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

技术摘要：一种尊重随机化设计的 Beta-Binomial 模型，用于稀有事件的荟 de 分析

问题陈述
稀有二元事件的荟萃分析（meta-analyses）面临显著的统计挑战，特别是当原始研究包含零事件单元格时。传统方法通常依赖于连续性校正（例如，在零单元格中添加 0.5）或固定效应方法（如 Peto、Mantel-Haenszel），这些方法可能会引入偏差、夸大标准误，或无法解释研究间的异质性。虽然标准的 Beta-Binomial 模型（BBM）已作为一种稳健的替代方案出现，能够利用零单元格信息而无需连续性校正，但它存在一个关键的结构性局限：它忽略了原始研究中的随机化过程。

标准的 BBM（通常称为“共同 rho”型）是一种“基于组别”（arm-based）的模型。它通过汇总所有研究的对照组数据来估计基线风险分布，然后将治疗组与该分布联系起来。因此，它将治疗组和对照组视为荟萃分析中独立的样本，实际上丢弃了研究内部建立的配对关系。这与“基于差异”（contrast-based）的方法（如逆方差随机效应荟萃分析）形成了对比，后者在汇总之前先估计每项研究内的治疗效应。作者认为，忽略随机化可能会导致生态学偏差（ecological bias），特别是在研究规模不平衡或异质性较高的情况下，尽管之前的模拟表明其实际影响可能很小。

方法论
作者引入并评估了一种能够显式尊重随机化设计的“共同 Beta”型 Beta-Binomial 模型（BBCBrespect）。

• 模型构建：

  • 标准 BBM (BBST)： 假设治疗组和对照组具有共同的类内相关系数 ($\rho$)（即 $\alpha_C + \beta_C = \alpha_T + \beta_T$）。它通过先汇总对照组，然后通过连接函数导出治疗效应来估计参数。
  • 共同 Beta 型 BBM (BBCB)： 假设具有共同的 Beta 参数（$\beta_C = \beta_T = \beta$），同时允许 $\alpha$ 参数不同。这种结构在数学上等同于针对面板计数数据的固定效应负二项回归。
  • 尊重随机化 (BBCBrespect)： 核心创新在于似然条件的设定。在之前的迭代版本中，共同 Beta 模型（BBCBignor）分别对治疗组和对照组的总计数进行条件化（忽略了研究层面的配对），而 BBCBrespect 则对每个研究内的“四个总计数之和”（治疗组事件数、治疗组非事件数、对照组事件数、对照组非事件数）进行条件化。这种做法在参数估计过程中直接将单个研究的治疗组和对照组联系起来，从而保留了随机化结构。

• 模拟研究：
  作者进行了一项全面的模拟研究（每个场景进行 10,000 次荟萃分析），旨在模拟真实的 Cochrane 和非 Cochrane 回顾场景。

  • 数据生成： 基于来自 Turner 等人和 Page 等人的分布，模拟研究规模、基线事件概率（0.01, 0.02, 0.05）以及异质性 ($\tau^2$)。
  • 场景： 根据研究数量（Cochrane 类为中位数 3 个，非 Cochrane 类为 9 个）以及基线风险和是否存在治疗效应（原假设 vs. 备择假设）进行变化。
  • 比较对象： 将 BBCBrespect 模型与标准 BBM (BBST)、忽略随机化的共同 Beta 模型 (BBCBignor)，以及使用经过修改的 Hartung-Knapp 置信区间之 Paule-Mandel 估计量的逆方差随机效应荟萃分析 (MHKPM) 进行比较。
  • 指标： 收敛率、偏差、覆盖概率、置信区间长度和统计功效。

• 经验实例：
  作者将这些模型应用于一项关于体外泵与非体外泵动脉旁路移植术（60 项研究）的 Cochrane 回顾，以说明实际差异。

主要结果

• 收敛性： 所有 Beta-Binomial 模型均表现出较高的收敛率（88–95%），与标准 BBM 相当。由于使用了连续性校正，作为参考的 MHKPM 模型在 100% 的运行中均实现了收敛。
• 偏差与估计值：
  • 在大多数场景下，BBST 和 BBCBignor 产生的效应估计值非常接近，且往往高度重叠。
  • 与 BBST 相比，BBCBrespect 通常产生的估计值更接近无效假设（null），尤其是在高异质性或研究规模不平衡的场景下。
  • MHKPM 模型表现出最强的偏差和最低的功效，经常产生不切实际的宽置信区间，或完全排除零事件研究。
• 覆盖率与功效：
  • Beta-Binomial 模型的覆盖概率通常接近或略高于名义 95% 水平，而 BBST 在极稀有事件场景（p=0.01）下显示出较低的覆盖率（降至 90%）。
  • 在 Cochrane（研究较少）场景下，所有方法的功效普遍较低。在非 Cochrane 场景下，各 Beta-Binomial 模型之间的功效相似。
• 忽略随机化的影响：
  • Bland-Altman 图显示，BBCBrespect 与 BBCBignor 之间的差异在以下两种特定情况下最为显著：
    1. 高异质性： 当 $\tau^2$ 非常高时，模型可能会产生分歧的结果，甚至改变效应的方向。
    2. 不平衡的研究规模： 当荟萃分析包含规模差异巨大的研究（例如，小研究与一个大研究并存）时，忽略随机化会导致不合理的估计。
  • 在研究规模相似的平衡场景中，模型之间的差异可以忽略不计。

意义与结论
本文得出结论：虽然标准的 Beta-Binomial 模型（忽略随机化）在研究平衡且规模相似时通常不会产生偏差，但它存在内在的生态学偏差风险。BBCBrespect 模型通过对总计数进行条件化以保留随机化结构，其在统计特性（偏差、覆盖率、功效）方面表现出色，同时消除了忽略研究层面配对的理论缺陷。

作者认为，由于 BBCBrespect 模型在大多数现实场景中与标准模型的结果非常相似，但消除了在不平衡随机化或高异质性情况下的偏差风险，因此应被广泛优先采用。研究强调，当荟萃分析包含不平衡的分配比例或高度可变的样本量时，选择模型尤为关键，因为标准 BBM 的“基于组别”汇总可能会导致伪造的结论。这项工作还展示了利用计量经济学面板数据估计程序（特别是 SAS 中的 PROC COUNTREG）来实现这些复杂荟萃分析模型的实用性。