Key points are not available for this paper at this time.
Certains patients bénéficient d'un traitement tandis que d'autres en profitent moins ou n'en bénéficient pas du tout. Nous avons précédemment développé un modèle de prédiction par méta-régression en réseau en deux étapes qui synthétise des essais randomisés et évalue comment les effets des traitements varient en fonction des caractéristiques des patients. Dans cet article, nous avons étendu ce modèle pour combiner différentes sources de types dans différents formats : données agrégées (AD) et données individuelles de participants (IPD) provenant d'évidences randomisées et non randomisées. Dans la première étape, un modèle pronostique est développé pour prédire le risque de base de l'issue à l'aide d'une grande étude de cohorte. Dans la deuxième étape, nous avons recalibré ce modèle pronostique pour améliorer nos prédictions pour les patients inscrits aux essais randomisés. Dans la troisième étape, nous avons utilisé le risque de base comme modificateur d'effet dans un modèle de méta-régression en réseau combinant AD, IPD essais cliniques randomisés pour estimer les effets hétérogènes des traitements. Nous avons illustré l'approche dans la réanalyse d'un réseau d'études comparant trois médicaments pour la sclérose en plaques récurrente-remittente. Plusieurs caractéristiques des patients influencent le risque de base de rechute, ce qui modifie à son tour l'effet des médicaments. Le modèle proposé fait des prédictions personnalisées pour les résultats de santé sous plusieurs options de traitement et englobe toutes les preuves pertinentes randomisées et non randomisées.
Chalkou et al. (Tue,) ont étudié cette question.