Error: RE-modellen controleerden de Type I-fout (vals positief) beter bij heterogeniteit, maar waren te conservatief (te lage Type I-fout, lage power) bij homogeniteit.
  • Power: Bij homogeniteit presteerden CE-modellen beter qua power. Bij heterogeniteit daalde de power van RE-modellen naarmate de heterogeniteit toenam, maar bleven ze betrouwbaarder in hun onzekerheidsindicatie.
  • Historische Data: Het gebruik van MAP-priors (historische data) verhoogde de power, maar kon de Type I-fout beïnvloeden als de historische data niet goed overeenkwamen met de huidige data.

5. Betekenis en Conclusie

Dit artikel onderstreept het belang van het modelleren van heterogeniteit bij meta-analyses van zeldzame bijwerkingen, vooral wanneer het aantal studies klein is of wanneer studies sterk van elkaar verschillen (zoals in de oncologie).

• Voorzichtigheid: Het gebruik van random-effects modellen voorkomt overoptimistische conclusies en te nauwe betrouwbaarheidsintervallen die kunnen ontstaan bij het negeren van variatie tussen studies.
• Prior Sensitiviteit: Bij weinig data is de keuze van de prior voor de heterogeniteit ($\eta$) van kritiek belang. Een te informatieve prior kan de resultaten verstoren, terwijl een te vaag prior bij weinig studies kan leiden tot onstabiele schattingen.
• Praktische Implicatie: Voor veiligheidsanalyses in de geneesmiddelenontwikkeling, waar de consequenties van een vals positief resultaat groot kunnen zijn, biedt de Bayesiaanse RE-benadering een robuuster kader dan traditionele CE-methoden. Het stelt onderzoekers in staat om externe data (historische controles) op een gestructureerde manier te integreren via MAP-priors, wat essentieel is in gebieden waar grote gerandomiseerde trials zeldzaam zijn.

De auteurs concluderen dat hoewel het CE-model nuttig kan zijn bij homogene data, het RE-model de voorkeur verdient in de meeste realistische scenario's van klinische trials om de onzekerheid correct weer te geven en de risico's van overinterpretatie te minimaliseren.