Apr 22, 2024
Использование дней жизни без системы жизнеобеспечения и аналогичные результаты подсчета в рандомизированных клинических исследованиях
BMC Medical Research Methodology, том 23, Номер статьи: 139 (2023) Цитировать эту статью 1005 Доступов 1 Цитирований 12 Подробности об альтернативных метриках Дни жизни без жизнеобеспечения (DAWOLS) и аналогичные
Методология медицинских исследований BMC, том 23, Номер статьи: 139 (2023) Цитировать эту статью
1005 доступов
1 Цитаты
12 Альтметрика
Подробности о метриках
Дни жизни без системы жизнеобеспечения (DAWOLS) и аналогичные результаты, которые призваны обобщить опыт смертности и отсутствия смертности, все чаще используются в исследованиях в области интенсивной терапии. Использование этих результатов затруднено из-за различных определений и ненормального распределения результатов, которые усложняют принятие решений по статистическому анализу.
Мы тщательно изучили основные методологические соображения при использовании DAWOLS и подобных результатов и предоставили описание и обзор плюсов и минусов различных статистических методов анализа, дополненное сравнением этих методов с использованием данных рандомизированного клинического исследования COVID STEROID 2. Мы сосредоточились на легкодоступных регрессионных моделях возрастающей сложности (линейные, барьерно-отрицательные биномиальные модели, модели бета-регрессии с нулевым единицей и кумулятивной логистической регрессии), которые позволяют сравнивать несколько групп лечения, корректировать ковариаты и условия взаимодействия для оценки неоднородности эффекта лечения. .
В целом, более простые модели адекватно оценивали групповые средние значения, несмотря на то, что они не достаточно хорошо подгоняли данные для имитации входных данных. Более сложные модели лучше соответствовали и, следовательно, лучше воспроизводили входные данные, хотя это сопровождалось увеличением сложности и неопределенности оценок. Хотя более сложные модели могут моделировать отдельные компоненты распределения результатов (т. е. вероятность наличия нулевого DAWOLS), эта сложность означает, что спецификация интерпретируемых априорных значений в байесовском контексте затруднена.
Наконец, мы представляем несколько примеров того, как эти результаты могут быть визуализированы, чтобы облегчить оценку и интерпретацию.
Это краткое изложение основных методологических соображений при использовании, определении и анализе DAWOLS и подобных результатов может помочь исследователям выбрать метод определения и анализа, который лучше всего соответствует их запланированным исследованиям.
Исследование COVID STEROID 2, ClinicalTrials.gov: NCT04509973, ctri.nic.in: CTRI/2020/10/028731.
Отчеты экспертной оценки
Смертность традиционно была основным исходом в большинстве рандомизированных клинических исследований (РКИ) у пациентов в критическом состоянии [1]. Однако все чаще используются такие результаты подсчета, как количество дней жизни без жизнеобеспечения (DAWOLS; обычно включает использование искусственной вентиляции легких, вазопрессоров/инотропных средств или заместительной почечной терапии) и количество дней жизни вне больницы (DAOH) [2]. Это мотивировано тем фактом, что эти исходы несут больше информации, чем бинарные исходы, такие как смертность [3], и их использование может снизить риск неубедительных РКИ из-за отсутствия возможности отвергнуть клинически важные величины эффекта смертности [4, 5]. ]. Кроме того, эти исходы учитывают не только смертность, но и использование ресурсов, а поскольку они учитывают как тяжесть заболевания (продолжительность периодов с аппаратом жизнеобеспечения или пребыванием в больнице), так и смертность, эти исходы можно считать важными для пациента [2, 6,7]. ,8] и в дальнейшем может быть связано с другими неблагоприятными исходами [6, 7]. Наконец, эти результаты легко включают происходящие события (например, новые эпизоды жизнеобеспечения или повторную госпитализацию).
Однако использование, анализ и отчетность по DAWOLS, DAOH и аналогичным результатам сопряжены с проблемами по сравнению с проблемами смертности [2]. Эти проблемы связаны с определениями результатов, включая обработку случаев смерти и ненормальных распределений, которые усложняют статистический анализ и могут повлиять на выбор оценки(й) (количества, оцененного в статистическом анализе) и меры(й) эффекта. [2]. Следовательно, эти результаты часто анализируются с использованием различных методов, включая как методы, основанные на регрессии, так и непараметрические тесты [2]. Непараметрические тесты ранее рекомендовались [9] и часто используются [2], но они имеют важные ограничения, которые препятствуют их полезности в более сложных проектах РКИ (например, многогрупповых исследованиях или исследованиях с адаптивной платформой [10]). Во-первых, большинство непараметрических статистических тестов в основном предоставляют значения P без количественной оценки величины эффекта и неопределенности, что необходимо для оценки клинической значимости эффекта лечения. Во-вторых, большинство непараметрических тестов либо исключают корректировку ковариат (например, критерий суммы рангов Манна-Уитни/Уилкоксона), либо допускают стратификацию только по одной переменной (например, тест Ван Элтерена), и большинство из них могут сравнивать только две группы. одновременно [9]. Таким образом, методы на основе регрессии, которые позволяют не только проверять нулевые гипотезы, но и оценивать величину эффекта, могут быть более подходящими и информативными [11] и все чаще используются для этих результатов [2].