来自数字来源的个人参与者数据在贝叶斯网络元分析中对预测生物标志物的评估提供了信息并提高了准确性
Chinyereugo M Umemneku-Chikere1, Lorna Wheaton2, Heather Poad2
1Department of Population Health Sciences, Biostatistics Research Group, University of Leicester, Leicester, UK; Centre for Review and Dissemination, University of York, York, UK.
Journal of clinical epidemiology
|November 2, 2023
概括
本研究引入了一种新的网络元分析模型,将个人参与者数据 (IPD) 和汇总数据 (AD) 结合起来,以精确评估生物标志物子组中的癌症治疗有效性.
科学领域:
- 生物统计学 生物统计学
- 翻译性瘤学 翻译性瘤学
- 制药指标 (Pharmacometrics) 是一个指标.
背景情况:
- 在生物标记子组中评估癌症治疗的有效性对于个性化医学至关重要.
- 传统方法通常依赖于聚合数据 (AD),限制了子组的精度.
- 来自数字来源的个人参与者数据 (IPD) 提供了更丰富的信息,但难以整合.
研究的目的:
- 开发一个集成IPD和AD的网络元分析模型,用于在预测生物标记子组内评估治疗有效性.
- 通过利用数字健康数据来解决随机对照试验的缺失.
- 提高特定患者亚组治疗效果估计的精度.
主要方法:
- 用贝叶斯框架进行时间到事件数据分析,以评估预测生物标志物.
- 通过目标试验模拟和数字化卡普兰-梅尔曲线,从电子健康记录中获得IPD.
- 该模型使用乳腺癌 (激素受体生物标志物) 和转移性结直肠癌 (KRAS生物标志物) 数据集进行了证明.
主要成果:
- 该模型允许在生物标志物定义的子组中估计治疗效应.
- 在激素受体阳性和阴性乳腺癌患者之间,taxane的有效性没有差异.
- 表皮生长因子受体抑制剂在KRAS野生型结直肠癌中显示出比化疗更大的疗效,但在KRAS突变患者中没有.
- 整合IPD可以将分组特定治疗效果估计的不确定性降低高达49%.
结论:
- 将IPD与AD整合起来,可以提高预测生物标志物和癌症治疗方法的详细评估.
- 与单独使用AD相比,这种方法显著提高了治疗效果估计的精度.
- 开发的模型为个性化癌症治疗评估提供了一个强大的框架.
