مرورهای نظام‌مند پیش‌آگهی

چهار نوع پرسش

از چارچوب PROGRESS، معرفی‌شده در دوره مبانی:

هر یک نیازمند بازبینی متفاوتی است، با معیارهای شایستگی متفاوت، ابزارهای ارزیابی متفاوت و روش‌های ترکیب متفاوت. ادغام آن‌ها رایج‌ترین خطا در این ادبیات است و معمولاً به صورت یک مرور ظاهر می‌شود که به دنبال «عوامل پیش‌آگهی» است و هر برآورد تعدیل‌شده‌ای را که پیدا می‌کند، تجمیع می‌کند.

نکتهٔ اساسی را از دورهٔ مبانی به یاد بیاورید: برای پیش‌بینی، همبستگی کافی است؛ علیت لازم نیست. یک عامل پیش‌بین وقتی مفید است که پیش‌بینی کند، چه علت باشد چه نباشد.

چگونه بازبینی پیش‌آگهی با بازبینی درمان متفاوت است

آن سطر آخر شایسته تأکید است و در پایان این واحد توسعه داده می‌شود.

مراحل رفتار در بازبینی

پرسش

از PICOTS استفاده کنید، جایی که «I» نمایانگر عامل یا مدل پیش‌آگهی است و T و S (زمان‌بندی و شرایط) نسبت به یک مرور درمانی اهمیت بیشتری دارند، زیرا پیش‌آگهی نسبت به یک نقطهٔ شروع و یک زمینه تعریف می‌شود.

مشخص کنید:

• دقیقاً نقطهٔ شروع. «بیماران مبتلا به نارسایی قلبی» یک گروه یکنواخت نیست؛ «بیمارانی که ظرف 30 روز پس از اولین بستری به‌خاطر نارسایی قلبی هستند» چنین است. نقطهٔ شروع پیش‌آگهی را تعیین می‌کند.
• نتیجه و افق زمانی
• عامل، از جمله اینکه چگونه باید اندازه‌گیری شده باشد و آیا نیاز به نقاط برش خاصی است یا خیر.
• اینکه آیا به برآوردهای تعدیل‌شده یا تعدیل‌نشده نیاز است و اگر تعدیل‌شده باشند، برای چه هدفی. این موضوع صلاحیت را تعیین می‌کند و معمولاً خیلی دیر تصمیم‌گیری می‌شود.

جستجو

فیلترهای جستجو برای مطالعات پیش‌آگهی عملکرد بسیار ضعیف‌تری نسبت به فیلترهای کارآزمایی‌ها دارند. مطالعات پیش‌آگهی به‌طور ناسازگار نمایه و عنوان‌گذاری می‌شوند و بسیاری از آن‌ها تحلیل‌های پیش‌آگهی را به‌عنوان یافته‌های ثانویه در مقالاتی درباره موضوعات دیگر گزارش می‌کنند.

پیامدها:

• انتظار دقت کمتر و بار غربالگری بیشتر را داشته باشید.
• به جای اتکا به یک فیلتر، فیلترها را با واژه‌های موضوعی ترکیب کنید.
• بررسی فهرست منابع و جستجوی ارجاعات اهمیت بیشتری نسبت به یک مرور درمانی دارد.
• ملاحظه کنید که بدون فیلتر طراحی، به دنبال نتیجه و جمعیت بگردید و سپس بر اساس طراحی غربالگری کنید.

استخراج

دقت بیشتری نسبت به مرور درمانی می‌طلبد. برای هر مطالعه، استخراج کنید:

• نقطه شروع و مدت پیگیری
• هر دو برآورد تعدیل‌شده و تعدیل‌نشده گزارش شدند.
• مجموعه تعدیل‌ها برای هر برآورد تعدیل‌شده. این موضوع ضروری است و معمولاً در بازبینی‌ها نادیده گرفته می‌شود. دو نسبت خطر تعدیل‌شده که برای متغیرهای مختلف تعدیل شده‌اند، یکسان را برآورد نمی‌کنند.
• نحوه اندازه‌گیری عامل و نقطه برش در صورت دسته‌بندی آن
• تعداد رویدادها که دقت را تعیین می‌کند
• روش تحلیل
• برای مدل‌ها: پیش‌بین‌ها، فرم مدل و معیارهای عملکرد

خطر سوگیری

CHARMS چک‌لیست همراه برای تدوین پرسش مرور و استخراج اطلاعات در بازبینی مدل‌ها است.

دامنه‌هایی که اغلب شکست می‌خورند:

سقط. از دست دادن شرکت‌کنندگان در پیگیری یک مطالعه پیش‌آگهی به ندرت تصادفی است و افرادی که از دست می‌روند معمولاً نتایج بدتری دارند که پیش‌آگهی برآوردی را خوش‌بینانه تحریف می‌کند.

اندازه‌گیری عامل. اندازه‌گیری در مطالعات مختلف به‌طور متفاوت انجام شده یا با آگاهی از نتیجه اندازه‌گیری شده است.

مخلوط‌کننده. برای یک پرسش مربوط به عامل پیش‌آگهی، عوامل مخلوط‌کنندهٔ مرتبط، سایر عوامل پیش‌آگهی اثبات‌شده هستند؛ مطالعه‌ای که برای مجموعهٔ متفاوتی تعدیل می‌کند، به پرسش متفاوتی پاسخ می‌دهد.

گزارش‌دهی گزینشی. مطالعات اکتشافی عوامل نامزد متعددی را بررسی کرده و تنها عوامل معنادار را گزارش می‌کنند. نقاط برش اغلب به‌منظور بیشینه‌سازی همبستگی انتخاب می‌شوند که این امر برآوردی خوش‌بینانه را تضمین می‌کند. به همین دلیل انتظار می‌رود سوگیری انتشار و گزارش‌دهی در این ادبیات نسبت به کارآزمایی‌ها بدتر باشد.

مطالعهٔ فراترکیبی شواهد پیش‌آگهی

پیش‌آگهی کلی: نسبت‌های تلفیقی

نتیجه یک نسبت یا نرخ است، نه یک مقایسه.

استفادهٔ مستقیم از نسبت‌های ترکیب مشکل‌ساز است، زیرا واریانس به نسبت بستگی دارد و تقریب نرمال در نزدیکی صفر و یک شکست می‌خورد و گاهی بازه‌های خارج از محدودهٔ ممکن را تولید می‌کند.

از یک تبدیل تثبیت‌کننده واریانس استفاده کنید:

• تبدیل لاگیت، تجمیع‌شده و تبدیل معکوس‌شده.
• تبدیل دوگانه آرک‌سین (فریمن-توکی)، که در نزدیکی 0 و 1 عملکرد بهتری دارد، با این قید که تبدیل معکوس آن زمانی که اندازه‌های مطالعات به‌طور گسترده متفاوت هستند، دشوار است.
• یک مدل خطی مختلط تعمیم‌یافته با احتمال‌سنجی دودویی که به‌طور کلی از تبدیلات اجتناب می‌کند و اکنون به‌طور عمومی ترجیح داده می‌شود.

library(meta)
metaprop(event = e, n = n, sm = "PLOGIT", method = "GLMM")

انتظار همگنی بسیار پایین را داشته باشید. شیوع و خطر واقعاً بین جمعیت‌ها، محیط‌ها و دوره‌های مختلف متفاوت است. $I^2$ بالاتر از 90% طبیعی است و به این معنی است که یک نسبت تلفیقی واحد اغلب خلاصه مناسبی نیست. در نظر بگیرید که آیا اصلاً باید تلفیق کنید و ترجیح دهید بازه را همراه با توضیحی درباره عوامل مؤثر بر آن ارائه دهید.

همچنین افق زمانی را استاندارد کنید: نسبت مرگ‌ومیر یک‌ساله و پنج‌ساله را نمی‌توان با هم تجمیع کرد.

عوامل پیش‌آگهی

مشکل اصلی: مطالعات برآوردهایی را گزارش می‌کنند که برای مجموعه‌های متفاوتی از متغیرها تعدیل شده‌اند.

پیامدها و پاسخ‌ها:

• برآوردهای تعدیل‌شده و تعدیل‌نشده را با هم جمع نکنید. آن‌ها مقادیر متفاوتی را برآورد می‌کنند.
• در صورت امکان گروه‌بندی را بر اساس مجموعهٔ تنظیمات انجام دهید و در داخل هر گروه تجمیع کنید.
• مجموعه تعدیل هر مطالعه را گزارش کنید در جدول ویژگی‌ها، تا خوانندگان بتوانند خودشان داوری کنند.
• نقطه‌های برش متفاوت هستند، بنابراین نسبت خطر «به ازای هر واحد» و نسبت خطر «بالاتر در مقابل پایین‌تر از یک آستانه» قابل مقایسه نیستند. گروه‌بندی کنید بر اساس نحوهٔ برخورد با عامل.
• از روش معکوس واریانس عمومی در مقیاس لگاریتمی استفاده کنید، زیرا بیشتر مطالعات به‌جای داده‌های خام، نسبت و بازه را گزارش می‌کنند.

انتظار تنوع قابل‌توجهی را از همهٔ این منابع داشته باشید. متا-رگرسیون بر ویژگی‌های مطالعات اغلب از برآورد تلفیقی آموزنده‌تر است.

مدل‌های پیش‌آگهی

دو چیز با هم ترکیب می‌شوند و به پرسش‌های متفاوتی پاسخ می‌دهند.

توان تفکیک، معمولاً آمار C. بر مقیاس لگیت تجمیع شود، زیرا آمار C بین 0.5 و 1 محدود است.

کالیبراسیون، توافق بین خطر‌های پیش‌بینی‌شده و مشاهده‌شده است. این توافق با شیب کالیبراسیون و نسبت مشاهده‌شده به مورد انتظار خلاصه می‌شود.

هر دو را گزارش کنید. همان‌طور که در دورهٔ مبانی مطرح شد، یک مدل می‌تواند به‌خوبی تمایز قائل شود اما کالیبراسیون ضعیفی داشته باشد، بیماران را به‌درستی رتبه‌بندی کند در حالی که به‌طور سیستماتیک بیش‌ازحد یا کمتر از حد پیش‌بینی می‌کند. برای مدلی که در برابر یک آستانهٔ مطلق به‌کار می‌رود، کالیبراسیون اهمیت بیشتری دارد.

توسعه را از مطالعات اعتبارسنجی متمایز کنید. عملکرد یک مدل در داده‌هایی که بر اساس آن توسعه یافته، خوش‌بینانه است؛ تنها اعتبارسنجی‌های خارجی به شما می‌گویند که آیا این عملکرد به سایر داده‌ها منتقل می‌شود یا خیر. ترکیب این دو با هم یک اشتباه رایج و جدی است.

تحلیل‌های زیرگروهی

همان اصول دوره مرور، با دو افزودهٔ ویژهٔ پیش‌آگهی.

تنوع در مرورهای پیش‌آگهی معمولاً زیاد است و اغلب قابل توضیح است. محیط انجام مطالعه، دوره زمانی، ترکیب موارد و تعریف نقطه شروع مظنونان همیشگی هستند و بررسی آن‌ها با متا-رگرسیون بیش از آنچه در مرورهای درمانی انجام می‌شود، ارزشمند است.

تفاوت‌های بوم‌شناختی جدی‌تر است، زیرا عوامل پیش‌بینی‌کننده ذاتاً در سطح فرد هستند. یک متا-رگرسیون بر میانگین سنی مطالعات، معیار ضعیفی برای سنجش این است که آیا افراد مسن‌تر عملکرد بدتری دارند یا خیر. فراتحلیل IPD (واحد 5) پاسخ این پرسش‌ها را می‌دهد.

GRADE برای پیش‌آگهی

اصلاحی که اهمیت دارد و نتیجه‌گیری بسیاری از نقدها را تغییر می‌دهد.

در یک مرور درمانی، شواهد مشاهده‌ای از LOW آغاز می‌شود، زیرا شواهد تصادفی اصولاً در دسترس است و آمیختگی تهدیدی برای برآورد است.

در بررسی پیش‌آگهی کلی، شواهد مشاهده‌ای از HIGH آغاز می‌شود. یک مطالعهٔ کوهورتی که به‌خوبی انجام شده باشد، طراحی مناسب برای این پرسش است، نه جایگزینی برای یک طراحی بهتر. هیچ جایگزین تصادفی برای مشاهدهٔ آنچه در طول زمان برای افراد رخ می‌دهد وجود ندارد.

سپس دامنه‌ها طبق معمول اعمال می‌شوند:

برای پرسش‌های مربوط به عوامل پیش‌آگهی، وضعیت پیچیده‌تر است. وقتی پرسش علّی است (آیا این عامل باعث پیامد می‌شود؟)، مداخله متغیرهای عامل مخدوش‌گر مانند یک بررسی درمانی اهمیت دارد و نقطه شروع پایین‌تر مناسب است. وقتی پرسش صرفاً پیش‌بینی‌کننده است، این موضوع صادق نیست.

بیان کنید که کدام پرسش را می‌پرسید، زیرا رتبهٔ قطعیت به آن بستگی دارد.

گزارش‌دهی

PRISMA اعمال می‌شود، همراه با الحاقات و همراهان:

• CHARMS برای قاب‌بندی و استخراج در بازبینی‌های مدل پیش‌بینی
• TRIPOD برای آنچه مطالعات مدل پایه باید گزارش می‌دادند، که به شما می‌گوید چه چیزی را استخراج کنید.
• REMARK برای مطالعات نشانگرهای پیش‌آگهی در انکولوژی

حداقل گزارش کنید: نقطهٔ شروع، افق زمانی، مجموعه‌های تعدیل، نقاط برش، تعداد رویدادها در هر مطالعه و خطر سوگیری در هر حوزه.

درک خود را بررسی کنید

1. هر یک را به‌عنوان پیش‌آگهی کلی، عامل پیش‌بین، مدل پیش‌بین یا پزشکی طبقه‌بندی‌شده طبقه‌بندی کنید: (a) بقای پنج‌ساله پس از تشخیص X چقدر است؟ (b) آیا یک واریانت ژنتیکی پاسخ به داروی Y را پیش‌بینی می‌کند؟ (c) آیا سیگار کشیدن با عود پس از جراحی مرتبط است؟ (d) آیا یک نمره می‌تواند بستری مجدد را در عرض 30 روز پیش‌بینی کند؟
2. توضیح دهید چرا نقطهٔ شروع باید به‌دقت مشخص شود، با استفاده از دو نقطهٔ شروع مختلف برای یک وضعیت یکسان و نشان دادن اینکه پیش‌آگهی چگونه متفاوت خواهد بود.
3. یک مرور 14 نسبت خطر را برای یک عامل پیش‌آگهی گردآوری می‌کند. شش نسبت بدون تعدیل هستند، پنج نسبت برای سن و جنسیت تعدیل شده‌اند و سه نسبت برای یک مدل بالینی کامل تعدیل شده‌اند. استراتژی سنتز خود را شرح دهید.
4. توضیح دهید چرا $I^2$ در یک فراتحلیل شیوع بالای 90% شایع است و به جای یک برآورد تلفیقی واحد چه چیزی را ارائه خواهید داد.
5. یک مرور، آمار c را از 3 مطالعه توسعه مدل و 7 اعتبارسنجی خارجی گردآوری می‌کند. مشکل را بیان کنید و بگویید چه کاری انجام خواهید داد.
6. توضیح دهید چرا شواهد مشاهده‌ای برای یک پرسش پیش‌آگهی کلی با اطمینان بالا آغاز می‌شود و برای یک پرسش درمانی با اطمینان پایین آغاز می‌شود، و چه تغییراتی برای یک پرسش عامل پیش‌بینی که به‌صورت علّی مطرح شده است، رخ می‌دهد.
7. دو دلیل را توضیح دهید که چرا جستجوی مطالعات پیش‌آگهی دشوارتر از جستجوی کارآزمایی‌ها است و برای هر یک چه اقدامی انجام می‌دهید.
8. توضیح دهید چرا گزارش‌دهی گزینشی در ادبیات عوامل پیش‌آگهی انتظار می‌رود بدتر از ادبیات کارآزمایی‌ها باشد.

مطالعه بیشتر

• Riley RD, Moons KGM, Snell KIE, et al. A guide to systematic review and meta-analysis of prognostic factor studies. BMJ. 2019;364:k4597.
• Debray TPA, Damen JAAG, Snell KIE, et al. A guide to systematic review and meta-analysis of prediction model performance. BMJ. 2017;356:i6460.
• Iorio A, Spencer FA, Falavigna M, et al. Use of GRADE for assessment of evidence about prognosis. BMJ. 2015;350:h870.
• Hayden JA, van der Windt DA, Cartwright JL, Cote P, Bombardier C. Assessing bias in studies of prognostic factors. Ann Intern Med. 2013;158(4):280-286.
• Moons KGM, de Groot JAH, Bouwmeester W, et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies: the CHARMS checklist. PLoS Med. 2014;11(10):e1001744.
• Hemingway H, Croft P, Perel P, et al. Prognosis research strategy (PROGRESS) 1. BMJ. 2013;346:e5595.