A beta-binomial model respecting randomization and its comparison to the standard beta-binomial model that ignores randomization for the meta-analysis of rare events

Technische Samenvatting: Een Beta-Binomiaal Model dat Randomisatie Respecteert voor Meta-analyse van Zeldzame Gebeurtenissen

Probleemstelling
Meta-analyses van zeldzame binaire gebeurtenissen presenteren aanzienlijke statistische uitdagingen, met name wanneer primaire studies cellen met nul gebeurtenissen bevatten. Traditionele benaderingen vertrouwen vaak op continuïteitscorrecties (bijv. het toevoegen van 0,5 aan cellen met nul) of fixed-effect methoden (bijv. Peto, Mantel-Haenszel), die bias kunnen introduceren, standaardfouten kunnen opblazen of kunnen falen om tussenstudie-heterogeniteit te verklaren. Hoewel het standaard beta-binomial model (BBM) een robuust alternatief is dat informatie over nul-cellen gebruikt zonder continuïteitscorrecties, bezit het een kritieke structurele beperking: het negeert de inherente randomisatie van de primaire studies.

Het standaard BBM (vaak "common-rho" genoemd) werkt als een "arm-gebaseerd" model. Het poolt data van de controlegroepen over alle studies heen om een distributie van het basisrisico te schatten en koppelt vervolgens de behandelarmen aan deze distributie. Bij consequent wordt de behandeling en de controle als onafhankelijke steekproeven over de meta-analyse beschouwd, waardoor de binnenstudie-paring die door randomisatie is gevestigd, effectief wordt weggegozen. Deze benadering staat in contrast met "contrast-gebaseerde" methoden (zoals inverse-variance meta-analyse) waarbij het behandelings-effect binnen elke studie wordt geschat voordat deze wordt samengevoegd. De auteurs stellen dat het negeren van randomisatie kan leiden tot ecologische bias, met name in scenario's met ongebalanceerde studiegrootten of hoge heterogeniteit, hoewel eerdere simulaties suggereerden dat de praktische impact minimaal zou zijn.

Methodologie
De auteurs introduceren en evalueren een "common-beta" beta-binomial model dat randomisatie expliciet respecteert (BBCBrespect).

• Modelformulering:

  • Standaard BBM (BBST): Veronderstelt een gemeenschappelijke intra-klasse correlatie ($\rho$) over zowel behandel- als controlegroepen ($\alpha_C + \beta_C = \alpha_T + \beta_T$). Het schat parameters door eerst de controlegroepen te poolen en vervolgens het behandelings-effect af te leiden via een linkfunctie.
  • Common-Beta BBM (BBCB): Veronderstelt een gemeenschappelijke beta-parameter ($\beta_C = \beta_T = \beta$) terwijl de alpha-parameters mogen verschillen. Deze structuur is wiskundig equivalent aan een fixed-effects negatief binomiale regressie voor panel count data.
  • Respecteren van Randomisatie (BBCBrespect): De belangrijkste innovatie ligt in de likelihood-conditionering. Terwijl een eerdere iteratie van het common-beta model (BBCBignor) conditioneerde op de totale aantallen van de behandel- en controlegroepen afzonderlijk (waarbij de studie-niveau pairing werd genegeerd), conditioneert BBCBrespect op de som van alle vier de aantallen (behandelingsgebeurtenissen, niet-gebeurtenissen in behandeling, controlegebeurtenissen, niet-gebeurtenissen in controle) binnen elke studie. Dit koppelt de behandelings- en controlegroepen van een enkele studie direct tijdens de parameterschatting, waardoor de randomisatiestructuur behouden blijft.

• Simulatiestudie:
  De auteurs voerden een uitgebreide simulatiestudie uit (10.000 meta-analyses per scenario) ontworpen om realistische Cochrane- en non-Cochrane-reviews te spiegelen.

  • Data-generatie: Gebaseerd op distributies afgeleid van Turner et al. en Page et al., waarbij de omvang van de studies, de basisrisico-kansen (0,01, 0,02, 0,05) en heterogeniteit ($\tau^2$) werden gesimuleerd.
  • Scenario's: Varieerden in het aantal studies (mediaan 3 voor Cochrane-achtige, 9 voor non-Cochrane-achtige), basisrisico en de aanwezigheid/afwezigheid van een behandelings-effect (Null vs. Alternatieve hypothesen).
  • Comparators: Het BBCBrespect model werd vergeleken met het standaard BBM (BBST), het common-beta model dat randomisatie negeert (BBCBignor) en een referentie inverse-variance random-effects meta-analyse met de Paule-Mandel estimator met aangepaste Hartung-Knapp betrouwbaarheidsintervallen (MHKPM).
  • Metrieken: Convergentieratent, bias, dekking (coverage probability), lengte van de betrouwbaarheidsintervallen en statistische power.

• Empirisch Voorbeeld:
  De modellen werden toegepast op een Cochrane-review van on-pump versus off-pump arteria bypass grafting (60 studies) om praktische verschillen te illustreren.

Belangrijkste Resultaten

• Convergentie: Alle beta-binomial modellen vertoonden hoge convergentieratent (88–95%), vergelijkbaar met het standaard BBM. Het MHKPM-referentiemodel convergeerde in 100% van de runs vanwege continuïteitscorrecties.
• Bias en Schattingen:
  • In de meeste scenario's produceerden BBST en BBCBignor zeer vergelijkbare effectschattingen, die vaak aanzienlijk overlapten.
  • BBCBrespect leverde over het algemeen schattingen die iets dichter bij de nul lagen vergeleken met BBST, met name in scenario's met hoge heterogeniteit of ongebalanceerde studiegrootten.
  • Het MHKPM-model vertoonde de sterkste bias en de laagste power, en produceerde vaak onrealistisch brede betrouwbaarheidsintervallen of sloot studies met nul-gebeurtenissen volledig uit.
• Dekking en Power:
  • De dekking (coverage probabilities) voor de beta-binomial modellen schommelde over het algemeen rond of net boven het nominale niveau van 95%, terwijl BBST een lagere dekking vertoonde (tot 90%) in scenario's met zeer zeldzame gebeurtenissen (p=0,01).
  • De power was over het algemeen laag voor alle methoden in het Cochrane (weinig studies) scenario. In het non-Cochrane scenario was de power vergelijkbaar over alle beta-binomial modellen.
• Impact van het Negeren van Randomisatie:
  • De Bland-Altman plots toonden aan dat de verschillen tussen BBCBrespect en BBCBignor het meest uitgesproken waren in twee specifieke situaties:
    1. Hoge Heterogeniteit: Wanneer $\tau^2$ zeer hoog was, konden de modellen uiteenlopende resultaten produceren, wat soms zelfs het teken van het effect veranderde.
    2. Ongebalanceerde Studiegrootten: Wanneer meta-analyses studies bevatten met zeer verschillende steekproefgroottes (bijv. kleine studies versus één grote studie), leidde het negeren van randomisatie tot onwaarschijnlijke schattingen.
  • In gebalanceerde scenario's met vergelijkbare studiegrootten waren de verschillen tussen de modellen verwaarloosbaar.

Betekenis en Conclusies
Het artikel concludeert dat hoewel het standaard beta-binomial model (dat randomisatie negeert) meestal niet biased is wanneer studies gebalanceerd zijn en van vergelijkbare grootte, het een inherent risico op ecologische bias draagt. Het BBCBrespect model, dat conditioneert op de totale studieaantallen om randomisatie te respecteren, presteert vergelijkbaar wat betreft statistische eigenschappen (bias, dekking, power), maar elimineert de theoretische fout van het negeren van de studie-niveau pairing.

De auteurs betogen dat omdat het BBCBrespect model in de meeste realistische scenario's zeer vergelijkbare resultaten laat zien als het standaard model, maar het risico op bias elimineert in situaties met ongebalanceerde randomisatie of hoge heterogeniteit, het algemeen de voorkeur verdient. De studie benadrukt dat de keuze van het model bijzonder kritiek is wanneer meta-analyses studies bevatten met ongebalanceerde allocatieverhoudingen of zeer variabele steekproefgroottes, waar de "arm-gebaseerde" pooling van standaard BBM's tot spuriouse conclusies kan leiden. Het werk demonstreert tevens het nut van econometrische panel data estimatie-routines (specifiek PROC COUNTREG in SAS) voor de implementatie van deze complexe meta-analytische modellen.