📊 statistics

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

本文通过将个体层级似然函数在聚合协变量分布上进行积分，将多层网络元回归（ML-NMR）方法扩展到了能够容纳包括生存时间数据在内的通用似然函数，从而实现了混合个体数据与聚合数据的合成，且不会产生聚合偏差。

原作者： David M. Phillippo, Sofia Dias, A. E. Ades, Nicky J. Welton

发布于 2026-08-18

📖 1 分钟阅读☕ 轻松阅读

原作者： David M. Phillippo, Sofia Dias, A. E. Ades, Nicky J. Welton

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

决定哪些医疗手段最适合特定人群是一项复杂的拼图。医生和卫生官员需要了解一种新药与现有方案相比的效果如何，但他们很少能找到一项测试了每种可能治疗方案的单一研究。相反，他们必须从许多不同的试验中拼凑证据，而每个试验仅比较几种治疗方法。为了理清这种碎片化的信息，研究人员使用了一种称为网络元分析（network meta-analysis）的技术，通过将这些独立的各种研究联系起来，以间接估计不同治疗方法之间的对比。然而，这种方法依赖于一个关键假设：即所有这些不同试验中的患者必须足够相似，以便其结果可以被公平地混合在一起。如果试验涉及的患者在年龄、疾病严重程度或其他健康特征方面存在差异，简单地混合数据可能会导致误导性的结论。解决这一问题最可靠的方法是获取每项研究中每一位患者的详细记录，从而允许研究人员直接针对这些差异进行调整。但在现实世界中，详细的患者记录往往是缺失的；研究人员通常只能获得许多研究的汇总统计数据。这导致了理想的数据分析方式与现实中可用数据之间的差距。

一个研究小组开发了一种新方法来弥补这一差距，使他们能够将某些研究的详细患者记录与来自其他研究的汇总数据相结合，而不损失准确性。他们的方法是多层网络元回归（multilevel network meta-regression）技术的一种扩展，解决了长期以来阻碍这些复杂调整应用于生存时间数据（例如患者存活多久或保持无病状态多久）的问题。此前，这种方法要求汇总数据的数学公式必须是简单且预先已知的，而这在生存数据中很少见。研究人员找到了完全绕过这一要求的途径。他们不再试图将汇总数据强行塞入一个预设的数学框架中，而是构建了一个系统，该系统能够获取个体患者对治疗反应的详细模型，并在汇总研究中已知患者特征的基础上对其进行数学上的“平均”。这使得模型既能从详细记录中学习，又能利用更广泛、细节较少的证据，从而有效地创建一个尊重患者群体差异的统一治疗有效性图景。

为了测试这种新方法是否有效，研究人员创建了一个已知真实答案的模拟场景。他们为一组比较三种疗法的研究生成了伪造数据，在其中一些研究中拥有完整的个体患者细节，而在另一些研究中仅拥有汇总信息。当他们应用这种新方法时，结果几乎完美地匹配了已知的真实值，其表现与能够获取所有研究详细记录的情况一样出色。即使汇总研究的患者特征与详细研究不同，该方法也成功恢复了治疗之间的真实差异。至关重要的是，估计值的精确度保持在高水平，表明该方法并未因依赖汇总数据而丢失有价值的信息。这次模拟证明，该技术可以处理生存数据的复杂数学问题，而无需依赖此前阻碍其应用的限制性公式。

随后，研究人员将他们的方法应用于一个现实世界的医学问题：比较新诊断的多发性骨髓瘤（一种血液癌症）的维持治疗方案。他们分析了一个包含五项研究的网络，其中三项提供了详细的患者记录，另外两项仅提供了源自发表的生存曲线的汇总数据。在此分析中，他们使用了一种灵活的数学形状来模拟疾病进展的风险，使其能够适应数据而非强行套入僵化的预定义模式。他们针对影响预后的四个关键患者特征进行了调整：年龄、疾病阶段、既往治疗反应和性别。结果显示，两种活性药物在维持治疗方面始终比安慰剂更有效，但这种获益的大小取决于所考虑的具体患者群体。该方法成功产生了符合汇总研究中患者混合特征的目标人群的估计值，而旧方法如果不进行带有偏差的复杂变通处理，则无法做到这一点。

其中一个最重要的发现是，新方法可以根据决策者的需求提供两种不同类型的答案。它可以计算出针对具有特定特征的患者的平均效应，也可以计算出针对整个人群（无论个体差异如何）的平均效应。这种区别至关重要，因为这两个数值并不相同，且回答的是不同的问题。虽然旧方法只能提供一种类型的答案，或者需要引入偏差的复杂变通处理，但这种新方法可以自然地处理两者。研究人员还展示了该方法能够检测出“治疗效应随时间保持不变”这一假设何时被违反（这是生存分析中的常见问题），并通过允许底层风险随时间改变形状来进行调整。通过使用一种能够平滑数据而不产生过拟合的灵活数学工具，他们确保了模型即使在数据复杂的情况下依然保持稳健。

这项工作证实，通过一种既具有统计严谨性又具有实际用途的方式，合成个体数据和汇总数据是可行的。该方法不需要汇总数据符合特定的数学形式，从而消除了限制应用人群调整技术的重大障碍。通过将个体层面的模型在汇总研究的患者特征分布上进行积分，研究人员创建了一个足够通用以处理几乎任何类型似然函数的框架。这意味着该方法可以应用于生存分析之外的广泛医学问题，包括二元结局和其他复杂数据类型。研究人员已将该方法的代码以软件包的形式公开，以便其他科学家将这些技术应用于他们自己的研究网络。其结果是提供了一种更可靠的方式来比较不同人群间的治疗效果，确保医疗决策能够真正反映出接受护理的人群现状。

技术摘要：面向一般似然函数的多元层级网络元回归

问题陈述
网络元分析（NMA）通过综合来自多个随机对照试验（RCT）的证据，来估计相对治疗效应。标准的 NMA 方法假设效应修饰因子在试验人群中是平衡的。当这一假设被违反时，结果可能会产生偏差。虽然个体患者数据（IPD）元回归是调整效应修饰因子的“金标准”，但 IPD 在网络中的所有研究中都很难获得。因此，需要通过人口统计学调整方法，将部分研究的 IPD 与其余研究的已发表聚合数据（AgD）进行合成。

现有的统计人口调整方法面临显著局限性，特别是在生存（时间-事件）结局方面。匹配调整间接比较（MAIC）和模拟治疗比较（STC）主要局限于成对比较，或者无法处理非可加性指标（如风险比）而导致的聚合偏差。此外，之前的多元层级网络元回归（ML-NMR）版本——该方法可以连贯地合成任何规模网络的证据——要求聚合层级的似然函数具有已知的闭式解。这一数学约束限制了 ML-NMR 在生存结局中的应用，因为在生存时间-事件数据中，聚合层级的似然函数无法通过解析法推导。

方法论
作者扩展了 ML-NMR 框架以适应一般似然函数，特别是使分析删失的时间-事件数据成为可能。其核心方法论创新在于绕过了对解析可求聚合层级似然函数的需求。相反，该方法分为两个步骤进行：

个体层级建模： 为给定协变量 $\mathbf{x}_{ijk}$ 和参数 $\boldsymbol{\xi}$ 的结局 $y_{ijk}$ 指定一个标准个体层级模型。对于生存数据，这涉及定义生存函数 $S_{jk}(t|\mathbf{x})$ 和风险函数 $h_{jk}(t|\mathbf{x})$ （例如 Weibull、Gompertz 或灵活的 M-样条模型）。
通过积分进行边缘化： 对于仅提供 AgD（具有汇总协变量分布 $f_{jk}(\cdot)$ 但无个体协变量）的研究，通过对联合协变量分布进行积分，获得个体边缘似然函数：
$L^{Mar}_{ijk}(\boldsymbol{\xi}; y_{ijk}) = \int_{\mathbb{X}} L^{Con}_{ijk|\mathbf{x}}(\boldsymbol{\xi}; y_{ijk}, \mathbf{x}) f_{jk}(\mathbf{x}) d\mathbf{x}$
该积分使用拟蒙特卡罗积分（具体为 Sobol' 序列）进行数值评估。作者提出了一个使用 $\hat{R}$ 收敛统计量来确定足够的积分点数 ( $\tilde{N}$ ) 的算法，以确保在不产生过度计算负担的情况下保证数值准确性。

对于生存分析，该框架支持使用三次 M-样条进行灵活的基线风险建模。为了防止因节点过多而导致过拟合，作者对逆 Softmax 变换后的样条系数应用了一种新型的加权随机游走先验。该先验诱导了收缩效应，使得模型对节点的数量、间距以及时间尺度具有不变性。

该框架允许估计两种效应：人口平均条件治疗效应（随时间恒定）和人口平均边缘治疗效应（随时间变化），包括生存曲线、中位生存时间及限制性生存均值（RMST）等绝对度量。

关键结果
论文通过两个示例验证了扩展后的 ML-NMR 方法：

模拟生存比较： 分析了一个通过共同对照组比较两种治疗方法的模拟网络。ML-NMR 模型（使用部分 IPD 和 AgD）与全 IPD NMA 以及标准的未调整间接比较进行了对比。
- 表现： ML-NMR 的估计值与全 IPD NMA 的结果高度一致，并成功恢复了真实的模拟参数值。对于数据中未观察到的比较，其标准误相对于全 IPD 仅轻微增加（2–6%）。
- 偏差： 由于未考虑效应修饰因子，标准的未调整间接比较产生了有偏估计，而 ML-NMR 成功纠正了这一问题。
- 模型选择： 信息准则（LOOIC）在 ML-NMR 和全 IPD 设置下均能正确识别出真实的底层 Weibull 模型。
新诊断的多发性骨髓瘤： 该方法被应用于一个比较来那度利酮（lenalidomide）和沙利度胺（thalidomide）对抗安慰剂的五个研究网络。
- 数据： 三个研究提供了 IPD；两个研究提供了 AgD（通过 Kaplan-Meier 曲线重建）。
- 建模： 使用了带有七个内部节点的三次 M-样条模型。在协变量调整后，比例风险假设被评估为合理。
- 发现： 两者活性治疗方案都被估计为比安慰剂更有效。该方法为所有研究人群（包括仅提供 AgD 的人群）生成了连贯的人口调整后生存曲线和风险比。所提出的带有随机游走先验的灵活 M-样条方法成功避免了尽管存在大量节点时的过拟合问题。

意义与主张
作者声称，将 ML-NMR 扩展到一般似然函数显著提升了该方法的适用性，特别是针对在卫生技术评估中广泛存在的生存结局。其主要贡献包括：

通用性： 该方法消除了对闭式聚合似然函数的要求，允许对任何可以定义个体层级似然的结局类型进行 IPD 和 AgD 的合成。
连贯性： 与 MAIC 或 STC 不同，ML-NMR 可以连贯地合成任何规模网络的证据，并能为任何目标人群（而非仅限于 AgD 研究所代表的人群）生成估计值。
灵活性： 该框架支持估计条件和边缘估计量，以及决策过程中经常需要但其他人口调整方法无法获取的绝对量（如生存曲线）。
实现： 这些方法已在 R 语言的 multinema 包中实现，并提供了 Stan 代码，使该方法易于实际应用。

论文总结道，虽然当 IPD 稀缺时，共享效应修饰因子的假设有时是必要的，但 ML-NMR 提供了一个强大的框架，用于放宽复杂网络中平衡效应修饰因子的假设，为处理时间-事件数据提供了优于现有人口调整技术的替代方案。

技术摘要：面向一般似然函数的多元层级网络元回归

类似论文