日本語AIでPubMedを検索
個別化された治療予測は、無作為化試験において、集団平均的なアプローチと比較して転帰を改善することができるか？大うつ病の急性期治療の実用的メガトリアールにおける多変量予測モデルの開発と検証
Can personalized treatment prediction improve the outcomes, compared with the group average approach, in a randomized trial? Developing and validating a multivariable prediction model in a pragmatic megatrial of acute treatment for major depression.
PMID: 32664003 DOI: 10.1016/j.jad.2020.05.141.
抄録
背景:
臨床試験は伝統的に集合体レベルで分析されてきたが、グループ平均がすべての適格で類似した患者に適用されると仮定していた。我々は、大うつ病に対する抗うつ薬治療の大規模臨床試験を再解析し、多変量予測モデルが個々の参加者に対する異なる治療推奨につながるかどうかを検討した。
BACKGROUND: Clinical trials have traditionally been analysed at the aggregate level, assuming that the group average would be applicable to all eligible and similar patients. We re-analyzed a mega-trial of antidepressant therapy for major depression to explore whether a multivariable prediction model may lead to different treatment recommendations for individual participants.
方法:
この試験では、大うつ病患者1,544人を対象に、セルトラリンの継続、ミルタザピンとの併用、セルトラリンで初回寛解不能となった後にミルタザピンに切り替えるという第二選択療法を比較した。当初の解析では、併用と切り替えの両方で、継続よりもPHQ-9の低下が1.0ポイント大きいことが示されていたが、今回の解析では、併用と切り替えの両方でPHQ-9の低下が1.0ポイント大きいことが示された。我々は、罰則付き回帰または機械学習のいくつかのモデルを検討した。
METHODS: The trial compared the second-line treatment strategies of continuing sertraline, combining it with mirtazapine or switching to mirtazapine after initial failure to remit on sertraline among 1,544 patients with major depression. The outcome was the Personal Health Questionnaire-9 (PHQ-9) at week 9: the original analyses showed that both combining and switching resulted in greater reduction in PHQ-9 by 1.0 point than continuing. We considered several models of penalized regression or machine learning.
結果:
サポートベクターマシン（SVM）を用いたモデルが最も優れた性能を示した。SVMを用いて、123人の患者ではセルトラリンの継続が最良の治療法であると予測され、696人の患者では併用が、725人の患者では切り替えが予測された。最後の2つのサブグループでは、組み合わせと切り替えの両方が継続よりも1.2～1.4ポイント等しく優れており、元の集計データレベルの解析と同じ治療法が推奨された；しかしながら、最初のサブグループでは、切り替えは組み合わせよりも実質的に劣っていた（-3.1、95％CI：-5.4～-0.5）。
RESULTS: Models using support vector machines (SVMs) provided the best performance. Using SVMs, continuing sertraline was predicted to be the best treatment for 123 patients, combining for 696 patients, and switching for 725 patients. In the last two subgroups, both combining and switching were equally superior to continuing by 1.2 to 1.4 points, resulting in the same treatment recommendations as with the original aggregate data level analyses; in the first subgroup, however, switching was substantively inferior to combining (-3.1, 95%CI: -5.4 to -0.5).
制限事項:
より正確な予測を行うためには、より強力な予測因子が必要である。
LIMITATIONS: Stronger predictors are needed to make more precise predictions.
結論:
多変量予測モデルは、メガトリアールでのグループ平均的なアプローチよりも少数の参加者への推奨を改善することにつながった。
CONCLUSIONS: The multivariable prediction models led to improved recommendations for a minority of participants than the group average approach in a megatrial.
Copyright © 2020. Published by Elsevier B.V.