RESOLVE-IPD：高保真个体患者数据重建与不确定性感知的亚组荟萃分析
统计方法学
2026-01-23 v2
摘要
来自肿瘤学试验的个体患者数据 (IPD) 对于可靠的证据综合至关重要，但很少公开可用，因此需要从已发表的 Kaplan-Meier (KM) 曲线中重建。现有的重建方法存在数字化误差、不切实际的均匀删失假设以及当仅有汇总统计量时无法恢复亚组水平 IPD 的缺陷。我们开发了 RESOLVE-IPD，这是一个统一的计算框架，能够实现高保真 IPD 重建和不确定性感知的亚组荟萃分析，以解决这些局限性。RESOLVE-IPD 包含两个组成部分。第一部分，高保真 IPD 重建，集成了 VEC-KM 和 CEN-KM 模块：VEC-KM 从矢量化图形中提取精确的 KM 坐标和明确的删失标记，最大限度地减少数字化误差；而 CEN-KM 则纠正重叠的删失符号并消除均匀删失假设。第二部分，不确定性感知的亚组恢复，采用 MAPLE（边际分配合理标签与证据传播）算法，在亚组 KM 曲线不可用时，推断与已发表汇总统计量（例如风险比、中位总生存期）一致的个体水平亚组标签。MAPLE 生成数学上有效的标签集合，从而促进一种传播性荟萃分析，该分析能够量化并反映亚组重建带来的不确定性。RESOLVE-IPD 通过对四项晚期食管鳞状细胞癌试验的亚组荟萃分析进行了验证，重点关注程序性死亡配体 1 (PD-L1) 低表达人群。RESOLVE-IPD 实现了准确的 IPD 重建和稳健的、不确定性感知的亚组荟萃分析，增强了精准肿瘤学中二次证据综合的可靠性和透明度。
引用
@article{arxiv.2511.01785,
title = {RESOLVE-IPD: High-Fidelity Individual Patient Data Reconstruction and Uncertainty-Aware Subgroup Meta-Analysis},
author = {Lang Lang and Yao Zhao and Qiuxin Gao and Yanxun Xu},
journal= {arXiv preprint arXiv:2511.01785},
year = {2026}
}