面向个体患者生存时间数据的网络荟萃分析的惩罚 Poisson 模型

网络荟萃分析（NMA）允许合并来自一组随机临床试验的直接与间接证据。使用个体患者数据（IPD）进行 NMA 被视为“金标准”方法，因为相较于基于汇总数据的 NMA，它具有若干优势。例如，它允许对协变量或协变量-治疗交互作用进行高级建模。IPD NMA 中的一个重要问题是在解释不一致性、协变量、协变量-治疗交互作用或时间事件数据治疗效应非比例性的项中筛选有影响力的参数。该问题在文献中尚未被深入研究，尤其针对时间事件数据更是如此。一个主要困难是联合考虑试验间异质性，这可能对筛选过程产生重大影响。使用惩罚广义混合效应模型是一种解决方案，但现有实现存在若干缺陷以及高昂的计算成本，使其无法用于复杂的 IPD NMA。在本文中，我们提出一种惩罚 Poisson 回归模型来执行时间事件数据的 IPD NMA。它仅基于固定效应参数，相较于使用随机效应降低了计算成本。它可以使用现有的惩罚回归包轻松实现。我们共享了用于实现的计算机代码。这些方法被应用于模拟数据，以说明在筛选过程中考虑试验间异质性的重要性。最后，它被应用于鼻咽癌化疗与放疗总生存期的 IPD NMA。