文献速递消化、代谢与肾脏急症

血红蛋白A1c水平与二甲双胍治疗的2型糖尿病患者使用磺脲类、二肽基肽酶4抑制剂和噻唑烷二酮类药物的关联:来自观察性健康数据科学与信息学倡议的分析

Association of Hemoglobin A1c Levels With Use of Sulfonylureas, Dipeptidyl Peptidase 4 Inhibitors, and Thiazolidinediones in Patients With Type 2 Diabetes Treated With Metformin: Analysis From the Observational Health Data Sciences and Informatics Initiative.
PubMed 文献 · JAMA Netw Open · 2018-08-03
一句话结论在二甲双胍治疗的2型糖尿病患者中,磺脲类、DPP-4抑制剂和噻唑烷二酮类在降低HbA1c至7%或以下方面无差异;Meta分析中磺脲类相比DPP-4抑制剂心肌梗死和眼病风险略高。

该研究为回顾性、倾向评分匹配的新用户队列研究,纳入8个数据源、3个国家、246 558 805例患者,比较二甲双胍治疗后选用磺脲类、DPP-4抑制剂或噻唑烷二酮类的效果。主要终点为HbA1c降至7%或以下,三种药物类别之间无显著差异(磺脲类 vs DPP-4抑制剂共识HR 0.99,95%CI 0.89-1.10)。Meta分析显示磺脲类相比DPP-4抑制剂心肌梗死风险略高(HR 1.12,95%CI 1.02-1.24)、眼病风险略高(HR 1.15,95%CI 1.11-1.19),肾脏疾病风险无差异(HR 1.09,95%CI 0.97-1.19)。作者结论支持优先选择DPP-4抑制剂而非磺脲类作为二线治疗,与美国临床内分泌医师协会和美国内分泌学会2017年2月的推荐一致。

要点

  • 二甲双胍治疗后二线选用磺脲类、DPP-4抑制剂或噻唑烷二酮类,降低HbA1c至7%或以下的效果无显著差异(磺脲类 vs DPP-4抑制剂共识HR 0.99,95%CI 0.89-1.10)。
  • Meta分析中磺脲类相比DPP-4抑制剂心肌梗死风险略高(HR 1.12,95%CI 1.02-1.24),眼病风险略高(HR 1.15,95%CI 1.11-1.19),但单个站点校准后P值均不显著。
  • 磺脲类、DPP-4抑制剂和噻唑烷二酮类在肾脏疾病风险上无差异(磺脲类 vs DPP-4抑制剂共识HR 1.09,95%CI 0.97-1.19)。
  • 作者认为研究结果支持优先选择DPP-4抑制剂而非磺脲类作为二线治疗,与美国临床内分泌医师协会和美国内分泌学会2017年2月推荐一致。
  • 主要终点在各数据源间存在显著异质性,随机效应Meta分析平均了这些差异,可能掩盖真实效应。

适用人群与场景

  • 2型糖尿病患者,已接受二甲双胍作为一线治疗,且在二甲双胍处方前有HbA1c实验室检测记录,随后在二甲双胍初始处方至少90天后处方磺脲类、DPP-4抑制剂或噻唑烷二酮类作为二线治疗。
  • 排除:既往有胰岛素或其他二线药物处方者、有1型糖尿病编码者、二甲双胍处方前或后无HbA1c检测者、二线药物在二甲双胍初始处方不足90天时处方者。
  • 数据来源为8个数据源、3个国家的电子病历和保险理赔数据,分析限于有足够患者数据的磺脲类、DPP-4抑制剂和噻唑烷二酮类三个二线治疗类别。

研究设计与关键结果

  • 研究类型:三项回顾性、倾向评分匹配的新用户队列研究,在8个站点重复,数据跨度1975年至2017年,纳入246 558 805例患者(女性126 977 785例,51.5%),来自3个国家的8个数据源。
  • 主要终点:二甲双胍后二线药物处方后首次观察到HbA1c降至7%总血红蛋白或以下;磺脲类 vs DPP-4抑制剂共识HR 0.99(95%CI 0.89-1.10),无显著差异。
  • 次要终点:磺脲类 vs DPP-4抑制剂心肌梗死共识HR 1.12(95%CI 1.02-1.24),眼病共识HR 1.15(95%CI 1.11-1.19),肾脏疾病共识HR 1.09(95%CI 0.97-1.19)。
  • 磺脲类 vs 噻唑烷二酮类、DPP-4抑制剂 vs 噻唑烷二酮类在HbA1c达标、心肌梗死、肾脏疾病和眼病风险上均无差异(校准P值及Meta分析后)。
  • 单个站点校准后P值显示,磺脲类 vs DPP-4抑制剂在心肌梗死和眼病上的关联在任一单站点均不显著。
  • Optum Clinformatics Data Mart未匹配队列:磺脲类103 712例 vs DPP-4抑制剂50 681例;排除缺乏基线HbA1c者后分别为71 413例和25 196例;1:1倾向评分匹配后每组24 777例。
  • Optum数据中磺脲类 vs DPP-4抑制剂HbA1c达标未校准HR 1.11(95%CI 1.08-1.15),负对照校准后P=0.81,提示不显著。

证据类型、等级与局限

  • 证据类型:回顾性、倾向评分匹配的新用户队列研究,采用负对照结局进行经验校准,随机效应模型Meta分析。
  • 局限:协变量、暴露和结局可能测量不足或错误;倾向评分模型无法纳入实验室值和时序信息;可能存在未测量且无良好代理变量的混杂因素;暴露或结局测量误差;未评估低血糖结局;匹配程序使结果仅适用于临床均势、可能接受任一治疗的患者;未评估二甲双胍是否滴定至最大剂量;未考虑二线药物剂量水平;主要终点存在显著站点间异质性,随机效应Meta分析可能掩盖真实效应。
  • 作者结论:二甲双胍治疗后二线选用磺脲类、DPP-4抑制剂或噻唑烷二酮类在降低HbA1c至7%或以下方面无差异,Meta分析和经验校准后结论不确定。

对床旁实践的改变

  • 作者认为研究结果支持优先选择DPP-4抑制剂而非磺脲类作为二甲双胍治疗后的二线治疗,与美国临床内分泌医师协会和美国内分泌学会2017年2月推荐一致。
  • 对于二甲双胍治疗后需加用二线药物的2型糖尿病患者,磺脲类、DPP-4抑制剂和噻唑烷二酮类在HbA1c达标和肾脏疾病风险上无差异;Meta分析中磺脲类相比DPP-4抑制剂心肌梗死和眼病风险略高,但效应量小且单站点校准后不显著。

指南或共识出处

  • 美国临床内分泌医师协会和美国内分泌学会2017年2月推荐(原文提及,未提供具体指南名称)

提炼说明

  • 原文未涉及「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」,故未列出这些栏目。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:JAMA Netw Open. 2018 Aug 24;1(4):e181755. doi: 10.1001/jamanetworkopen.2018.1755

引言

在美国,糖尿病影响2900万人,全球影响4.2亿人。1,2 到2040年,全球糖尿病患病率将达到6.42亿患者,对医疗保健系统和经济构成挑战。2 此外,糖尿病患者常出现与肾衰竭、心血管疾病和失明相关的并发症,这些并发症降低其生活质量并增加经济负担。2,3,4,5

除非有禁忌证,根据现有治疗指南,2型糖尿病(T2D)患者被处方二甲双胍作为一线治疗。6,7 然而,如果T2D仍未得到控制,则必须从多种可选药物中选择二线药物,如磺脲类、二肽基肽酶4(DPP-4)抑制剂、α-葡萄糖苷酶抑制剂、钠-葡萄糖协同转运蛋白2抑制剂、胰高血糖素样肽1受体激动剂和噻唑烷二酮类。6,7 鉴于无法为每种情况开展随机临床试验,以及电子病历(EMR)和保险理赔数据的相对可及性,我们有机会从常规临床实践记录中生成证据,为这一选择提供依据。8

观察性健康数据科学与信息学(OHDSI)倡议是一个国际合作组织,旨在研究大规模分析健康数据的价值。9 过去,该团队从治疗组合及其随时间的变化,以及T2D、高血压和抑郁在不同地点和实践类型之间的差异方面,描述了治疗选择。10 在该研究中,二甲双胍是糖尿病最常被处方的药物;75%的情况下它作为第一种药物被处方,29%的情况下它仍是唯一用药,从而证实了美国临床内分泌医师协会和美国糖尿病协会建议的普遍采纳。7,11 然而,二线治疗差异很大,鉴于围绕二线治疗选择缺乏共识,这并不令人意外。12,13

方法

研究人群和数据收集

我们使用OHDSI协作研究网络的数据,考察了T2D在二甲双胍一线治疗之后二线治疗的有效性。我们对来自3个国家多个医疗保健系统的8个数据源中超过2.46亿患者的临床数据进行了回顾性分析(图1)。来自各站点的患者级数据被转换为通用数据模式,尽管底层数据收集和存储系统存在异质性,该模式仍使相同的研究得以执行。使用1个研究站点的数据开发了一个开源分析软件包,然后分发到其他站点。随后各站点独立且未经修改地执行分析,结果被用于以随机效应模型进行荟萃分析。

图1. 多国队列研究设计概览A,本分析中纳入的国家。B,研究在斯坦福大学设计。C,分析流程在其他参与站点执行。D,各站点的结果通过荟萃分析合成为共识估计值。E,所有研究站点的患者数据被转换为观察性医疗结果合作组织通用数据模型。F-I,构建包含全面患者协变量数据(包括药物处方、疾病诊断、人口统计学信息和操作程序)的分析队列,并基于倾向评分进行匹配。G,患者特征矩阵是患者医疗记录的一种表示。患者特征矩阵中的每一行代表一名患者(P1至Pn),每一列代表一种药物、疾病诊断或操作程序。单元格中的值为1表示该患者的医疗记录中记录了该药物处方、疾病诊断或操作程序。A和B是本研究所关注的特征,例如,患者是否被处方了二肽基肽酶4抑制剂或磺脲类药物。J,对糖化血红蛋白(HbA1c)降至总血红蛋白7%或以下(转换为占总血红蛋白的比例,乘以0.01)、心肌梗死、肾脏疾病和眼部疾病的效果估计。 查看原图 ↗

数据来源

我们使用了来自3个国家的8个数据源的数据,涵盖多个医疗保健系统的数据。数据源包括Truven MarketScan商业保险理赔与就诊数据;哥伦比亚大学医学中心;IQVIA疾病分析器法国数据库;Truven MarketScan Medicare;西奈山伊坎医学院;Optum Clinformatics数据仓库;韩国亚洲大学医学院;以及斯坦福大学。4个数据源来自学术医疗中心的电子病历(斯坦福、西奈山、亚洲大学和哥伦比亚),1个数据源来自法国的电子病历,3个数据源来自美国全国性医疗理赔数据(Truven MarketScan Medicare、Truven MarketScan商业保险理赔与就诊数据以及Optum)。

各站点的数据被转换为观察性医疗结果合作组织通用数据模型(OMOP-CDM)模式。14 OMOP-CDM在术语和整体结构方面统一了来自异构电子病历和医疗保险理赔来源的数据,使我们能够将来自世界各地多个医疗保健系统的数据纳入我们的分析。各站点均获得了机构审查委员会对本次分析的批准,或使用了去标识化数据,因此本次分析被判定不属于人体受试者研究,任何站点均不认为需要知情同意。各站点数据集的特征总结于表1。我们在报告结果时遵循了加强观察性流行病学研究报告规范(STROBE)报告指南。24

表1. 各数据源的患者层面特征 查看原表 ↗

数据转换为OMOP-CDM

OMOP-CDM 对患者层面数据进行结构化和统一化,包括就诊与医疗服务详情、诊断、所实施的医疗操作、所开具的药物、实验室检查及其结果,以及去标识化的临床记录内容。这是通过在所有站点采用统一的记录表示惯例(例如,一条诊断记录由患者标识符、诊断日期和诊断本身的代码组成),并将各站点使用的编码系统(例如,国际疾病分类第九版临床修订版、国际疾病分类第十版、国际疾病分类第十版临床修订版、当前操作术语第四版)映射到 OMOP-CDM 标准化词表来实现的。15 在此映射过程中,医学系统命名法(SNOMED)被用作诊断代码的目标词表,RxNorm 用于药物,逻辑观察标识符名称和代码用于其他观察指标,如实验室检查和生命体征测量。国际疾病分类第九版中的操作代码被映射到 SNOMED,当前操作术语代码则按原样保留,作为 OMOP-CDM 标准化词表的一部分。因此,使用 SNOMED 概念 201826 针对 T2D 进行查询时,会检索到患者具有与该概念相对应的国际疾病分类第九版临床修订版或国际疾病分类第十版临床修订版代码的记录。我们使用了治疗组和对照组患者医疗记录中报告的年龄、性别、所有药物、诊断和操作。倾向性模型和结局定义均基于转换为通用数据模型的数据运行。

参与本研究的各站点自行管理其各自编码系统到 OMOP-CDM 标准化词表的映射。OHDSI 社区成员制定的最佳实践被公开共享,以减少映射中的差异(https://github.com/OHDSI/Themis)。关于通用数据模型设计原则的更多细节见补充材料中的电子附录。

队列构建

我们使用药物、诊断代码和实验室检验值的特定组合来识别接受二线治疗的 T2D 患者。队列构建的可视化说明见补充材料中的电子图 1。简而言之,如果患者的医疗记录中有二甲双胍处方且此前提及 T2D 代码;此前无包括胰岛素在内的二线药物处方;此前无 1 型糖尿病代码提及;在二甲双胍处方前后均有糖化血红蛋白(HbA1c)实验室测量值;并且在二甲双胍处方后至少 90 天随后开具了二线药物处方,则该患者被纳入研究。我们将分析限制在 3 个二线治疗类别:磺脲类药物、DPP-4 抑制剂和噻唑烷二酮类药物,因为我们在所有站点均有足够的患者数据。

结局

我们的主要结局是二次处方二线药物后首次观察到糖化血红蛋白(HbA1c)水平≤总血红蛋白的7%(转换为总血红蛋白比例,乘以0.01),这是大多数情况下药物治疗的目标。6 我们还检查了几个次要结局:心肌梗死、肾脏疾病和眼部疾病的首次发生。我们使用HbA1c实验室测量值和次要结局的代码来识别这些结局的发生。逻辑观察标识符名称和代码——映射到相应SNOMED代码的代码——用于识别HbA1c实验室测量值,而次要结局的SNOMED代码则通过搜索CDM词汇表中的术语获得。本研究中使用的代表心肌梗死、肾脏疾病和眼部疾病的代码详细列表见补充材料中的eTable 1。

统计分析

考虑了初始处方二甲双胍后的三种二线治疗选择:磺脲类药物、DPP-4抑制剂或噻唑烷二酮类药物。因此,我们进行了3项成对比较:磺脲类药物 vs DPP-4抑制剂;磺脲类药物 vs 噻唑烷二酮类药物;以及DPP-4抑制剂 vs 噻唑烷二酮类药物。

我们使用倾向评分来减轻各站点非随机治疗分配引起的偏倚。对于每项成对比较,我们使用1:1倾向评分匹配构建匹配队列,对数it量表上的卡钳值为0.25。16,17 倾向评分通过L1正则化逻辑回归估计,经10折交叉验证调优,使用Cyclops包(https://github.com/ohdsi/cyclops)。倾向评分模型使用索引日期前一年内所有记录的药物处方、疾病诊断和操作的存在或缺失作为与二线治疗相关的自变量(图1G)。为避免偏倚,匹配中未使用治疗后测量值。18

然后,我们使用CohortMethod R包(https://github.com/OHDSI/CohortMethod)对匹配队列拟合Cox比例风险模型,并计算每个感兴趣结局的风险比(HR)以及相关的95%置信区间。匹配后进行结局回归已被证明可减少残留偏倚和方差。19 请注意,一些患者在二线治疗之后接受了不同的三线治疗。在这些情况下,我们将其视为在三线治疗处方时进行右删失。患者也在其最后记录的随访时间进行删失。

倾向性评分匹配和回归能有效去除已测量的混杂因素,但无法校正未测量的混杂因素或测量误差,这些问题必须单独处理。20 通过人工病历审查来识别测量误差在我们的研究规模下不可行,也无法识别未测量的混杂因素,而后者在不同研究中心之间也可能存在差异。为了在大规模上解决这些问题,我们使用阴性对照结局对结果进行了经验校准。21 阴性对照结局是指据我们所知与所关注的暴露不存在关联的结局。最终呈现为有关联的阴性对照的比例,估计了我们所关注的关联(即研究问题)在现实中不存在关联的情况下仍被判定为存在的概率。我们使用了一组43个阴性对照结局(补充材料中的eTable 2),对这些结局我们有足够的数据,并重新应用我们的分析流程来估计每种暴露与这些阴性对照结局之间的关联。这样做产生了效应估计值(在真实情况下均为无效),我们使用Schuemie及其同事的方法22利用这些估计值重新校准了我们真正关注的结局的P值。使用阴性对照,通过R中实现的EmpericalCalibration包(https://github.com/OHDSI/EmpiricalCalibration),在每个研究中心对Cox比例风险模型估计的HR的P值进行了经验校准。

我们以DiabetesTxPath R包(https://github.com/rohit43/DiabetesTxPath)的形式在R统计编程环境23中实施了分析流程,包括队列定义和提取、匹配、HR计算以及P值的经验校准。随后该R包被分享给参与研究的其他研究中心,并在每个研究中心独立执行,未作修改。相同的复制通过独立的倾向性评分模型校正了各研究中心特定的已测量混杂因素,并通过经验校准解决了其他研究中心特定的偏倚。从每个研究中心获得每个结局的HR,并使用meta R包(R 3.4.3 Kite-Eating Tree)通过随机效应模型进行荟萃分析,以量化每种二线治疗比较和结局的共识HR。

结果

患者人群

本分析考虑了来自3个国家8个以上数据源的246 558 805名患者(其中126 977 785名为女性[51.5%])的数据。补充材料中的eTable 3显示了用于HbA1c结局分析的队列中,每种两两比较和每个数据源在匹配前后的患者总数。同样,补充材料中的eTable 4至eTable 6提供了各数据源中每种药物比较在匹配前后用于次要结局(心肌梗死、肾脏疾病和眼部疾病)的患者数量。补充材料中的eTable 7至eTable 14提供了所有8个研究中心中每种药物和结局比较相关的患者年龄详细信息。补充材料中的eTable 15至eTable 17提供了每个队列中索引日期前后的HbA1c平均值。

T2D二线治疗的比较有效性

我们比较了2型糖尿病(T2D)二线治疗与达到糖化血红蛋白(HbA1c)水平不超过总血红蛋白7%的结局以及次要不良结局(心肌梗死、肾脏疾病和眼部疾病)之间的关联。我们的方法总结于图2,该图展示了使用Optum Clinformatics Data Mart数据对磺脲类药物与DPP-4抑制剂的比较。未匹配队列包括103 712例接受磺脲类药物作为二线治疗的患者与50 681例接受DPP-4抑制剂的患者。在排除磺脲类药物组中缺乏基线HbA1c测量的17 738例患者和DPP-4抑制剂组中的10 924例患者后,我们分别剩余71 413例和25 196例患者位于磺脲类药物和DPP-4抑制剂治疗组。在使用治疗前药物处方、疾病诊断、操作和人口统计学作为协变量进行1:1倾向评分匹配后,我们获得了一个每个治疗组各含24 777例患者的队列(图3)。匹配后达到的协变量平衡以标准化均数差的形式展示于图2A。

匹配队列中的HR使用Cox比例风险模型对每个感兴趣的结局进行计算(图4)。对3项比较中的每一项和4项结局中的每一项的相同分析均在每个研究站点进行。随后使用随机效应模型将HR估计值综合为共识HR估计值。对于主要结局,来自Optum Clinformatics Data Mart的未校准结果显示,与接受DPP-4抑制剂的患者相比,接受磺脲类药物的患者HbA1c水平降低的风险增加(HR,1.11;95% CI,1.08-1.15)(图4A)。然而,在使用阴性对照对P值进行校准后,我们获得的P值为.81,表明尽管传统P值提示显著性,但观察到的风险比并不显著。不同站点显示不同的HR,如Truven MarketScan Medicare(HR,1.24;95% CI,1.09-1.40)、Columbia University Medical Center(HR,0.62;95% CI,0.41-0.91)和IQVIA Disease Analyzer France(HR,0.71;95% CI,0.58-0.86)在相同比较中所示(图4A和补充材料中的eTable 18)。在使用阴性对照进行校准后,在8个来源中的3个中,重新校准的P值表明观察到的效应量不显著(补充材料中的eTable 18)。最后,鉴于研究异质性,我们对所有数据集进行了随机效应荟萃分析。该荟萃分析表明,磺脲类药物与DPP-4抑制剂在将HbA1c水平降低至总血红蛋白7%或以下方面无显著差异(共识HR,0.99;95% CI,0.89-1.10)(表2和图4A)。

对于次要结局,磺脲类药物与DPP-4抑制剂的比较(研究异质性较低)在荟萃分析中显示心肌梗死(共识HR,1.12;95% CI,1.02-1.24)和眼部疾病(共识HR,1.15;95% CI,1.11-1.19)的风险小幅增加,尽管重新校准的P值(补充材料中的eTable 18)表明单独而言,在任何1个站点该关联均不显著(表2和图4B和D)。在肾脏疾病风险方面未观察到差异(共识HR,1.09;95% CI,0.97-1.19)(表2和图4C)。

磺脲类药物与噻唑烷二酮类药物、以及DPP-4抑制剂与噻唑烷二酮类药物的比较(表2;补充材料中的e图2和e图3)显示,在重新校准P值后以及荟萃分析后,2型糖尿病患者达到糖化血红蛋白(HbA1c)水平≤总血红蛋白7%的比例、心肌梗死、肾脏疾病和眼部疾病的风险均无差异。每种药物配对比较的详细信息以及估计的HR、置信区间和校准P值见补充材料中的e表18。

图2. 使用Optum Clinformatics Data Mart数据比较磺脲类药物与二肽基肽酶4(DPP-4)抑制剂的比较有效性A,匹配前后的协变量平衡(均值的标准化差异)。B,HbA1c(糖化血红蛋白)降至≤总血红蛋白7%的Kaplan-Meier曲线(转换为总血红蛋白比例,乘以0.01)。C,经验校准图,其中虚线以下的估计值使用传统P值计算时P < .05。浅橙色区域的估计值使用校准P值计算时P < .05。深橙色菱形代表结局,蓝色圆点代表阴性对照。T2D表示2型糖尿病。 查看原图 ↗
图3. 匹配队列构建流程图治疗队列包括磺脲类药物,对照队列包括二肽基肽酶4(DPP-4)抑制剂。 查看原图 ↗
图4. 磺脲类药物与二肽基肽酶4抑制剂比较有效性和安全性的估计和共识风险比A,与二肽基肽酶4抑制剂相比,磺脲类药物治疗后达到糖化血红蛋白(HbA1c)水平≤总血红蛋白7%(转换为总血红蛋白比例,乘以0.01)的风险比。共识效应(汇总)基于各站点特异性估计的荟萃分析。风险比大于1意味着与二肽基肽酶4抑制剂相比,磺脲类药物与达到HbA1c≤总血红蛋白7%的更高风险相关。B-D,心肌梗死(B)、肾脏疾病(C)和眼部疾病(D)的风险比。风险比大于1意味着与二肽基肽酶4抑制剂相比,磺脲类药物发生该结局的风险更高。每项荟萃分析的I2值显示在每个结局框的左下角。 查看原图 ↗
表2. 荟萃分析后主要和次要结局的共识风险比估计a 查看原表 ↗

讨论

当前治疗指南推荐二甲双胍作为T2D的一线治疗。然而,二甲双胍治疗可能无法充分降低HbA1c水平,此时必须选择二线治疗。尽管有几项随机临床试验探讨了这一问题,12,13,25,26,27但仍缺乏共识。在临床实践中观察到二线治疗存在相当大的差异,10表明需要进一步证据来指导T2D二线治疗的选择。

我们的荟萃分析表明,3类药物(磺脲类药物、DPP-4抑制剂或噻唑烷二酮类药物)均未优先与HbA1c水平降至≤总血红蛋白7%相关。二线药物与HbA1c水平降低的关联因数据来源而异。研究站点之间临床实践、患者人群或数据标准化的差异可能部分导致了这种站点间变异。

在比较磺脲类药物与噻唑烷二酮类药物,或DPP-4抑制剂与噻唑烷二酮类药物时,我们未观察到次要结局的显著差异。在荟萃分析中,我们观察到与接受DPP-4抑制剂的患者相比,接受磺脲类药物的患者发生心肌梗死和眼部疾病的风险略有增加。然而,效应量较小。我们的研究结果支持优先选用DPP-4抑制剂而非磺脲类药物作为二线治疗,这与2017年2月美国临床内分泌医师协会和美国内分泌学会的推荐意见一致,但鉴于所用数据集的时间安排和日期范围,该推荐意见并未为我们的研究提供参考。7

OHDSI协作项目旨在将方法学研究和洞见转化为一套应用程序和探索工具,以实现生成关于医疗保健各方面证据的最终目标,服务于全球患者、临床医生和其他决策者的需求。我们的研究仅限于8个数据源,但该分析可在已采用OMOP-CDM的其他站点执行。通过允许研究扩展到更多站点并定期重新运行研究,我们可以作为学习型医疗保健系统的一部分获得实时估计值。

局限性

我们的研究存在局限性。第一组局限性源于处理大型医疗保健数据库时固有的数据质量问题:协变量、暴露和结局可能被不充分或不正确地测量。将数据标准化为通用数据模型、倾向评分匹配、通过阴性对照进行校准以及荟萃分析均有助于防止得出错误结论。

尽管OHDSI网络内的数据已实现标准化,但我们无法将实验室检查值或时间信息(即变量在患者时间轴中被测量的时间)纳入倾向评分模型。我们通过使用大量协变量来弥补这一不足,增加了发现良好替代变量的可能性。例如,如果某患者存在慢性肾脏病但未被编码记录,倾向评分模型仍可能依赖于增加的肌酐实验室检查医嘱。在每个站点分别拟合倾向评分模型,使得在必要时能够在每个站点找到最相关的替代变量。然而,某些混杂因素(如健康的社会决定因素)在电子病历中可能缺乏足够的替代变量。使用阴性对照结局进行校准使我们能够以实证方式量化混杂和系统偏倚的影响。然而,尽管我们做出了所有努力,仍可能存在一些重要的混杂因素未被测量、没有良好的替代变量,且未被阴性对照所发现。

暴露或结局的测量也可能存在误差。尽管药物处方的错误分类极不可能,但并非所有暴露于每种药物的患者都被纳入我们的研究,或在其首次暴露时被纳入。如果未记录的处方并非随机(例如,我们遗漏女性比遗漏男性更频繁),这会影响我们的结果。使用阴性对照结局进行校准有助于防范暴露相关偏倚,因为这些偏倚也会影响阴性对照的效应估计。感兴趣的结局的测量误差也可能使我们的结果产生偏倚。如果测量误差(例如,遗漏测量)在治疗组之间存在系统性差异,就会发生这种情况,而在本研究中对于我们的主要结局而言这不太可能。例如,由于实验室检测是标准化的,没有理由仅接受DPP-4抑制剂患者的HbA1c测量值会低于接受磺脲类药物的患者。我们未考察的一个重要结局是低血糖,在我们所拥有的数据中难以可靠地确认。

另一组局限性涉及研究设计而非数据。由于我们的匹配程序,我们的结果仅适用于处于均势且可能接受任一治疗的患者。极可能接受特定治疗的患者在匹配过程中被剔除。我们未评估二甲双胍是否滴定至最大剂量;相反,我们依赖于以下事实:在二甲双胍初始处方至少90天后处方了二线药物,提示二甲双胍对患者控制HbA1c无效,或可能导致了不良反应。我们也没有考虑二线药物的剂量水平,因为在观察性数据中难以准确估计剂量-反应关系。然而,现有糖尿病治疗指南的广泛使用确保了给药方案总体上标准化。

有证据表明,对于我们的主要结局HbA1c下降,各研究现场之间存在相当大的效应异质性。我们的随机效应荟萃分析对这些差异进行了平均,将无法检测到效应。在使用大数据的研究中——存在发现虚假关联的风险——不错误地宣称关联比试图检测每一个存在的关联更为重要。虽然阐明这种异质性的来源超出了本当前工作的范围,但通过具有共享研究设计的研究协作网络开展此类研究,消除了因研究设计选择导致的异质性,并以高通量、经验性的方式揭示现场之间的分歧。在某些情况下,这样做可能会发现真正的治疗效应异质性。在這種异质性证据较少的情况下,例如我们的次要结局,荟萃分析使我们能够将把握度和精确度提高到单个研究现场无法达到的水平。

结论

在Meta分析以及经验校准之后,DPP-4抑制剂、磺脲类药物和噻唑烷二酮类药物之间在将接受二甲双胍一线治疗的2型糖尿病(T2D)患者HbA1c水平降至总血红蛋白7%或以下方面的差异的两两比较仍无定论。我们的研究是在一个开放协作研究网络中开展的大型多国研究的一个实例,该研究通过采用通用数据模型和开源分析工具而得以实现。通过利用这种标准化,我们得以开发出一条开放、可重复使用的分析流程,从而能够跨国界对T2D治疗的有效性进行大规模表征。

参考来源

  1. Vashisht R, Jung K, Schuler A, et al. Association of Hemoglobin A1c Levels With Use of Sulfonylureas, Dipeptidyl Peptidase 4 Inhibitors, and Thiazolidinediones in Patients With Type 2 Diabetes Treated With Metformin: Analysis From the Observational Health Data Sciences and Informatics Initiative. JAMA Netw Open. 2018. PMID: 30646124. doi:10.1001/jamanetworkopen.2018.1755
  2. 全文:PMC6324274(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6324274/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。