贝叶斯分析设计
应用贝叶斯方法，纳入先验信息，估计非奈利酮的疗效和安全性。
预先指定贝叶斯分析，使用模糊先验和多种信息性先验（来自TOPCAT、FIDELIO-DKD、FIGARO-DKD）进行统计分析。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
非奈利酮在射血分数轻度降低及保留的心力衰竭中的贝叶斯分析：FINEARTS-HF预先指定分析
A Bayesian analysis of finerenone in heart failure with mildly reduced and preserved ejection fraction: a pre-specified analysis of FINEARTS-HF
实验完整度
中基于随机对照试验FINEARTS-HF的数据，进行了预先指定的贝叶斯分析，包括主要和次要疗效及安全性结局，但作为统计分析，缺乏实验干预操作细节。
主要模型
心力衰竭患者（HFmrEF/HFpEF）临床试验（FINEARTS-HF）
重点核对
主要结局：心血管死亡和总心力衰竭事件 统计模型：分层Andersen-Gill比例风险模型（按随机分层因素分层） 先验设定：模糊先验及多种信息性先验（TOPCAT、FIDELITY、MAP） 样本量：6001名随机患者（非奈利酮3003，安慰剂2998） 随访时间：中位32个月
摘要
目的：在FINEARTS-HF试验的频数分析中，非甾体盐皮质激素受体拮抗剂（MRA）非奈利酮降低了射血分数轻度降低或保留的心力衰竭（HFmrEF/HFpEF）患者的心力衰竭事件和心血管死亡。我们应用贝叶斯方法，包括先验信息，提供疗效和安全性的概率估计。本研究的目的是使用FINEARTS-HF的贝叶斯分析，估计非奈利酮与安慰剂相比不同幅度的治疗获益概率。方法和结果：在这项预先指定的贝叶斯分析中，我们使用来自两项非奈利酮试验（FIDELIO-DKD和FIGARO-DKD）和甾体MRA螺内酯（TOPCAT）的数据，在稳健的荟萃分析预测（MAP）先验中纳入先验信息来估计治疗效果。我们比较了使用模糊先验和信息性MAP先验的结果。主要结局是心血管死亡和总心力衰竭事件。在6001名患者中，使用模糊先验的贝叶斯分析证实了频数结果，即主要结局率的降低[RR 0.83；95%可信区间（CrI）0.74–0.94]。纳入先验证据将主要事件率降低≥10%的后验概率从90%提高到92%。非奈利酮降低心血管死亡的概率为80%（HR 0.93，95% CrI：0.79–1.10），全因死亡的概率为85%（HR 0.94，95% CrI：0.83–1.06）。非奈利酮增加了高钾血症的概率，降低了低钾血症的概率。结论：非甾体MRA非奈利酮在频数和贝叶斯推断方法下均降低了心血管死亡和总心力衰竭事件的发生率。非奈利酮对心血管和全因死亡的获益概率均超过80%。试验注册：ClinicalTrials.gov标识符：NCT04435626
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 在HFmrEF/HFpEF患者中，与安慰剂相比，非奈利酮在不同阈值下提供治疗获益的概率是多少？
- 核心机制
- 非奈利酮作为非甾体盐皮质激素受体拮抗剂，通过阻断盐皮质激素受体，降低心力衰竭事件和心血管死亡的风险。
- 主要证据
- 基于FINEARTS-HF试验6001名患者的数据，贝叶斯分析显示主要结局率比（RR）为0.83（95% CrI 0.74-0.94），心血管死亡和全因死亡获益概率分别为80%和85%。
- 研究意义
- 贝叶斯分析提供了超越传统频数方法的治疗获益概率估计，有助于临床医生和监管机构在情境中判断治疗获益的证据强度。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
主要疗效分析
估计非奈利酮对主要复合结局（心血管死亡和总心力衰竭事件）的治疗效应。
使用分层Andersen-Gill比例风险模型和负二项模型分析主要结局。
次要疗效分析
估计非奈利酮对次要结局（包括心血管死亡、全因死亡、总心力衰竭事件、NYHA分级、KCCQ-TSS评分）的治疗效应。
对时间至首次事件结局使用Cox回归，对总心力衰竭事件使用与主要结局相同的模型，对NYHA分级使用逻辑回归，对KCCQ-TSS使用线性混合效应模型。
安全性分析
评估非奈利酮的安全性和耐受性。
使用逻辑回归分析安全性结局，包括严重不良事件、高钾血症、低钾血症、收缩压<100mmHg和肌酐≥2.5mg/dL。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 贝叶斯分析 | 先验分布设定：模糊先验时使用Normal(0, 0.5)；信息性先验时，TOPCAT: N(-0.174, 0.19)；TOPCAT-Americas: N(-0.236, 0.21)；FIDELITY: N(-0.198, 0.10)；稳健MAP: N(-0.188, 0.20)（标准偏差为原始估计加倍）。 阅读提示：Methods：'Bayesian priors for FINEARTS-HF'部分 |
| 主要结局分析 | 模型：分层Andersen-Gill比例风险模型，按随机分层因素（地区、LVEF <60% / ≥60%）分层，并按参与者聚类；统计推断：采用Hamiltonian Monte Carlo (HMC) 算法，4条链，4000次迭代，50%预热。 阅读提示：Methods：'Statistical analysis'部分 |
| 次要结局分析 | 模型：分层Cox回归（时间至首次事件）；总HF事件使用与主要结局相同的LWYY模型；NYHA变化使用逻辑回归；KCCQ-TSS使用线性混合效应模型，调整随机分层因素和基线KCCQ-TSS交互作用。 阅读提示：Methods：'Statistical analysis'部分 |
| 安全性分析 | 使用逻辑回归分析，调整随机分层因素；使用模糊先验。 阅读提示：Methods：'Statistical analysis'部分 |