模型荟萃分析中整合个体与汇总数据：托法替布治疗类风湿性关节炎的案例研究及其意义

本文通过一项类风湿性关节炎（RA）的案例研究，系统探讨了在模型荟萃分析（MBMA）中结合个体患者数据（IPD）与汇总数据（AD）的方法与价值。研究采用三步法，评估了在有无预测性协变量（如亚洲人种）两种情景下，IPD的加入对模型性能的影响。结果表明，在无协变量模型中，IPD并未带来明显优势；然而，当存在预测性协变量时，利用IPD或分层AD可显著改善协变量模型（如Emax模型）的参数估计精度。这为药物研发中基于模型决策时，如何有效利用不同类型数据提供了方法论指导，并强调了在已发表文献中提供分层结果的重要性。

摘要

模型荟萃分析（MBMA）是一种整合多研究汇总数据（AD）的强大工具，其统计效力通常优于单个随机对照试验（RCT）。然而，个体患者数据（IPD）因保密性难以获取，限制了预测性协变量的探索。本研究旨在量化MBMA中获取IPD的潜在益处，并以托法替布治疗类风湿性关节炎（RA）的案例进行阐释。

引言

MBMA通过整合多来源AD，不仅能提高治疗效应估计的精确度，还能通过网络 meta分析（NMA）和药理学模型进行间接比较和剂量反应关系建模。其关键优势在于能通过协变量模型解释研究间的异质性。预测性协变量影响相对治疗效应，而预后协变量则解释与治疗无关的疾病进展差异。通常，MBMA采用非参数安慰剂方法以避免偏倚。IPD的缺乏使预测性协变量的探索受限，而IPD或已发表的分层结果则可改善此情况。

方法

案例研究数据

研究数据来源于CODEX RA临床结局数据库，筛选出11项使用疾病活动度评分（DAS）为终点、评估托法替布（一种JAK抑制剂）治疗RA的安慰剂对照研究。主要终点为治疗12周时DAS相对于基线的变化。

AD模型构建

基于既往分析，DAS变化与剂量的关系采用最大效应（E_max）模型描述。亚洲人种被确定为预测性协变量，其影响通过指数项引入模型，从而考察其对E_max的修饰作用。

数据模拟

由于实际IPD不可用，研究者基于已识别的E_max模型对11项研究进行了IPD模拟，保持了各研究臂的剂量水平、患者数量及亚洲人种比例。模拟时，亚洲人种效应仅应用于托法替布组，安慰剂组则不进行人种分层。

IPD与AD结合的三步法

1. 1.
   步骤1：将E_max模型拟合至模拟的IPD，估计个体水平残差方差。
2. 2.
   步骤2：建立基于AD的MBMA，并将残差方差固定为研究报告的标准差（SD），确保权重正确。
3. 3.
   步骤3：整合IPD与AD数据，拟合综合模型，其中IPD的残差方差固定为步骤1的估计值，AD的残差方差固定为步骤2的报告值。
   研究评估了不同IPD研究数与AD研究数比例（如0:11, 5:6）以及不同分层AD与AD比例对模型参数（E_max, ED₅₀, E_race）估计精度（相对标准误RSE%）和准确度（参数估计比）的影响。

结果

对11项研究的分析显示，E_max模型能良好拟合托法替布的剂量反应数据。纳入亚洲人种作为预测性协变量后，模型性能（AIC）显著提升。

• •
  无协变量模型：在基础MBMA（无协变量）中，引入IPD并未显著改变E_max或ED₅₀的参数估计或其精度。IPD与AD所含信息量相似，未显现优势。
• •
  含协变量模型：增加分层AD（即基于人种分层的汇总数据）的比例，能显著提高人种效应参数（E_race）的估计精度和准确度，对E_max和ED₅₀的改善则相对有限。
  综合模型验证了IPD与AD的方差分量与分别分析时一致，表明整合模型能正确反映不同层级信息的权重。研究使用R语言的nlme包成功实现了IPD与AD的结合。

讨论

本研究演示了在MBMA中结合IPD与AD的可行方法。当模型不涉及协变量时，IPD未能提供额外益处；但当存在预测性协变量时，利用IPD生成的分层AD能有效改善协变量效应的量化。这强调了在已发表文献中提供分层结果对于提升MBMA价值的重要性。该方法有助于在药物研发中做出更精准的模型决策。研究的局限性在于使用了模拟数据，未来需用真实数据进一步验证。该方法可扩展至多协变量或纵向MBMA场景。