Meta-analitik Cox Orantılı Tehlikeler — Çalışmalar Arası Hayatta Kalma Tahminlerinin Birleştirilmesi
Meta-analytic Cox Proportional Hazards Model · Ayrıca şöyle bilinir: pooled Cox regression meta-analysis, meta-Cox model, survival meta-analysis, Cox PH pooling
Meta-analitik Cox orantılı tehlikeler, birden fazla Cox regresyonu hayatta kalma analizinden elde edilen log tehlike oranlarını, bir maruziyet veya tedavi ile bir zamana-olay çıktısı arasındaki ilişkinin tek, daha kesin bir tahmininde birleştiren kantitatif bir sentez tekniğidir. Hayatta kalma analizinin çıkarımsal gücünü meta-analizin kanıt-toplama mantığıyla birleştirerek, klinik ve epidemiyolojik araştırmalarda çoklu çalışma hayatta kalma kanıtlarını özetlemek için standart yaklaşım haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İki veya daha fazla çalışma aynı zamana-olay çıktısı için bağımsız olarak bir Cox tehlike oranı tahmin ettiğinde ve amaç bu tahminleri tek, daha kesin bir rakamda sentezlemek olduğunda meta-analitik Cox orantılı tehlikeler kullanılır. Onkolojide mortalite, nüks veya olaydan-arındırılmış sağkalımı inceleyen klinik deneme meta-analizleri ve epidemiyolojide gözlemsel çalışma birleştirmeleri için uygundur. Her bir katkıda bulunan çalışmada orantılı tehlikeler varsayımının makul olmasını gerektirir. Orantılı olmayan tehlikelerle (örneğin, gecikmiş tedavi etkileri) hayatta kalmayı analiz eden çalışmalarda, takip süresi dağılımlarının çalışmalarda o kadar farklı olduğu ki birleştirilmiş tehlike oranları yorumlanamaz olduğunda veya üç veya dörtten az çalışma mevcut olduğunda kullanılmamalıdır; bu durumlarda kısıtlanmış ortalama hayatta kalma süresi birleştirmesi veya bir ağ meta-analizi çerçevesi daha uygun olabilir.
Güçlü yönler & sınırlılıklar
- Hem çalışma içi hem de çalışma-arası belirsizliği yansıtan tek, kesin bir birleştirilmiş tehlike oranı ve güven aralığı üretir.
- Hem bireysel hasta verileri hem de yayınlanmış toplu verilerle uyumludur, bu da IPD paylaşımı mümkün olmadığında bile yaygın olarak uygulanabilir olmasını sağlar.
- Anlatısal incelemelerde zor olan heterojenliğin şeffaf kantifikasyonunu ve sistematik duyarlılık analizlerini destekler.
- Tehlike oranı, klinisyenler ve sağlık politika yapıcıları tarafından yaygın olarak anlaşılan, klinik olarak sezgisel, zaman-ortalama etkili bir ölçüdür.
- Yerleşik yazılımlar tarafından iyi desteklenir — R paketleri survival, meta, metafor; Stata komutları metan ve stmh; ve RevMan.
- Geçerliliği, orantılı tehlikeler varsayımının her çalışmada geçerli olmasına bağlıdır; bu varsayım ihlal edilirse, birleştirilmiş HR yanıltıcıdır.
- Kaplan-Meier eğrilerinden yeniden yapılandırılmış toplu veriler, özellikle olay sayıları az olduğunda veya takip süresi kısa olduğunda yaklaştırma hatası getirir.
- Hasta popülasyonlarındaki, tedavi protokollerindeki, kovaryat ayarlamalarındaki ve takip süresi uzunluğundaki çalışma-arası heterojenlik, birleştirilmiş bir HR'nin anlamsal olarak yorumlanmasını zorlaştırabilir.
- Yayın yanlılığı, özellikle hayatta kalma analizlerinde yaygındır; burada sıfır veya elverişsiz sonuçlara sahip çalışmalar, zaman-olay son noktalarını tam ayrıntılı olarak raporlama olasılığı daha düşüktür.
SSS
Sabit etkili ve rastgele etkili Cox meta-analizi arasındaki fark nedir?
Sabit etkiler modeli, tüm çalışmaların aynı temel gerçek tehlike oranını tahmin ettiğini ve çalışma sonuçları arasındaki farklılıkların yalnızca örnekleme hatasından kaynaklandığını varsayar. Rastgele etkiler modeli (örneğin, DerSimonian-Laird), gerçek HR'nin çalışmalar arasında değiştiğini kabul eder ve çalışma-arası varyans tau^2'yi tahmin eder. Rastgele etkiler birleştirilmiş HR daha muhafazakardır (daha geniş KB) ve çalışmalar popülasyon, takip veya kovaryat ayarlaması açısından farklılık gösterdiğinde daha uygundur. Heterojenlik düşük olduğunda (I^2 < %25), her iki model de benzer sonuçlar verir.
Bir çalışmanın raporlamadığı bir tehlike oranını bir Kaplan-Meier eğrisinden nasıl çıkarabilirim?
Parmar yöntemi, log-rank p-değerleri, gözlemlenen olay sayıları veya toplam takip kişi-zamanı gibi raporlanan istatistikleri kullanarak ln HR ve SE'yi geriye dönük olarak hesaplar. Guyot algoritması (2012), dijitalleştirilmiş Kaplan-Meier eğrileri ve risk altındaki sayılardan tam bireysel hasta veri setini yeniden yapılandırır, ardından bir Cox modeli yeniden uyarlar. Her iki yaklaşım da yaklaştırma hatası getirir — yeniden yapılandırma yöntemini açıkça belgeleyin ve yeniden yapılandırılmış tahminleri duyarlılık analizlerinde ikincil olarak ele alın.
Bazı çalışmalar karıştırıcılar için ayar yaptıysa ve diğerleri yapmadıysa tehlike oranlarını birleştirebilir miyim?
Kesin olarak konuşmak gerekirse, ayarlanmış ve ayarlanmamış HR'leri birleştirmek farklı tahmin edicileri karıştırır. Pratikte, sistematik inceleme ekipleri genellikle bunları pragmatik olarak birleştirir ve duyarlılık analizlerinde ayarlanmamış ve ayarlanmış alt grupları ayrı ayrı sunar. Ayarlama setleri çalışmalar arasında büyük ölçüde farklılık gösteriyorsa, birincil analizi tutarlı bir ayarlama stratejisi raporlayan çalışmalara kısıtlamayı veya ayarlama düzeyinin birleştirilmiş HR'yi modere edip etmediğini incelemek için meta-regresyon kullanmayı düşünün.
Anlamlı bir Cox meta-analizi için kaç çalışmaya ihtiyacım var?
Kesin bir minimum yoktur, ancak dört veya beşten az çalışmada tau^2'nin rastgele etkiler tahmini oldukça belirsizdir ve güven aralıkları güvenilmezdir. Yalnızca iki çalışmayla, heterojenlik istatistikleri temelde bilgilendirici değildir. Küçük koleksiyonlar için, aşırı dikkatle sabit etkiler modeli kullanın, tau^2'nin kötü tahmin edildiği durumlarda bile rastgele etkiler modelinden tahmin aralığını raporlayın ve birleştirilmiş HR'yi kesin bir popülasyon parametresi yerine mevcut kanıtların ağırlıklı ortalaması olarak yorumlayın.
Birleştirme için bireysel hasta verilerini (IPD) mi yoksa toplu verileri mi kullanmalıyım?
IPD meta-analizi altın standarttır: tutarlı kovaryat ayarlamasına, orantılı tehlikeler varsayımının doğrudan doğrulanmasına ve her çalışma içinde esnek alt grup analizine olanak tanır. Ayrıca yeniden yapılandırma hatasını da önler. Ancak, IPD paylaşımı veri paylaşım anlaşmaları ve önemli kaynak yatırımı gerektirir. Yayınlanmış HR'leri veya yeniden yapılandırılmış tahminleri kullanan toplu veri birleştirmesi çok daha uygulanabilir ve çalışma düzeyindeki özetler yeterince raporlandığında benzer nokta tahminleri verir.
Kaynaklar
- Tierney, J. F., Stewart, L. A., Ghersi, D., Burdett, S., & Sydes, M. R. (2007). Practical methods for incorporating summary time-to-event data into meta-analysis. Trials, 8(1), 16. DOI: 10.1186/1745-6215-8-16 ↗
- Parmar, M. K. B., Torri, V., & Stewart, L. (1998). Extracting summary statistics to perform meta-analyses of the published literature for survival endpoints. Statistics in Medicine, 17(24), 2815–2834. DOI: 10.1002/(SICI)1097-0258(19981230)17:24<2815::AID-SIM110>3.0.CO;2-8 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Meta-analytic Cox Proportional Hazards Model. ScholarGate. https://scholargate.app/tr/epidemiology/meta-analytic-cox-proportional-hazards
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cox Orantılı TehlikelerEpidemiyoloji↔ karşılaştır
- Bireysel Hasta Verisi Meta-AnaliziKanıt sentezi↔ karşılaştır
- Kaplan-Meier Tahmin Edicisiİstatistik↔ karşılaştır