IPD Course > The Vanishing
=========================== 모듈 1: 소멸(IPD가 중요한 이유) ====================
슬라이드 1.2: 집계 환상
슬라이드 1.3: 숨겨진 이질성
슬라이드 1.5: 발견
슬라이드 1.6: 자제
==================== 모듈 2: AGGREGATE VS IPD ====================
슬라이드 2.2: 두 가지 접근 방식
슬라이드 2.3: 생태학적 오류
==================== 모듈 3: CTT 계시(STATINS) ===================
슬라이드 3.2: CTT
슬라이드 3.3: 숫자
슬라이드 3.4: Discovery
슬라이드 3.5: AD가 응답할 수 없는 이유
슬라이드 4.2: 의사결정 프레임워크
===================== 모듈 5: 1단계 VS 2단계 ===================
==================== 모듈 6: 코르티코스테로이드 타이밍 스토리 ===================
슬라이드 6.3: IPD 솔루션
===================== MODULE 7: IPD 획득(퀘스트) ====================
슬라이드 7.2: 퀘스트
슬라이드 7.3: 데이터 소스
슬라이드 7.4: 협업 편지
==================== 모듈 8: 데이터 조화 ===================
슬라이드 8.2: 조화 과제
슬라이드 8.3: 프로세스
슬라이드 8.5: 검증 단계
===================== 모듈 9: 상호 작용 테스트 ===================
===================== 모듈 10: 예후 및 예측 ====================
슬라이드 10.2: IMPACT 이야기
=================== 모듈 11: 아스피린 역설(ATT) ====================
슬라이드 11.2: Netflix 상 이야기
슬라이드 11.3: ATT 협업
슬라이드 11.4: 계시
슬라이드 11.5: 의사결정도
====================== 모듈 12: 혈압 계시(BPLTTC) ====================
슬라이드 12.2: 논쟁
슬라이드 12.3: 협업
슬라이드 12.4: 답변
슬라이드 12.5: J 곡선에 대한 오해
==================== 모듈 13: 스트로크 시간 창 ====================
슬라이드 13.2: 위험
슬라이드 13.3: IPD 솔루션
슬라이드 13.4: 시간에서 개별 데이터를 수집했습니다. 곡선
슬라이드 13.6: AD가 응답할 수 없는 이유
===================== 모듈 14: IPD의 데이터 누락 =====================
슬라이드 14.2: 세 가지 유형
슬라이드 14.3: 의사결정나무
===================== 모듈 15: 가용성 함정 =====================
슬라이드 15.2: 타미플루 이야기
슬라이드 15.3: 증거
슬라이드 15.4: 비교
슬라이드 15.5: 체크리스트
슬라이드 15.7: 결합된 접근 방식
==================== 모듈 16: 퀴즈 및 참조 ===================
어떻게 천 명의 환자가
can be reduced to a single number,
그 숫자에서 생명이 지워지는지 보지 못하셨나요?
can be reduced to a single number,
그 숫자에서 생명이 지워지는지 보지 못하셨나요?
총합 환상
EVERY META-ANALYSIS YOU'VE EVER READ
A meta-analysis reports: "Treatment reduces mortality by 15%."
그러나 어떤 환자가 혜택을 받았습니까? 젊은이인가, 늙은이인가? 질병이 경증이거나 중증인 경우? 남자입니까, 여자입니까?
전체가 답변할 수 없습니다.
평균적으로 일부 환자는 목숨을 구했고 일부는 피해를 입었습니다.
그러나 어떤 환자가 혜택을 받았습니까? 젊은이인가, 늙은이인가? 질병이 경증이거나 중증인 경우? 남자입니까, 여자입니까?
전체가 답변할 수 없습니다.
평균적으로 일부 환자는 목숨을 구했고 일부는 피해를 입었습니다.
What Aggregates Hide
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● Responders ● Non-responders
THE TRAGEDY
"Overall benefit: 30%"
But who 30%입니까? 개별 데이터가 없으면 응답자와 비응답자를 식별할 수 없습니다. 우리는 precision medicine.
But who 30%입니까? 개별 데이터가 없으면 응답자와 비응답자를 식별할 수 없습니다. 우리는 precision medicine.
Oxford, 1985
EARLY BREAST CANCER TRIALISTS' COLLABORATIVE GROUP
Richard Peto gathered something unprecedented: the raw data
on every woman in every tamoxifen trial.
요약을 연습할 수 없습니다. 평균이 아닙니다. Each patient, each tumor, each outcome.
What he discovered changed breast cancer treatment forever.
요약을 연습할 수 없습니다. 평균이 아닙니다. Each patient, each tumor, each outcome.
What he discovered changed breast cancer treatment forever.
Early Breast Cancer Trialists' Collaborative Group. Lancet 1988;2:61-72
게시된 시험에서는 다음과 같이 말했습니다.
"Tamoxifen works."
But the individual data revealed:
"Tamoxifen works."
But the individual data revealed:
ER+ vs ER−
Tamoxifen only worked in estrogen receptor positive tumors
숨겨진 내용
이 상호 작용을 감지할 만큼 큰 단일 시험은 없습니다. 모든 실험에서 개별 환자 데이터 를 결합해야만 진실이 드러날 수 있습니다.
Giving tamoxifen to ER− patients was useless.
Giving tamoxifen to ER− patients was useless.
"총체적으로, 개인은
개인에게서 진실이 나타난다.
이것이 우리가 숨은 환자를 찾는 이유이다."
개인에게서 진실이 나타난다.
이것이 우리가 숨은 환자를 찾는 이유이다."
이것이 개인 참가자 데이터 메타분석이다.
What is lost when we summarize?
What is found when we look closer?
What is found when we look closer?
Two Ways to Synthesize
Aggregate Data (AD)
- Study-level summaries
- 출판물의 효과 크기
- Mean age, % male, etc.
- 빠르고 액세스 가능
- Cannot see within-study variation
개별 참가자 데이터(IPD)
- 환자 수준 원시 데이터
- Every participant's characteristics
- Actual ages, actual outcomes
- Time-intensive to obtain
- Can see who responds and who doesn't
생태학적 오류
집합적 사고의 위험
Imagine two trials of a drug for heart failure.
Trial A: Mean age 55 years, Effect size 0.70 (benefit)
Trial B: Mean age 75 years, Effect size 0.90 (less benefit)
Tempting conclusion: "The drug works better in younger patients."
But this could be completely wrong.
Trial A: Mean age 55 years, Effect size 0.70 (benefit)
Trial B: Mean age 75 years, Effect size 0.90 (less benefit)
Tempting conclusion: "The drug works better in younger patients."
But this could be completely wrong.
The Trap
ECOLOGICAL FALLACY
각 시험 내에서 연령과 치료 효과의 관계는 completely different 시험 간 관계에서 비롯될 수 있습니다.
Perhaps in Trial A, older patients within that trial responded better. Perhaps in Trial B, younger patients within that trial responded better.
개인이 없이는 알 수 없습니다. data.
Perhaps in Trial A, older patients within that trial responded better. Perhaps in Trial B, younger patients within that trial responded better.
개인이 없이는 알 수 없습니다. data.
THE RULE
Between-study relationships ≠ Within-study relationships
Aggregate data can only show between-study patterns
What IPD Enables
1
True Effect Modification
Test whether treatment effect varies by patient characteristics (age, biomarkers, disease severity)
2
Time-to-Event Analysis
Use actual survival curves, not just hazard ratios. Handle censoring properly.
3
Consistent Definitions
Standardize outcome definitions, exposure timing, covariate categories across studies
4
Subgroup Credibility
생태적 오류를 피하면서 연구 내 상호 작용 테스트
"집계 데이터는 숲을 보여줍니다.
Individual data shows each tree.
어떤 나무가 병든지 알아야 하는 경우—
you must walk among them."
Individual data shows each tree.
어떤 나무가 병든지 알아야 하는 경우—
you must walk among them."
어떻게 본 적 없나요? one collaboration
gathered data on 170,000 patients
and answered questions no single trial could ask?
gathered data on 170,000 patients
and answered questions no single trial could ask?
Oxford, 1994-Present
CHOLESTEROL TREATMENT TRIALISTS' COLLABORATION
CTT가 개별 데이터를 수집하는 방법을 보지 못하셨나요? from every major statin trial.
27 trials. 174,149 patients. Every baseline characteristic. Every cardiovascular event. Every death.
The published trials asked: "Do statins work?"
CTT 질문: "스타틴은 누구에게 효과가 있습니까?"
27 trials. 174,149 patients. Every baseline characteristic. Every cardiovascular event. Every death.
The published trials asked: "Do statins work?"
CTT 질문: "스타틴은 누구에게 효과가 있습니까?"
CTT Collaboration. Lancet 2010;376:1670-81
IPD 규모
27
Trials Combined
174,149
Individual Patients
5
데이터 연도 수집
THE INVESTMENT
IPD를 수집하려면 수년간의 협상, 데이터 전송, 정리 및 조화가 필요합니다.
그러나 답변할 수 있는 질문은 투자할 가치가 있습니다.
그러나 답변할 수 있는 질문은 투자할 가치가 있습니다.
What CTT Discovered
✓
Benefit Proportional to LDL Reduction
Every 1 mmol/L LDL reduction = 22% lower CV events. True across all subgroups.
✓
No Age Threshold
Benefit continues even in patients >75 years (contradicting earlier AD analyses)
✓
Primary Prevention Works
Patients without prior CVD benefit proportionally to their baseline risk
✗
No Cancer Signal
암을 유발하는 스타틴에 대한 우려는 IPD 후속 조치를 통해 확실하게 반박되었습니다
데이터 집계에 실패한 이유
THE LIMITATION
Published trials categorized patients differently.
Trial A: "High risk" = 10-year CVD risk >20%
Trial B: "High risk" = Prior MI
Trial C: "High risk" = Diabetes
You cannot compare or combine what is defined differently.
IPD allowed the CTT to redefine everyone consistently.
Trial A: "High risk" = 10-year CVD risk >20%
Trial B: "High risk" = Prior MI
Trial C: "High risk" = Diabetes
You cannot compare or combine what is defined differently.
IPD allowed the CTT to redefine everyone consistently.
"When trials speak different languages,
IPD는
What seemed contradictory becomes clear:
the same truth, measured differently."
IPD는
What seemed contradictory becomes clear:
the same truth, measured differently."
IPD takes years to gather.
데이터 집계에 소요되는 시간 weeks.
언제 투자할 가치가 있습니까?
데이터 집계에 소요되는 시간 weeks.
언제 투자할 가치가 있습니까?
결정나무
IPD를 추구해야 합니까?
치료 효과 수정에 대해 질문이 있으신가요?
↓
YES
"Who benefits most?"
NO
"Does it work overall?"
↓
IPD likely needed
AD may suffice
When IPD Is Essential
1
Time-to-Event Outcomes
최종 위험 비율뿐만 아니라 생존 곡선이 중요한 경우. 검열을 적절하게 처리해야 하는 경우.
2
Continuous Effect Modifiers
Testing whether treatment effect varies by age, BMI, biomarker level (not just "high" vs "low")
3
Outcome Definition Problems
시험에서 결과를 다르게 정의하고 표준화해야 하는 경우
4
Longer Follow-Up Available
시험자가 발표하지 않은 후속 데이터가 있는 경우 include
🔀
연구 전략 결정
귀사는 공개된 데이터가 포함된 10개의 적격 RCT를 계획하고 있습니다. 동료가 "IPD를 시도해야 할까요, 아니면 그냥 종합 분석을 해야 할까요?"
핵심 질문입니다. "질병의 심각도와 치료 시기에 따라 혜택이 달라지나요?"
핵심 질문입니다. "질병의 심각도와 치료 시기에 따라 혜택이 달라지나요?"
무엇을 추천하시나요?
A
AD만 수행하세요. 결과는 빨리 필요하고 IPD는 너무 오래 걸립니다.
B
IPD를 추구하세요. 우리의 질문은 환자 특성에 따른 효과 수정에 관한 것입니다.
C
하위군 분석을 수행하세요. 출판물의 시험 수준 심각도 범주별
집계된 데이터가 충분한 경우
✓
Overall Treatment Effect
유일한 질문이 "작동합니까?"일 때 "누구를 위해?"가 아닙니다.
✓
Homogeneous Population
When trials enrolled similar patients and effect modification is unlikely
✓
Binary Outcomes, Short Follow-up
검열이 문제가 되지 않고 결과가 단순한 예/아니오인 경우
✓
IPD Unobtainable
시험 참가자가 공유하지 않으면 데이터가 손실되거나 리소스를 사용할 수 없는 경우
"모든 질문에 개인이 필요한 것은 아닙니다.
그러나 모든 질문에 about which individuals
데이터에 이들의 존재를 요구합니다."
그러나 모든 질문에 about which individuals
데이터에 이들의 존재를 요구합니다."
개별 데이터를 수집했습니다.
이제: 다음과 같이 분석하세요. one combined dataset
or trial by trial, then combine?
이제: 다음과 같이 분석하세요. one combined dataset
or trial by trial, then combine?
Two Analytical Approaches
Two-Stage Approach
- Stage 1: Analyze each trial separately
- 2단계: 결과 메타 분석
- Preserves trial structure
- Familiar (like standard MA)
- Cannot handle sparse data well
One-Stage Approach
- 모든 데이터를 동시에 분석
- Mixed-effects regression model
- 클러스터링
- 희소 데이터에 더 적합
- More flexible modeling
2단계: 익숙한 경로
STAGE 1 (Within Each Trial)
Estimate treatment effect for trial k: θk
해당 시험의 개별 환자 데이터 사용
STAGE 2 (Across Trials)
Meta-analyze θ1, θ2, ... θK
표준 무작위 효과 사용 방법
ADVANTAGE
Easy to understand. Easy to explain.
Each trial's estimate is transparent.
익숙한 산림 계획과 I2 statistics.
Each trial's estimate is transparent.
익숙한 산림 계획과 I2 statistics.
1단계: 강력한 경로
MIXED-EFFECTS MODEL
Yij = β0 + β1Treatmentij + uj + εij
i = patient, j = trial, uj = random trial effect
ADVANTAGES
1. Handles trials with zero events (no continuity corrections)
2. More powerful for detecting interactions
3. Can model complex covariate relationships
4. Exact likelihood (no normal approximations)
2. More powerful for detecting interactions
3. Can model complex covariate relationships
4. Exact likelihood (no normal approximations)
접근 방식 선택
One-Stage or Two-Stage?
Do trials have sparse events (rare outcomes)?
↓
YES (sparse)
↓
One-stage preferred
Avoids zero-cell problems
NO (common events)
↓
Either works
결과는 유사해야 합니다
"The two-stage preserves each trial's voice.
The one-stage hears all voices at once.
데이터가 희박하고 이벤트가 드문 경우—
1단계 2단계에서 놓친 부분을 포착합니다."
The one-stage hears all voices at once.
데이터가 희박하고 이벤트가 드문 경우—
1단계 2단계에서 놓친 부분을 포착합니다."
아기의 생명을 구한 약물
—
but only if given at the right time?
—
but only if given at the right time?
미숙아의 역설
NEONATAL INTENSIVE CARE UNITS WORLDWIDE
산전 코르티코스테로이드는 1970년대에 확립되었습니다.
But a puzzle remained: When should they be given?
24 hours before birth? 48 hours? A week?
Published trials couldn't answer—they didn't report timing consistently.
But a puzzle remained: When should they be given?
24 hours before birth? 48 hours? A week?
Published trials couldn't answer—they didn't report timing consistently.
Roberts D, et al. Cochrane Database Syst Rev 2017
IPD가 공개한 창
24h-7d
Optimal Window
>7 days
Benefit Wanes
THE DISCOVERY
By examining each baby's exact time from steroid to delivery,
IPD meta-analysis showed:
Maximum benefit: 24 hours to 7 days before birth
Reduced benefit: >7 days (lung maturity effect fades)
No benefit: <24 hours (not enough time to work)
Maximum benefit: 24 hours to 7 days before birth
Reduced benefit: >7 days (lung maturity effect fades)
No benefit: <24 hours (not enough time to work)
Lives Saved, Practice Changed
임상적 영향
IPD 전: 임상의는 스테로이드를 투여하고 최선의 결과를 바랐습니다.
After IPD: Guidelines now recommend repeat dosing 처음 후 7일 이내에 배송이 이루어지지 않은 경우 물론입니다.
개별 데이터 없이는 불가능한 이 정밀도에는 saved thousands of premature babies.
After IPD: Guidelines now recommend repeat dosing 처음 후 7일 이내에 배송이 이루어지지 않은 경우 물론입니다.
개별 데이터 없이는 불가능한 이 정밀도에는 saved thousands of premature babies.
Timing is Treatment
동일한 약물이 잘못된 시기에 투여되면 위약이 될 수도 있습니다.
집합 데이터가 이를 표시할 수 없는 이유
THE PROBLEM
Trial A reported: "Steroid given within 48 hours"
Trial B reported: "Steroid given antenatally"
Trial C reported: "Steroid-to-delivery interval: median 3 days"
Different categories. Different definitions. Incompatible summaries.
Only by examining each baby's actual steroid-to-delivery time could the optimal window be identified.
Trial B reported: "Steroid given antenatally"
Trial C reported: "Steroid-to-delivery interval: median 3 days"
Different categories. Different definitions. Incompatible summaries.
Only by examining each baby's actual steroid-to-delivery time could the optimal window be identified.
"이 약물은 다음과 같은 것으로 알려져 있습니다. 일.
But when 그것을 주는 것은 알 수 없었습니다.
IPD는 '언젠가'를 '적절한 때'로 바꾸었습니다.
그리고 그 정확성 속에서 아이들은 살았습니다."
But when 그것을 주는 것은 알 수 없었습니다.
IPD는 '언젠가'를 '적절한 때'로 바꾸었습니다.
그리고 그 정확성 속에서 아이들은 살았습니다."
데이터가 존재합니다.
어딘가의 파일과 데이터베이스
각 환자의 이야기가 기록됩니다..
문제는 환자가 이를 공유할 것인가입니다.
어딘가의 파일과 데이터베이스
각 환자의 이야기가 기록됩니다..
문제는 환자가 이를 공유할 것인가입니다.
데이터 탐구
60-80%
Typical IPD Retrieval Rate
6-24
Months to Gather
REALITY CHECK
아마도 not get 100% of trials.
Some investigators will refuse. Some data is lost.
Some companies won't share.
This is expected. Plan for it.
This is expected. Plan for it.
Where IPD Lives
1
Trialist Collaboration
Direct contact with trial investigators. Build relationships. Offer co-authorship.
2
데이터 공유 플랫폼
YODA Project, ClinicalStudyDataRequest.com, Vivli, ICPSR
3
Regulatory Agencies
EMA Policy 0070, FDA (limited), Health Canada
4
Journal Requirements
Many journals now require data sharing; check supplementary materials
The Approach
HOW TO ASK
1. 질문을 시작하세요—explain why IPD is essential
2. Offer co-authorship—make sharing worthwhile
3. 데이터 보안 설명—how you'll protect their patients
4. 데이터 사전 제공—specify exactly what you need
5. Set clear timelines—respect their time
2. Offer co-authorship—make sharing worthwhile
3. 데이터 보안 설명—how you'll protect their patients
4. 데이터 사전 제공—specify exactly what you need
5. Set clear timelines—respect their time
가용성 편향 함정
THE DANGER
시행 share data 시스템적으로 다른 시도 don't share?
Industry trials: less likely to share
Negative trials: less likely to share
Older trials: data may be lost
Your IPD sample may be biased.
Industry trials: less likely to share
Negative trials: less likely to share
Older trials: data may be lost
Your IPD sample may be biased.
THE RULE
Always compare: IPD trials vs. non-IPD trials
Do they differ in effect size, sample size, funding source?
"데이터가 존재하는 경우. 문제는 신뢰입니다.
Will they share what they have guarded?
브리지를 구축하세요. 신중하게—
그 다리 위에서는 환자의 미래가 교차합니다."
Will they share what they have guarded?
브리지를 구축하세요. 신중하게—
그 다리 위에서는 환자의 미래가 교차합니다."
모으셨습니다. 데이터
from twelve trials, five countries, three decades.
But Trial A calls it "cardiovascular death"
및 시험 B가 이를 호출 "cardiac mortality".
동일합니까?
from twelve trials, five countries, three decades.
But Trial A calls it "cardiovascular death"
및 시험 B가 이를 호출 "cardiac mortality".
동일합니까?
바벨탑 문제
EVERY IPD META-ANALYSIS
Trial from Japan: Age in years since 1900 (e.g., "54" = 1954 birth)
Trial from USA: Age in decimal years (e.g., 65.7)
영국의 시험: 연령 밴드 ("65-74")
Diabetes: HbA1c ≥ 6.5% vs. fasting glucose ≥ 126 vs. "physician diagnosis"
Outcome: "Major adverse cardiac event" (one trial includes stroke, another doesn't)
분석 전: 모든 것을 조화시키세요.
Trial from USA: Age in decimal years (e.g., 65.7)
영국의 시험: 연령 밴드 ("65-74")
Diabetes: HbA1c ≥ 6.5% vs. fasting glucose ≥ 126 vs. "physician diagnosis"
Outcome: "Major adverse cardiac event" (one trial includes stroke, another doesn't)
분석 전: 모든 것을 조화시키세요.
조화 프로세스
1
마스터 데이터 생성 사전
Define every variable you need: name, type, permitted values, derivation rules
2
Map Each Trial's Variables
Document how each trial's coding maps to your standardized definitions
3
시험 참가자에게 확인
해석을 확인하세요. 그들은 당신보다 자신의 데이터를 더 잘 알고 있습니다.
4
Validate Transformations
IPD에서 게시된 결과를 재현합니다. 일치하지 않으면 조사하십시오.
🔀
정의 딜레마
8개의 당뇨병 임상시험에서 얻은 IPD를 조화시키고 있습니다. 주요 결과는 "심장혈관 사망"입니다.
6건의 임상시험에서는 표준 정의(ICD 코드)를 사용했습니다. 1990년대 두 건의 임상시험에서는 표준화된 기준 없이 "시험자가 평가한 심장사"를 사용했습니다. 이 두 가지 실험은 더 큰 치료 효과를 보여줍니다.
6건의 임상시험에서는 표준 정의(ICD 코드)를 사용했습니다. 1990년대 두 건의 임상시험에서는 표준화된 기준 없이 "시험자가 평가한 심장사"를 사용했습니다. 이 두 가지 실험은 더 큰 치료 효과를 보여줍니다.
이를 어떻게 처리합니까?
A
8개 실험을 모두 포함합니다. 데이터가 많을수록 더 좋고 정의가 "충분히 가깝습니다"
B
Exclude the 2 non-standardized trials to maintain outcome consistency
C
일관된 6개 실험을 사용한 1차 분석입니다. 다른 2개를 추가하는 민감도 분석
중요한 검증
THE TEST
새 분석 전:
IPD에서 각 시험의 게시된 결과를 재현합니다.
분석에서 RR = 0.78이지만 출판물에는 RR = 0.85로 나와 있는 경우
something is wrong.
Find the discrepancy. Fix it. Then proceed.
IPD에서 각 시험의 게시된 결과를 재현합니다.
분석에서 RR = 0.78이지만 출판물에는 RR = 0.85로 나와 있는 경우
something is wrong.
Find the discrepancy. Fix it. Then proceed.
"Different languages, different rulers,
different ways to name the same disease.
수행하기 전에 결합하려면 번역해야 합니다.
번역하기 전에 먼저 이해해야 합니다."
different ways to name the same disease.
수행하기 전에 결합하려면 번역해야 합니다.
번역하기 전에 먼저 이해해야 합니다."
치료 효과가 있습니다 on average.
그런데 어린이와 노인 모두에게 동일하게 효과가 있나요?
경증 환자와 중증 환자에게 적용됩니까?
바이오마커가 있는 사람과 없이?
그런데 어린이와 노인 모두에게 동일하게 효과가 있나요?
경증 환자와 중증 환자에게 적용됩니까?
바이오마커가 있는 사람과 없이?
종양학을 변화시킨 상호작용
EBCTCG, 1985-1998
The Early Breast Cancer Trialists' Group didn't just ask "Does tamoxifen work?"
They asked: "Does the effect differ by estrogen receptor status?"
상호작용은 엄청났습니다:
ER-positive: 47% reduction in recurrence
ER-negative: No benefit at all
They asked: "Does the effect differ by estrogen receptor status?"
상호작용은 엄청났습니다:
ER-positive: 47% reduction in recurrence
ER-negative: No benefit at all
EBCTCG. Lancet 1998;351:1451-67
pinteraction < 0.00001
The most important interaction in cancer medicine
Testing Treatment-Covariate Interactions
THE MODEL
Outcome = β1Treatment + β2Covariate + β3(Treatment × Covariate)
β3 is the interaction term - does treatment effect vary by covariate?
INTERPRETATION
If β3 is statistically significant:
치료 효과 differs between subgroups defined by the covariate.
그렇지 않은 경우: 치료 효과는 similar across subgroups (or you lack power to detect a difference).
치료 효과 differs between subgroups defined by the covariate.
그렇지 않은 경우: 치료 효과는 similar across subgroups (or you lack power to detect a difference).
중요한 차이점
Between-Study Interaction
- Compares trial-level averages
- Ecological fallacy risk
- Confounded by trial design
- Low statistical power
- 집합으로 할 수 있습니다 데이터
Within-Study Interaction
- Compares patients within each trial
- No ecological fallacy
- Randomization preserved
- Much higher power
- Requires IPD
주요 통찰력
IPD를 사용하면 테스트할 수 있습니다 within-study interactions,
where randomization ensures the comparison is fair.
이것은 효과 수정에 대한 표준입니다.
이것은 효과 수정에 대한 표준입니다.
🔀
연령 상호 작용 질문
IPD 메타 분석 심방세동에 대한 항응고제에는 12,000명의 환자가 포함되어 있으며 연령 상호작용을 테스트한 결과 p=0.03을 발견했습니다. 75세 이상 환자(RR 0.55)가 75세 미만 환자(RR 0.72)보다 더 큰 이점을 나타냅니다.
분석에서 8가지 잠재적 효과 수정자를 테스트했습니다.
분석에서 8가지 잠재적 효과 수정자를 테스트했습니다.
해석 방법 이 결과는요?
A
노인 환자에게 항응고제가 더 효과적이라고 보고합니다. 상호 작용이 중요합니다.
B
Apply multiple testing correction; with 8 tests, p=0.03 is likely a false positive
C
Report as hypothesis-generating, note the multiple comparisons, request external validation
"평균은 상호 작용을 숨깁니다.
The interaction reveals who benefits.
연구 사이가 아닌 연구 내에서 테스트하세요.
진실은 여기에 있습니다. "
The interaction reveals who benefits.
연구 사이가 아닌 연구 내에서 테스트하세요.
진실은 여기에 있습니다. "
IPD는 치료만을 위한 것이 아닙니다.
찾을 때 predict who will die,
who will recover, who will relapse—
개인이 전부입니다.
찾을 때 predict who will die,
who will recover, who will relapse—
개인이 전부입니다.
Predicting Recovery After Brain Injury
IMPACT CONSORTIUM, 2005-PRESENT
외상성 뇌 손상 후 가족들은 충격적인 질문을 합니다.
"Will they ever wake up?"
Individual trials were too small to develop accurate prediction models.
IMPACT는 11개 연구, 9,205명의 환자로부터 IPD를 수집했으며, 초기 임상 특징에서 6개월 결과를 예측하는 모델을 구축했습니다.
"Will they ever wake up?"
Individual trials were too small to develop accurate prediction models.
IMPACT는 11개 연구, 9,205명의 환자로부터 IPD를 수집했으며, 초기 임상 특징에서 6개월 결과를 예측하는 모델을 구축했습니다.
IMPACT Study Group. PLoS Med 2008;5:e165
Why Prognosis Demands IPD
1
External Validation Across Populations
Develop in some studies, validate in others. True test of generalizability.
2
Non-linear Relationships
Explore how predictors relate to outcome: linear? threshold? U-shaped?
3
Multiple Predictor Interactions
Age + GCS + pupil reactivity may interact in ways aggregate data cannot reveal
4
Proper Handling of Missing Predictors
연구 수준이 아닌 환자 수준에서 다중 대치
Reporting Standards
TRIPOD
- Prediction model reporting
- 개발 및 검증
- 보정 및 차별
- 22 item checklist
PRISMA-IPD
- IPD meta-analysis reporting
- 데이터 획득 세부 정보
- Harmonization process
- Integrity checking
IPD 예측 모델의 경우
You need both: 모델 자체의 경우 TRIPOD, 데이터 합성 프로세스의 경우 PRISMA-IPD.
When Prediction Saves Lives
임상적 영향
The IMPACT model is now embedded in clinical decision support systems worldwide.
외상성 뇌 손상을 입은 환자가 도착하면 모델은 probability of survival and probability of favorable outcome.
가족과의 대화를 안내합니다. 이는 치료 강도를 알려줍니다. 이는 ICU 리소스를 할당하는 데 도움이 됩니다.
개별 데이터로 구축되었습니다. 개별 환자에게 서비스를 제공합니다.
외상성 뇌 손상을 입은 환자가 도착하면 모델은 probability of survival and probability of favorable outcome.
가족과의 대화를 안내합니다. 이는 치료 강도를 알려줍니다. 이는 ICU 리소스를 할당하는 데 도움이 됩니다.
개별 데이터로 구축되었습니다. 개별 환자에게 서비스를 제공합니다.
"To predict one patient's future,
수천 개의 과거로부터 배워야 합니다.
IPD는 이러한 이야기를 보유하고 있습니다.
each one a teacher, if you will listen."
수천 개의 과거로부터 배워야 합니다.
IPD는 이러한 이야기를 보유하고 있습니다.
each one a teacher, if you will listen."
작은 흰색 태블릿을 고려하지 않으셨나요?
그들의 마음을 위해 주어진 작은 흰색 판 millions 을 생각해 보지 않으셨나요?
그들은 말함: "이것을 가져가세요. 그러면 당신은 보호받을 것입니다."
But was every heart equally in need of protection?
그들의 마음을 위해 주어진 작은 흰색 판 millions 을 생각해 보지 않으셨나요?
그들은 말함: "이것을 가져가세요. 그러면 당신은 보호받을 것입니다."
But was every heart equally in need of protection?
Netflix 상 이야기
A TRUE STORY
In 2006, Netflix released 100 million "anonymized" movie ratings for a $1 million prize.
Researchers quickly re-identified users by matching ratings with public IMDb reviews.
One lawsuit alleged a closeted lesbian was outed through her viewing patterns.
The lesson: removing names isn't anonymization.
IPD에는 고유하게 식별할 수 있는 연령, 진단, 치료 반응 및 날짜의 충분한 조합이 포함되어 있습니다. 개인. 개인 정보 보호에는 이름 열을 삭제하는 것 이상이 필요합니다. 즉, 데이터 조합이 지문이 되는 방식을 이해해야 합니다.
Researchers quickly re-identified users by matching ratings with public IMDb reviews.
One lawsuit alleged a closeted lesbian was outed through her viewing patterns.
The lesson: removing names isn't anonymization.
IPD에는 고유하게 식별할 수 있는 연령, 진단, 치료 반응 및 날짜의 충분한 조합이 포함되어 있습니다. 개인. 개인 정보 보호에는 이름 열을 삭제하는 것 이상이 필요합니다. 즉, 데이터 조합이 지문이 되는 방식을 이해해야 합니다.
Oxford, 2009
ANTITHROMBOTIC TRIALISTS' COLLABORATION
ATT는 95,000 patients
across 6 primary prevention trials of aspirin.
The published trials said: "Aspirin prevents heart attacks."
에서 개별 데이터를 수집했지만 ATT는 다음과 같은 금지된 질문을 했습니다.
"At 비용은 얼마입니까?"
The published trials said: "Aspirin prevents heart attacks."
에서 개별 데이터를 수집했지만 ATT는 다음과 같은 금지된 질문을 했습니다.
"At 비용은 얼마입니까?"
ATT Collaboration. Lancet 2009;373:1849-60
밝혀진 숫자
-12%
Heart Attacks Prevented
+32%
Major Bleeds Caused
THE BALANCE
For every 1,000 low-risk patients 5년간 아스피린 복용:
2-3 heart attacks prevented
2-3 major bleeds caused
혜택과 해로움이 사라집니다. out.
2-3 heart attacks prevented
2-3 major bleeds caused
혜택과 해로움이 사라집니다. out.
위험 기반 결정
이 환자는 1차 예방을 위해 아스피린을 복용해야 합니까?
10-Year CVD Risk?
↓
>20%
High Risk
10-20%
Intermediate
<10%
Low Risk
↓
Consider aspirin
(benefit > harm)
(benefit > harm)
Shared decision
(benefit ≈ harm)
(benefit ≈ harm)
Avoid aspirin
(harm > benefit)
(harm > benefit)
Why did published meta-analyses miss this?
집계
Published trials reported average benefits.
고위험 환자가
while low-risk patients lost.
Only by examining each patient's baseline risk,
each patient's outcomes,
could the interaction be revealed.
고위험 환자가
while low-risk patients lost.
Only by examining each patient's baseline risk,
each patient's outcomes,
could the interaction be revealed.
🔀
1차 예방 딜레마
52세 남성이 심장마비 예방을 위한 아스피린에 대해 문의했습니다. 그는 이전에 CVD 병력이 없었고, 콜레스테롤은 경계선에 있으며, 혈압은 조절되고, 비흡연자입니다. 그의 10년간 심혈관 질환 위험은 8%입니다.
그는 온라인에서 "아스피린이 심장마비를 예방한다"는 내용을 읽고 조언을 구했습니다.
그는 온라인에서 "아스피린이 심장마비를 예방한다"는 내용을 읽고 조언을 구했습니다.
그에게 무엇을 말합니까?
A
"Yes, take aspirin daily - it's proven to prevent heart attacks"
B
"At your risk level, aspirin's bleeding risk roughly equals its heart benefit - I'd recommend against it"
C
"Take baby aspirin - the lower dose is safer"
"멸종 위기에 처한 사람들을 구하는 약은
안전합니다.
처방하기 전에 환자의 위험을 파악하십시오.
이것이 개별 데이터가 우리에게 가르쳐 준 것입니다."
안전합니다.
처방하기 전에 환자의 위험을 파악하십시오.
이것이 개별 데이터가 우리에게 가르쳐 준 것입니다."
95,000 patients. One truth: risk determines benefit.
그들이 수십 년 동안 어떻게 논쟁했는지 보지 못하셨습니까?
"노인을 젊은이와 동일하게 대우해야 합니까?"
Some said: "Lower is always better."
다른 사람들은 말했습니다: "노인은 연약합니다. 조심하세요."
누가 맞았나요?
"노인을 젊은이와 동일하게 대우해야 합니까?"
Some said: "Lower is always better."
다른 사람들은 말했습니다: "노인은 연약합니다. 조심하세요."
누가 맞았나요?
J 곡선 논쟁
CARDIOLOGY CONFERENCES, 1980s-2000s
수년 동안 의사들은 다음과 같이 주장했습니다.
공격적 진영: "Every mmHg of BP reduction saves lives.
Treat everyone to target 120/80."
보수주의자 캠프: "In the elderly, low BP causes falls, strokes, death.
There's a J-curve—too low is dangerous."
Individual trials were too small to settle it. BPLTTC가 개별 데이터를 수집할 때까지.
공격적 진영: "Every mmHg of BP reduction saves lives.
Treat everyone to target 120/80."
보수주의자 캠프: "In the elderly, low BP causes falls, strokes, death.
There's a J-curve—too low is dangerous."
Individual trials were too small to settle it. BPLTTC가 개별 데이터를 수집할 때까지.
The Blood Pressure Lowering Treatment Trialists
48
Trials Combined
344,716
Individual Patients
15+
Years of Follow-up
THE QUESTION
Does the benefit of BP lowering vary by age?
Is there a J-curve at very low pressures?
Do the very old (>80 years) still benefit?
Is there a J-curve at very low pressures?
Do the very old (>80 years) still benefit?
BPLTTC. Lancet 2021;397:1625-36
답, At 마지막
Benefit at Every Age
비례적 위험 감소는 55세부터 85세 이상까지 일관되게
WHAT IPD SHOWED
Every 5 mmHg BP reduction:
Age 55-64: 10% lower major CV events
Age 65-74: 10% lower major CV events
Age 75-84: 10% lower major CV events
Age ≥85: Still 10% lower
pinteraction = 0.85였습니다. 연령 수정에 대한 증거가 없습니다.
Age 55-64: 10% lower major CV events
Age 65-74: 10% lower major CV events
Age 75-84: 10% lower major CV events
Age ≥85: Still 10% lower
pinteraction = 0.85였습니다. 연령 수정에 대한 증거가 없습니다.
J 곡선은 어떻습니까?
THE RESOLUTION
환자 검사를 통해 J 곡선에 대해 테스트한 BPLTTC
who achieved very low blood pressures.
Result: No J-curve in randomized comparisons.
명백한 사실 관찰 데이터의 J-곡선은 reverse causation— sick patients have low BP because they're sick, not sick because their BP is low.
RCT의 IPD만이 이를 풀 수 있었습니다.
who achieved very low blood pressures.
Result: No J-curve in randomized comparisons.
명백한 사실 관찰 데이터의 J-곡선은 reverse causation— sick patients have low BP because they're sick, not sick because their BP is low.
RCT의 IPD만이 이를 풀 수 있었습니다.
Treating Hypertension by Age
Should This Elderly Patient Get BP Treatment?
Patient Age?
↓
55-74
75-84
85+
↓
Treat if BP elevated
Proportional benefit maintained across all ages
Proportional benefit maintained across all ages
THE LESSON
Age alone is not a reason to withhold treatment.
Consider frailty, life expectancy, patient preference—but not age.
Consider frailty, life expectancy, patient preference—but not age.
🔀
82세 노인의 혈압
82세 여성의 혈압은 158/88입니다. 그녀는 독립적이고 인지적으로 손상되지 않았으며 낙상 이력이 없습니다. 동료의 말: "그녀는 공격적인 혈압 치료를 하기에는 너무 늙었습니다. J-곡선, 아시죠."
BPLTTC IPD 메타 분석을 기억하시나요?
BPLTTC IPD 메타 분석을 기억하시나요?
What do you do?
A
동료의 의견에 동의하세요. 노인을 위한 더 높은 혈압 목표를 받아들입니다.
B
혜택이 계속된다는 BPLTTC 증거를 인용하세요. 매우 노인의 경우 치료를 시작합니다
C
Wait for a cardiovascular event before treating
"그들은 노인들이 약을 먹기에는 너무 취약하다고 말했습니다.
그러나 개별 데이터는 그렇지 않은 것으로 나타났습니다.
At every age, the benefit endures.
Do not let age alone deny protection."
그러나 개별 데이터는 그렇지 않은 것으로 나타났습니다.
At every age, the benefit endures.
Do not let age alone deny protection."
시간과의 경쟁을 목격하지 않으셨습니까?
when a clot blocks the brain?
Every minute, two million neurons die.
But when does the window close?
When is it too late to intervene?
when a clot blocks the brain?
Every minute, two million neurons die.
But when does the window close?
When is it too late to intervene?
Time Is Brain
1.9M
Neurons Lost Per Minute
14B
Synapses Lost Per Minute
THE QUESTION
혈전 용해제는 혈전을 용해시키고 혈액을 회복시킬 수 있습니다 flow.
But given too late, it causes bleeding into dying brain tissue.
What is the time window? 3 hours? 4.5 hours? 6 hours?
Individual trials disagreed. Guidelines were uncertain.
But given too late, it causes bleeding into dying brain tissue.
What is the time window? 3 hours? 4.5 hours? 6 hours?
Individual trials disagreed. Guidelines were uncertain.
뇌졸중 혈전용해 임상 시험자
STT COLLABORATIVE GROUP, 2014
STT는 6,756 patients
across 9 major alteplase trials.
They knew exactly when each patient's stroke began. They knew exactly when thrombolysis was given. They knew exactly who lived, who died, who recovered.
They could map benefit against time, minute by minute.
They knew exactly when each patient's stroke began. They knew exactly when thrombolysis was given. They knew exactly who lived, who died, who recovered.
They could map benefit against time, minute by minute.
STT Collaborative Group. Lancet 2014;384:1929-35
페이딩 창
0-3h
또는 좋은 결과를 위한 1.75
3-4.5h
또는 좋은 결과를 위한 1.26
4.5-6h
OR 1.15 (not significant)
혜택의 감소
Every 15 minutes of delay reduced the benefit.
Treated at 90 min: 1 in 4 achieve excellent outcome
Treated at 180 min: 1 in 7 achieve excellent outcome
Treated at 270 min: 1 in 14 achieve excellent outcome
Treated at 90 min: 1 in 4 achieve excellent outcome
Treated at 180 min: 1 in 7 achieve excellent outcome
Treated at 270 min: 1 in 14 achieve excellent outcome
혈전용해 결정
Acute Ischemic Stroke: Give Thrombolysis?
Time Since Symptom Onset?
↓
0-3h
Strong benefit
3-4.5h
Moderate benefit
4.5-6h
Uncertain
>6h
Harm likely
↓
TREAT
URGENTLY
URGENTLY
TREAT
if eligible
if eligible
Consider
imaging
imaging
Generally
avoid
avoid
Why did we need individual data?
평균의 한계
Trial A: "Patients treated within 3 hours" (average: 2.1 hours)
Trial B: "Patients treated within 6 hours" (average: 4.2 hours)
These overlapping, inconsistent windows couldn't be compared.
Only by knowing each patient's exact time
could the continuous decay of benefit be mapped.
Trial B: "Patients treated within 6 hours" (average: 4.2 hours)
These overlapping, inconsistent windows couldn't be compared.
Only by knowing each patient's exact time
could the continuous decay of benefit be mapped.
🔀
4시간 뇌졸중
68세 노인이 급성 뇌졸중 증상을 보였습니다. 발병은 4시간 전이었습니다. CT에서는 출혈이 없었고, NIHSS 점수는 12(중등도)였습니다. 가족은 "혈전 용해제를 투여하기에는 너무 늦었나요?"라고 묻습니다.
Door-to-needle time will add 30 minutes, making total time ~4.5 hours.
Door-to-needle time will add 30 minutes, making total time ~4.5 hours.
What do you do?
A
"It's too late - the 3-hour window has passed"
B
"아직 4.5시간 이내입니다. 긴급하게 혈전용해술을 진행하세요."
C
"Wait for MRI to see if there's salvageable tissue"
"Every minute the clot remains,
two million neurons perish.
IPD는 우리에게 페이딩 윈도우를 보여주었습니다.
Act quickly, or the window closes forever."
two million neurons perish.
IPD는 우리에게 페이딩 윈도우를 보여주었습니다.
Act quickly, or the window closes forever."
개별 데이터를 수집했습니다.
당신은 희망을 가지고 파일을 엽니다.
그러면 다음과 같이 보입니다. empty cells.
Age: 67. Sex: Male. Smoking status: missing.
Outcome at 1 year: missing.
What now?
당신은 희망을 가지고 파일을 엽니다.
그러면 다음과 같이 보입니다. empty cells.
Age: 67. Sex: Male. Smoking status: missing.
Outcome at 1 year: missing.
What now?
세 가지 종류의 실종
1
Missing Completely at Random (MCAR)
Lab machine broke randomly. No relation to patient characteristics. Safe to ignore (but wasteful).
2
Missing at Random (MAR)
Older patients more likely to miss follow-up. Missingness related to observed variables. Imputation can help.
3
무작위로 누락되지 않음(MNAR)
결과가 좋지 않은 환자는 탈락합니다. 관련 누락 missing value itself. 위험한. 민감도 분석이 필요합니다.
누락된 데이터 처리
누락된 값으로 무엇을 해야 합니까?
How much is missing?
↓
<5%
Minor
5-20%
Moderate
>20%
Substantial
↓
Complete case
may suffice
may suffice
Multiple
imputation
imputation
Impute +
sensitivity
sensitivity
다중 대치: 표준
THE PROCESS
1. Impute → 2. Analyze → 3. Pool
Create M imputed datasets, analyze each, combine using Rubin's rules
WHY MULTIPLE?
단일 대체는 누락된 값을 알고 있는 것처럼 가장합니다.
Multiple imputation (M=20-50 datasets) reflects uncertainty 누락된 값이 무엇인지에 대해 설명합니다.
이는 유효한 표준 오류와 p-값을 유지합니다.
Multiple imputation (M=20-50 datasets) reflects uncertainty 누락된 값이 무엇인지에 대해 설명합니다.
이는 유효한 표준 오류와 p-값을 유지합니다.
IPD 관련 누락 데이터 문제
1
Systematically Missing Variables
Trial A measured biomarker X. Trial B didn't. Can't impute what was never collected.
2
Multilevel Structure
Patients nested within trials. Imputation model must account for clustering.
3
Different Follow-up Durations
재판 A는 2년 동안 이어졌습니다. 5년 동안 평가판 B. 생존 분석에는주의가 필요합니다.
When a Variable Is Missing Entirely
Trial Didn't Collect Your Key Covariate
Is it an effect modifier or confounder?
↓
Effect Modifier
↓
Restrict interaction
analysis to trials
변수와 함께
analysis to trials
변수와 함께
Confounder
↓
Sensitivity analysis
varying assumptions
about unmeasured
varying assumptions
about unmeasured
🔀
사라진 바이오마커
IPD-MA는 바이오마커 양성 환자에게 새로운 항암제가 더 잘 작동하는지 여부를 테스트합니다. 8번의 시도에서 IPD가 발생했습니다. 그러나 3건의 임상시험(환자의 40%)에서는 바이오마커를 전혀 측정하지 못했습니다.
이 3가지 시험은 오래되고 규모가 작은 경향이 있습니다.
이 3가지 시험은 오래되고 규모가 작은 경향이 있습니다.
상호작용을 어떻게 분석하나요?
A
Impute the biomarker status based on other patient characteristics
B
바이오마커 데이터를 사용하여 5개 시험에서만 상호작용을 분석합니다. 전반적인 효과에 대한 모든 시험을 포함한 민감도 분석
C
3개의 임상시험을 메타분석에서 완전히 제외
"빈 셀은 아무것도 아니다.
It is a question: 이것이 왜 알려지지 않았습니까?
공백을 메우기 전에 그 질문에 대답하세요.
부재의 이유가 해결책을 결정하기 때문이다."
It is a question: 이것이 왜 알려지지 않았습니까?
공백을 메우기 전에 그 질문에 대답하세요.
부재의 이유가 해결책을 결정하기 때문이다."
연구원을 본 적 없나요?
누가 데이터를 수집했는가 willing trialists
그리고 승리를 선언했는가?
But the unwilling held secrets.
그리고 그 비밀이 모든 것을 바꾸었습니다.
누가 데이터를 수집했는가 willing trialists
그리고 승리를 선언했는가?
But the unwilling held secrets.
그리고 그 비밀이 모든 것을 바꾸었습니다.
타미플루 이야기
A TRUE STORY
수년 동안 정부는 유행성 독감을 위해 타미플루를 비축하고 수십억 달러를 지출했습니다.
Cochrane reviewers requested trial data to verify efficacy. Roche refused, citing confidentiality.
5년 동안 BMJ는 투명성을 위한 캠페인을 벌였습니다. 2014년에 마침내 전체 임상 연구 보고서가 발표되었을 때 상황이 바뀌었습니다. 타미플루는 증상 기간을 하루 미만으로 줄였고 합병증을 예방하지 못했습니다.
완전한 증거가 숨겨져 있는 약물에 수십억 달러를 지출했습니다.
타미플루 사건은 기대를 변화시켰습니다. 오늘날 임상 시험 투명성은 예외가 아닌 표준이 되고 있습니다.
Cochrane reviewers requested trial data to verify efficacy. Roche refused, citing confidentiality.
5년 동안 BMJ는 투명성을 위한 캠페인을 벌였습니다. 2014년에 마침내 전체 임상 연구 보고서가 발표되었을 때 상황이 바뀌었습니다. 타미플루는 증상 기간을 하루 미만으로 줄였고 합병증을 예방하지 못했습니다.
완전한 증거가 숨겨져 있는 약물에 수십억 달러를 지출했습니다.
타미플루 사건은 기대를 변화시켰습니다. 오늘날 임상 시험 투명성은 예외가 아닌 표준이 되고 있습니다.
When IPD Is Selectively Available
경험적 조사
연구에서는 IPD를 공유하는 임상시험과 IPD를 공유하는 임상시험을 비교했습니다. 하지 마세요:
Industry-sponsored trials: Less likely to share
부정적인 결과가 있는 시험: Less likely to share
Older trials: 데이터가 자주 손실됩니다
If these trials systematically differ in effect size,
IPD-MA가 편향되어 있습니다.
Industry-sponsored trials: Less likely to share
부정적인 결과가 있는 시험: Less likely to share
Older trials: 데이터가 자주 손실됩니다
If these trials systematically differ in effect size,
IPD-MA가 편향되어 있습니다.
Ahmed I, et al. BMJ 2012;344:d7762
Always Compare: IPD vs. Non-IPD Trials
Assessing Availability Bias
Compare AD effects: trials with IPD vs. without
↓
Similar Effects
↓
Low concern
for bias
for bias
Different Effects
↓
High concern
민감도 분석 필요
민감도 분석 필요
가용성 편향 체크리스트
✓
Report IPD retrieval rate
"12/15 시험에서 IPD를 얻었습니다. (80%)"
✓
Compare IPD vs. non-IPD trial characteristics
총계 데이터의 표본 크기, 자금, 출판 날짜, 효과 크기
✓
Sensitivity analysis including non-IPD trials
비공유 시험의 IPD와 AD를 결합한 2단계 분석
✓
비공유 이유 논의
Data lost? Refused? Never requested? Each has different implications.
🔀
The Reluctant 임상 시험자
외과적 중재에 대한 IPD-MA는 12개 적격 임상시험 중 8개(67%)에서 데이터를 얻었습니다. 4개의 비공유 임상시험은 모두 업계 자금을 지원받았으며 8개의 IPD 임상시험(합동 OR 0.72)에 비해 출판물에서 더 작은 이점(합동 OR 0.95)을 보여줍니다.
귀하의 IPD 분석에서는 OR 0.70을 보여줍니다.
귀하의 IPD 분석에서는 OR 0.70을 보여줍니다.
보고 방법 이것은?
A
Report IPD result (OR 0.70) as the main finding - IPD is gold standard
B
비공유 시도의 AD를 포함하여 가용성 편향 및 민감도 분석에 대한 눈에 띄는 경고와 함께 IPD 결과를 보고합니다.
C
Wait until you get 100% IPD before publishing
비IPD의 2단계 하이브리드 솔루션
COMBINING IPD + AD
Stage 1: Analyze IPD trials → get θIPD
Stage 2: Meta-analyze θIPD + θAD 시도
Uses all available evidence, even when IPD incomplete
THE PRINCIPLE
IPD는 전부 아니면 전무가 아닙니다.
IPD가 있는 곳에서 사용하세요(상호작용 테스트용).
전체 효과 추정을 위해 AD를 보완하세요.
결과에 대한 투명성 where.
IPD가 있는 곳에서 사용하세요(상호작용 테스트용).
전체 효과 추정을 위해 AD를 보완하세요.
결과에 대한 투명성 where.
"의지가 전체를 대표할 수는 없습니다.
열린 문은 잠긴 문 뒤에 진실을 숨길 수 있습니다.
Always ask: Who refused to share?
And what might they be hiding?"
열린 문은 잠긴 문 뒤에 진실을 숨길 수 있습니다.
Always ask: Who refused to share?
And what might they be hiding?"
초기 유방암 시험자 그룹은 개별 시험이 불가능하다는 것을 무엇으로 발견했습니까?
Tamoxifen works better than placebo
Tamoxifen only works in estrogen receptor positive tumors
Tamoxifen has significant side effects
Tamoxifen works better in younger women
What is the "ecological fallacy" in meta-analysis?
Assuming environmental factors don't affect treatment
Assuming between-study relationships apply to within-study (individual) relationships
다양한 생태학적 지역의 통합 연구
Using outdated trials in modern meta-analyses
1단계 IPD 분석이 더 선호되는 때는 언제입니까? 2단계?
When trials have sparse events or rare outcomes
When you have many large trials
When you want to create forest plots
결과가 공통적이고 후속 조치가 짧은 경우
여러 시험에서 IPD를 분석하기 전에 무엇을 해야 합니까?
즉시 모든 데이터를 모으고 주요 분석을 실행
Exclude trials with missing variables
데이터 검증을 위해 IPD에서 각 시험의 게시된 결과를 재현합니다. 무결성
Convert all continuous variables to categorical
References
여기에 인용된 주요 출처 과정
- Riley RD, et al. 개별 참가자 데이터 메타 분석: 의료 연구를 위한 핸드북 Wiley, 2021.
- Stewart LA, et al. PRISMA-IPD: 개별 참가자 데이터의 체계적인 검토 및 메타 분석을 위해 선호되는 보고 항목입니다. JAMA 2015;313:1657-65.
- Early Breast Cancer Trialists' Collaborative Group. Tamoxifen for early breast cancer. Cochrane Database Syst Rev 2001.
- Cholesterol Treatment Trialists' Collaboration. Efficacy and safety of LDL-lowering therapy. Lancet 2010;376:1670-81.
- Roberts D, et al. Antenatal corticosteroids for accelerating fetal lung maturation. Cochrane Database Syst Rev 2017.
- IMPACT Study Group. Predicting outcome after traumatic brain injury. PLoS Med 2008;5:e165.
- Debray TPA, et al. Get real in individual participant data meta-analysis. Int J Epidemiol 2015;44:1287-97.
- Burke DL, et al. Meta-analysis using individual participant data. Stat Med 2017;36:320-38.
✔
Course Complete
"총체적으로, 개인은
But you have learned to find them.
You have learned to ask: Who benefits? Who is harmed?
이제 시작하세요. 평균에서 환자가 사라지지 않도록 하세요."
But you have learned to find them.
You have learned to ask: Who benefits? Who is harmed?
이제 시작하세요. 평균에서 환자가 사라지지 않도록 하세요."
숨겨진 환자 — 이제 그들을 볼 수 있습니다.