我們將更新我們的2011以下電子書目數據庫的搜索: 12MEDLINE和EMBASE, Cochrane圖書館(包括Cochrane中央注冊/中央的對照試驗,臨床試驗,敢和NHS速度)。專業圖書館員合作內容,臨床和方法學專家將開發特定的搜索策略。會有日期和語言限製。我們還將審查引用識別研究和敘事評論文章、和更新我們的搜索的會議論文集(美國臨床腫瘤學會會議論文集和血液學的美國社會)。我們還將使用相關的功能條PubMed識別額外的文章。

本文的入選標準是與我們之前的學習水平係統的審查。我們將嚐試獲得IPD以前的相關分析 12和任何新的相關的鑒定合格。知道個隨機對照試驗的概述我們希望包括在最終分析中提供了 表2。

研究選擇過程,兩個評論者將獨立評估的所有標識引用的標題和摘要上麵提到潛在的資格根據預定義的標準。我們將檢索的全文引用至少一位評論家視為合格。兩個評論家將屏幕使用標準化試點資格測試的完整文本形式與明確的納入和排除標準。決定將相比,協議將使用κ統計測量。 31日將解決分歧達成共識,在需要的時候,第三個審稿人的幫助。我們將記錄原因排除。

我們將聯係作者的所有包括試驗通過電子郵件、傳真或電話,並邀請他們分享他們的數據。具體來說,我們將請求研究協議,一份病例報告形式和相應的數據集和所有病人標識符(例如,名稱)移除。除了研究方案和完整的分析計劃,所有感興趣的變量的詳細清單將提供聯係實驗為了保持分析透明度,避免數據驅動的分析並鼓勵憂慮作者分享相關的試驗數據,不包括敏感的或不必要的信息被傳播。數據應包括重要的人口統計學變量所需的分析,如果可能的話,生物標記信息。

兩個評論作者將評估在重複和獨立,偏見的風險包括試驗,使用一個標準化的形式。他們將比較結果和解決分歧的幫助下通過討論或第三個審稿人。我們將使用以下標準來評估風險的偏見:分配隱藏;炫目的參與者,衛生保健提供者,數據收集器,結果退休審核人員,和數據分析師;與可用數據比例的參與者;和停止早受益。我們將評估選擇性的結果和其他報告偏見通過比較結果的列表在出版協議和方法部分中報告的結果發表論文。我們將評估偏差的風險和整體學習水平薈萃分析作為一個初步的證據質量的方法。我們將為每個生成一個倒漏鬥圖對比檢查可能的發表偏倚。我們將評估統計計算Qχ異質性²和p值,和我²。我們將記錄和報告研究的讚助(無論是由營利或非營利組織或政府機構),和評估金融和知識的利益衝突。

我們將準備級證據資料總結的信息等級後的治療效果的方法 17為決策者提供支持,用我們的年級分析器軟件。 18為此,我們將擴大現有的等級的方法論框架將來自IPDMA評估質量的證據。為此,我們將通過學習水平評估發表偏倚和異質性標識符。我們將進行評估的相對估計效果以及基線風險評估在不同的患者亞組。

這個項目的主要目的是進行IPDMA;如果調查人員無法或不願為我們提供他們的數據庫比較,在二次分析中,結果使用學習水平數據,以包括所有試驗。我們將請求試驗方案,最終試驗報告和未編輯的數據庫包括所有隨機患者。兩個獨立審查作者將提取個人參與者和聚合級別數據重複使用標準化prepiloted數據提取形式。他們將比較結果和解決分歧的幫助下通過討論或第三個審稿人。感興趣的數據包括人口、幹預和結果數據。

實驗將確保他們的數據將被視為機密。所有接收到的數據集將存儲在一個安全的位置在他們的原始格式。數據提取之前,我們將創建一個基線變量列表(如年齡、性別、癌症診斷日期,網站的主要癌症)和結果變量(例如,死亡率、出血,深靜脈血栓形成,PE)用於IPDMA。我們將試圖確定這些變量在每個試驗的數據集。在這個階段,我們將檢查個人試驗中定義的變量,如果有必要,創建自己的定義來保證試驗之間的共性的術語。我們將調整或重新計算的一些原始變量,以確保一致性的定義。我們將請求和提取數據所需的所有感興趣的結果進行分析後,意向處理(ITT)原則。

所有數據集將在分別以標準化變量名和值標簽在試驗。最初將進入一個Excel數據庫和數據轉換為SAS進行分析。最後,我們將整理數據集和分配一個試驗變量代碼為每個審判。對於每一個研究,相關的描述性數據將所有注冊的病人,包括人口統計數據(如年齡和性別),潛在的診斷(類型的癌症和階段),其他基線臨床和實驗室數據,包括定義標準的階段他們的疾病,其他血液炎症標記物(如肺動脈栓塞和P-selectin),診斷測試的結果和預後評分或並發症。

我們將匹配後的數據重新編碼的變量轉化為共同的變量。缺失數據分析相關變量的百分比計算和小的方法將被用於評估缺失的完全隨機(MCAR)假設變量缺失數據的至少5%。以防MCAR違反,我們將進一步研究3月模式通過比較結果的變量有或沒有缺失值。

因此,我們將提取數據:

參與者

每個治療的患者隨機數量的手臂

幹預措施

類型的腸外抗凝劑的研究

結果

全因死亡率;預定在12個月,24個月試驗的持續時間

我們計劃使用SAS V.9.3(美國北卡羅來納州卡裏)或一個新版本的軟件來分析數據。所有的分析都將遵循ITT原則分析所有患者根據他們隨機的手臂。所有試驗的原始數據的一致性檢驗將被執行。此外,以確保提供對應數據報告的結果,我們將複製和重新計算的主要結果試驗和隨機選擇幾個基線數據。

為變量缺失的數據,我們將使用多個歸責方法推導出缺失的數據。我們將使用估算的數據集作為主要研究統計分析的數據集。我們將總結數據均值或中位數,根據分布,連續的結果(例如,生活質量)和SD或差。我們將使用計數和百分比描述分類數據。我們將為這兩個表達的幹預效果或結果,人力資源的時間連續的事件結果和平均差結果與CIs的95%。

在回歸分析中,我們將使用多級模型 尺碼將數據在審判級別和病人的水平。對於這兩個結果,我們將使用一個邏輯混合模型。因為相當數量的試驗(> 10)可能包括,我們計劃使用一個隨機模型,代表了聯合分布的治療效果和審判二元正態分布(即從特納使用模型(3) 等 34)。假設試驗包括在分析隨機樣本從更大範圍的試驗,隨機模型可能是不合適的。因此,除了隨機模型、固定後果模型也將完成的主要成果。Cox比例風險回歸模型將被用於事件結果的時候了。之間的異構性試驗將與脆弱隨機效應模型。連續的結果,我們將使用混合回歸模型與隨機攔截試驗之間的可變性。調整變量的並發症與年齡將在模型中作為固定後果。殘差將檢查來評估模型的適當性的假設。我們將配合相應的模型指定二級結果。我們還將報告預期的絕對影響(如風險差異或number-needed-to-treat),基於估計或人力資源,和三個假定的基線風險和中值或平均差的生存。 All data will be summarised in a GRADE evidence profile.

此外,我們將執行一些預定的敏感性分析調查的差異有關行為或混合效應的估計方法。我們還將執行子群分析探討混合效應的估計差異與不同的患者亞組。我們將測試是否有微分interaction-test幹預效果在不同的子組,這是喜歡單獨的子群與具體分析。 35 36

子群分析將執行以下變量:

潛在的診斷包括病人(癌症)的類型和階段:我們假設,早期癌症患者有更大的好處比後期的癌症。我們還假設,基於我們之前的分析,肺或胰腺癌患者的經驗從抗凝治療帶來更大的利益。 13

敏感性分析:

我們有預定的敏感性分析如下:

比較學習水平的薈萃分析包括研究的結果,我們不會與主IPDMA接收原始數據集的結果。我們將探索如果學習水平數據不同排除的研究我們不接收原始數據集。

二級目標發展的癌症患者的靜脈血栓栓塞的風險預測模型我們將執行邏輯回歸或Cox比例風險回歸和競爭風險分析結果(直到第一次出現),分層的癌症類型的病人沒有得到治療,使用的研究我們將收到IPD集。候選預測將年齡、性別、腫瘤分期、化療,使用促紅細胞生成素刺激代理人,他汀類藥物使用、生化標記(P-selectin, C反應蛋白和肺動脈栓塞),吸煙狀況、肥胖(體重指數),血小板,白細胞計數和血紅蛋白水平如果可用(12)。因變量的綜合症狀下肢深靜脈血栓形成和體育。使用手動逐步落後的選擇,我們將決定最終的模型,保持最強的預測統計效應和那些經典視為危險因素(如特定的化療)。調整過度擬合,回歸係數將會縮水。回歸係數將被用來計算個人年風險和相應的95% CIs。引導程序將進行內部驗證新規則的性能。

在平行,我們將執行外部驗證的Khorana得分 37和擴展Khorana得分, 38使用個人數據的患者沒有接受LMWH。我們將重新計算個體風險對患者在基線(預期,E)使用Korana得分和擴展模型包括肺動脈栓塞和可溶性P-selectin濃度。我們將評估靜脈血栓栓塞的發生率(觀察,O),為每個分數Khorana或延長Khorana得分。我們將執行網絡分類分析和偏移量回歸驗證校準的必要性,並在必要時進行調整。我們還將二分Khorana分數和擴展Khorana得分(截止≥3分)重新計算敏感性,特異性,消極的預測價值和陽性預測值驗證集。