Comparação de Redes Bayesianas, G

BMC Medical Research Methodology volume 23, número do artigo: 191 (2023) Citar este artigo

202 Acessos

6 Altmétrico

Detalhes das métricas

A agregação de uma série de ensaios N-de-1 apresenta um desenho de estudo inovador e eficiente, como alternativa aos tradicionais ensaios clínicos randomizados. Os desafios para a análise estatística surgem quando há transferência ou dependências complexas do efeito do tratamento de interesse.

Neste estudo, avaliamos e comparamos métodos para a análise de ensaios N-de-1 agregados em diferentes cenários com carry-over e dependências complexas de efeitos de tratamento em covariáveis. Para isso, simulamos dados de uma série de ensaios N-de-1 para dor lombar crônica inespecífica com base em relações causais presumidas parametrizadas por gráficos acíclicos direcionados. Além dos métodos estatísticos existentes, como modelos de regressão, redes bayesianas e estimativa G, introduzimos um modelo paramétrico ajustado por carry-over (COAPM).

Os resultados mostram que todos os modelos existentes avaliados apresentam um bom desempenho quando não há carry-over e nem dependência de tratamento. Quando há carry-over, o COAPM produz estimativas imparciais e mais eficientes, enquanto todos os outros métodos mostram algum viés na estimativa. Quando há dependência conhecida do tratamento, todas as abordagens capazes de modelá-la produzem estimativas imparciais. Finalmente, a eficiência de todos os métodos diminui ligeiramente quando há valores faltantes, e o viés nas estimativas também pode aumentar.

Este estudo apresenta uma avaliação sistemática de abordagens existentes e novas para a análise estatística de uma série de ensaios N-de-1. Derivamos recomendações práticas sobre quais métodos podem ser melhores em quais cenários.

Relatórios de revisão por pares

Na última década, a medicina personalizada tem aumentado. O tratamento de pacientes a nível individual foi melhorado pelas inúmeras possibilidades de medir resultados de saúde com dispositivos inteligentes e pela aplicação de novas abordagens de ciência de dados. A fim de avaliar a eficácia das intervenções de saúde a nível individual, os ensaios N-de-1 foram estabelecidos como o padrão ouro [1, 2]. Os ensaios N-de-1 são ensaios controlados multi-crossover, onde cada paciente é seu próprio grupo de controle. Além das análises em nível individual para tratamento personalizado, séries de ensaios N-de-1 podem ser analisadas em conjunto [3], ou também combinadas com resultados de ensaios clínicos randomizados (ECR) padrão para obter estimativas em nível populacional sobre a eficácia do tratamento. tratamentos com eficiência igual ou superior em comparação com ECRs não cruzados [4, 5]. Além da pesquisa sobre modelos estatísticos apropriados para a análise de ensaios n-de-1 agregados e individuais, estudos anteriores investigaram abordagens para derivar projetos ideais em relação ao tamanho da amostra e ao número de ciclos [6,7,8]. Para a análise estatística agregada de séries de ensaios N-de-1, os métodos popularmente usados ​​incluem métodos não paramétricos como o teste de postos sinalizados de Wilcoxon [9, 10], testes de média de duas amostras [11], métodos que permitem covariáveis ajustes como modelos lineares [12, 13], modelos lineares mistos [14] e abordagens bayesianas [15, 16]. Além disso, modelos autorregressivos para levar em conta as dependências de tempo foram propostos para a análise [17]. Daza introduziu uma estrutura contrafactual para tratamentos dependentes do tempo para estimar os efeitos do tratamento no período médio em ensaios N-de-1 [18]. Esta estrutura também é aplicável à análise de estudos observacionais n-de-1, onde a ordem das fases do tratamento não é randomizada e pode ser afetada por confusão [19].

Alguns estudos avaliaram e compararam diferentes métodos de análise. Por exemplo, Stunnenberg et al. [3] aplicaram modelos mistos lineares frequentistas, bem como modelos bayesianos, e compararam as abordagens em um estudo sobre o efeito da mexiletina na rigidez muscular em pacientes com miotonia não distrófica. Zucker et al. [20] compararam modelos de medidas repetidas, modelos hierárquicos bayesianos e modelos mais simples de cruzamento de resultados de período único, par único e média na análise de uma série publicada de ensaios N-de-1 sobre tratamentos reumatólicos. Os seus resultados mostraram que, dependendo dos pressupostos, diferentes modelos mistos produziram o melhor ajuste e que os modelos Bayesianos eram sensíveis à especificação dos anteriores. Chen e Chen [15] compararam testes t e modelos mistos em um estudo de simulação quando nenhum carry-over estava presente e descobriram que os testes t produziam maior poder sob essa suposição. Por fim, Araújo et al. [21] ampliaram o trabalho de Chen & Chen e consideraram testes t e modelos lineares mistos sob diferentes pressupostos do modelo no desenho do estudo, com foco em como o desenho do estudo incorporou a randomização.