ペアワイズメタ分析のバイナリ結果データの欠落による不確実性を説明するベイジアンフレームワーク

結果データの欠落は、ランダム化比較試験（RCT）の結果の妥当性に対する一般的な脅威であり、適切に分析されなければ、誤解を招く治療効果の推定につながる可能性があります。結果データを逃した研究は、それらを含むメタ分析の妥当性も脅かしています。メタ分析におけるバイナリ結果データの欠落による不確実性を説明するために、概念的にシンプルなベイジアンフレームワークが提案されています。パターンミックスモデルが適合しているため、欠落メカニズムを説明するパラメーターに以前の情報を組み込むことができます。いくつかの代替パラメーター化について説明しますが、最も単純なものは、行方不明の個人のイベントの確率に関する事前です。欠落パラメーターに関して作成できる一連の構造的仮定について説明します。いくつかの人工データシナリオを使用して、モデルの能力を実証し、不確実性を説明する治療効果のバイアス調整推定値を生成します。統合失調症のハロペリドールとプラセボのメタ分析を使用して、モデルを説明します。私たちは、プライアーの誘発、不十分な報告の問題、およびフレームワークの潜在的な拡張の問題についての議論で終わります。私たちのフレームワークにより、メタ分析で結果データを逃しているRCTから生成された証拠を最大限に活用することができます。これは、欠損データによって引き起こされる不確実性を説明し、医学的意思決定のためのより広い証拠合成フレームワークに簡単に適合します。

Missing outcome data are a common threat to the validity of the results from randomised controlled trials (RCTs), which, if not analysed appropriately, can lead to misleading treatment effect estimates. Studies with missing outcome data also threaten the validity of any meta-analysis that includes them. A conceptually simple Bayesian framework is proposed, to account for uncertainty due to missing binary outcome data in meta-analysis. A pattern-mixture model is fitted, which allows the incorporation of prior information on a parameter describing the missingness mechanism. We describe several alternative parameterisations, with the simplest being a prior on the probability of an event in the missing individuals. We describe a series of structural assumptions that can be made concerning the missingness parameters. We use some artificial data scenarios to demonstrate the ability of the model to produce a bias-adjusted estimate of treatment effect that accounts for uncertainty. A meta-analysis of haloperidol versus placebo for schizophrenia is used to illustrate the model. We end with a discussion of elicitation of priors, issues with poor reporting and potential extensions of the framework. Our framework allows one to make the best use of evidence produced from RCTs with missing outcome data in a meta-analysis, accounts for any uncertainty induced by missing data and fits easily into a wider evidence synthesis framework for medical decision making.