随机效应模型在罕见事件Meta分析中的性能比较：频率学派与贝叶斯方法的评估

《BMC Medical Research Methodology》：Random-effects meta-analysis models for pooling rare events data: a comparison between frequentist and bayesian methods

为解决罕见事件（尤其是双零事件研究）Meta分析中传统模型的局限性，研究人员系统比较了十种随机效应模型（包括七种频率学派和三种贝叶斯方法）的性能。研究发现Kuss提出的β-二项式模型（Betabin）表现优异，而广义估计方程（GEE）效果较差；贝叶斯框架下的Beta超先验模型同样展现出优势。该研究为罕见事件数据聚合提供了方法学指导，对提升医学研究证据合成质量具有重要意义。

　　

在医学研究中，罕见事件（如药物不良反应或罕见病结局）的Meta分析长期面临统计方法学的挑战。当研究中出现双零事件（即试验组和对照组均未发生目标事件）时，传统方法如Yusuf-Peto法或逆方差法往往需要连续性校正，这不仅可能引入偏差，还会影响结果的可信度。随着方法学的发展，频率学派和贝叶斯框架下涌现出多种可避免连续性校正的模型，但这些方法的性能差异尚不明确。为此，Yao等人在《BMC Medical Research Methodology》发表了系统性研究，通过模拟分析和实证应用对比了十种主流模型的性能。

本研究采用模拟实验与实证案例相结合的方法。通过控制对照组事件发生率（p_c=0.01或0.05）、治疗效应（log OR从-0.93至1.05）、研究数量（k=5,10,30）和异质性水平（τ=0.05,0.3,0.75,1）等参数，生成120种场景下的Meta分析数据集。评估的模型包括：两种二项式-正态广义线性混合模型（GLMM-A、GLMM-B）、两种贝叶斯二项式-正态层次模型（BNHM-1、BNHM-2）、超几何-正态模型（Nchg）、Kuss的β-二项式模型（Betabin）、Hong的Beta超先验模型以及三种广义估计方程（GEE-UN、GEE-IN、GEE-EX）。性能指标涵盖百分比偏差、95%置信/可信区间宽度、均方根误差（RMSE）和覆盖率。

模型覆盖率比较

在所有模拟场景中，广义估计方程（GEE）的覆盖率显著低于其他模型（图1）。当异质性较小时（τ=0.05和0.3），除GEE外的大部分模型覆盖率均接近或超过95%。而当异质性较大时（τ=0.75和1），仅Betabin和Nchg能维持较高覆盖率。贝叶斯模型中，BNHM-1和BNHM-2在罕见事件场景下表现优于GLMM类模型。

百分比偏差分析

对照组事件发生率较低（p_c=0.01）时，所有模型的偏差均增大（图2）。BNHM-2在零效应（OR=1）和小效应（OR=0.71）场景下偏差最小，而GLMM-A在极大效应（OR=0.39）时略优。Beta超先验模型在小事件率且大效应量时偏差较高。

区间宽度与精度评估

GEE类模型和Beta超先验模型产生的区间宽度最窄，但这是以牺牲覆盖率为代价的（图3）。BNHM-2的区间宽度最大，表明其估计更为保守。Betabin在精度和覆盖率间取得了较好平衡。

均方根误差表现

Beta超先验模型的RMSE在所有场景中均保持最低，其次是BNHM-1和Betabin（图4）。GEE和Nchg的RMSE普遍较高，尤其在异质性大时更为明显。

实证应用验证

通过重新分析Kishi等人关于长效注射抗精神病药（LAI-AP）的Meta分析数据（表3、表4），发现所有模型均得出与原始研究一致的结论（OR置信/可信区间均包含1）。但不同模型的区间宽度差异显著：Nchg最宽，GEE最窄，而Betabin和贝叶斯模型处于中间范围（图5）。这一结果与模拟结论相互印证。

本研究系统评估了十种Meta分析模型在罕见事件场景下的性能。结果表明，Kuss提出的β-二项式模型（Betabin）在覆盖率、偏差控制和精度平衡方面综合表现最佳，特别是在高异质性条件下仍能保持稳定。广义估计方程（GEE）尽管区间宽度最窄，但覆盖率严重不足，不推荐用于罕见事件分析。贝叶斯方法中，Beta超先验模型在RMSE方面表现最优，而BNHM类模型在覆盖率方面更具优势。这些发现为研究者根据异质性水平和事件发生率选择适当模型提供了实证依据。未来研究需进一步探索贝叶斯先验设置、模型结构优化以及在其他效应量（如风险比）中的适用性。