Effect modification and non-collapsibility leads to conflicting treatment decisions: a review of marginal and conditional estimands and recommendations for decision-making
Diese Arbeit untersucht, wie das gleichzeitige Vorliegen von Effektmodifikation und Nicht-Kollabierbarkeit dazu führen kann, dass marginale und konditionale Schätzer zu widersprüchlichen Behandlungsrankings führen, und sie gibt praktische Empfehlungen für die Entscheidungsfindung, die eine mehrstufige Netzwerk-Meta-Regression nutzen, um beide Arten von Schätzern für die Zielpopulation zu generieren.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt des Gesundheitswesens stehen Ärzte und politische Entscheidungsträger vor einer ständigen Herausforderung: zu entscheiden, welche Behandlung für eine bestimmte Gruppe von Menschen am besten funktioniert. Sie verlassen sich dabei auf klinische Studien, die sorgfältig kontrollierte Experimente sind, um Antworten zu finden. Doch Menschen sind nicht alle gleich. Einige haben schwere Formen einer Krankheit, andere leichte Formen, und manche tragen spezifische biologische Marker, die beeinflussen, wie ihr Körper auf Medikamente reagiert. Wenn ein Faktor wie dieser die Wirksamkeit einer Behandlung verändert, nennen Wissenschaftler dies „Effektmodifikation“. Es ist eine bekannte Tatsache, dass die beste Wahl für die gesamte Gruppe davon abhängt, wer in dieser Gruppe enthalten ist, wenn ein Medikament bei einem Typ von Patienten Wunder wirkt, bei einem anderen jedoch kaum hilft.
Um diese Entscheidungen zu treffen, kombinieren Forscher oft Daten aus mehreren Studien, um ein klareres Bild zu erhalten. Dabei gibt es jedoch eine mathematische Besonderheit, die die Sache kompliziert macht. Wenn Wissenschaftler den Erfolg einer Behandlung messen, verwenden sie oft Verhältnisse, wie etwa Odds Ratios oder Hazard Ratios, die die Wahrscheinlichkeit eines Ereignisses in einer Gruppe im Vergleich zu einer anderen vergleichen. Diese Maße sind „nicht-kollabierbar“ – ein technischer Begriff dafür, dass das Durchschnittsergebnis für eine ganze Gruppe nicht einfach ein gewichtetes Mittel der Ergebnisse der einzelnen Personen ist. Aus diesem Grund spielt die Art der Berechnung des Durchschnitts eine Rolle. Man kann den Durchschnitt berechnen, indem man den Effekt auf jede Person betrachtet und diese Effekte dann mittelt, oder man kann den Durchschnitt berechnen, indem man die Gesamtraten der Ereignisse für die gesamte Gruppe betrachtet und diese vergleicht. Normalerweise liefern diese beiden Methoden leicht unterschiedliche Zahlen, aber sie stimmen im Allgemeinen darin überein, welche Behandlung besser ist.
Ein neuer Artikel von David Phillippo und seinen Kollegen zeigt auf, dass diese Übereinstimmung nicht garantiert ist. Die Forscher zeigen, dass bei Vorliegen einer Effektmodifikation diese zwei Arten der Berechnung des Durchschnitts zu völlig gegensätzlichen Schlussfolgerungen führen können. Eine Methode könnte darauf hindeuten, dass Behandlung A die beste Wahl für die gesamte Population ist, während die andere Methode suggeriert, dass Behandlung B überlegen ist. Dies geschieht, weil die beiden Methoden tatsächlich zwei verschiedene Fragen beantworten. Die eine fragt: „Welche Behandlung bietet den besten durchschnittlichen Nutzen für die einzelnen Patienten?“ während die andere fragt: „Welche Behandlung führt zu den wenigsten gesamten negativen Ereignissen für die gesamte Bevölkerung?“ Wenn die Wirksamkeit einer Behandlung zwischen verschiedenen Patiententypen erheblich variiert, kann die Antwort auf diese beiden Fragen voneinander abweichen.
Die Autoren illustrieren diesen Konflikt anhand einer Reihe von Simulationen. In einem Szenario modellierten sie eine Population, in der ein spezifischer Biomarker eine Behandlung für einige Menschen hochwirksam, für andere jedoch weniger effektiv machte. Als sie den durchschnittlichen Nutzen für das Individuum berechneten, deuteten die Daten auf ein Medikament als klaren Gewinner hin. Als sie jedoch die Gesamtrate der Ereignisse für die gesamte Gruppe berechneten, erschien ein anderes Medikament als die beste Wahl. In diesem spezifischen Beispiel bedeutete die Wahl des Medikaments, das die Gesamtzahl der negativen Ereignisse minimierte, dass 75 Prozent der Bevölkerung eine Behandlung erhielten, die für sie persönlich tatsächlich unterlegen war. Umgekehrt würde die Wahl des Medikaments, das für den durchschnittlichen Einzelnen am besten ist, zu einer höheren Gesamtzahl an negativen Ereignissen in der Bevölkerung führen.
Dieser Befund stellt die gängige Annahme infrage, dass es für eine Population immer eine einzige „beste“ Behandlung gibt. Die Forscher argumentieren, dass der Konflikt daher entsteht, dass die mathematischen Kurven, die die Wahrscheinlichkeit eines Ereignisses für verschiedene Behandlungen darstellen, einander kreuzen können. Wenn eine Behandlung für eine Untergruppe besser, aber für eine andere schlechter ist und diese Untergruppen vermischt werden, kann der Gesamtdurchschnitt die Rangfolge umkehren. Dies ist besonders relevant für Zeit-zu-Ereignis-Ergebnisse, wie etwa Überlebenszeiten, bei denen das Vorhandensein jeglicher Patienteneigenschaft – selbst wenn diese den Behandlungseffekt nicht verändert – dazu führen kann, dass sich das durchschnittliche Risiko im Zeitverlauf ändert.
Der Artikel untersucht auch die Werkzeuge, die derzeit verwendet werden, um diese Unterschiede zwischen Studienpopulationen anzupassen. Methoden wie der Matching-Adjusted Indirect Comparison (gematchter indirekter Vergleich) und der Simulated Treatment Comparison (simulierter Behandlungsvergleich) werden weit verbreitet eingesetzt, um Studienergebnisse auf eine spezifische Zielpopulation zuzuschneiden. Die Autoren zeigen jedoch, dass diese Methoden oft Schätzwerte liefern, die nur für die Population der ursprünglichen Studie spezifisch sind und nicht ohne Weiteres auf eine neue Population mit anderen Merkmalen übertragen werden können. Sie identifizieren die Multilevel Network Meta-Regression als einen fortgeschritteneren Ansatz, der als einziger der derzeitigen Methoden in der Lage ist, beide Arten von Schätzungen zu produzieren – also jene für das Individuum und jene für die Gruppe – in jeder Zielpopulation.
Letztlich empfehlen die Autoren, dass Entscheidungsträger aufhören sollten, sich auf eine einzige Zahl zu verlassen, um Entscheidungen zu treffen. Stattdessen sollten sie sowohl die Schätzungen auf individueller als auch auf Populationsebene betrachten. Wenn beide Methoden auf die beste Behandlung übereinstimmen, ist die Entscheidung unkompliziert. Wenn sie jedoch voneinander abweichen, ist dies ein Signal dafür, dass die Population nicht homogen ist und dass eine einzige Entscheidung für alle suboptimal sein kann. In solchen Fällen könnte der beste Weg darin bestehen, die Population in Untergruppen aufzuteilen und jeder Gruppe unterschiedliche Behandlungen zuzuweisen. Dieser Ansatz stellt sicher, dass Patienten die Behandlung erhalten, die am besten zu ihren spezifischen Merkmalen passt, anstatt einen Kompromiss zu erzwingen, der die Mehrheit schlechter stellen könnte. Der Artikel kommt zu dem Schluss, dass die Identifizierung solcher Untergruppen schwierig ist und sorgfältige statistische Arbeit erfordert, aber der einzige Weg ist, um den Konflikt zwischen der Maximierung des individuellen Nutzens und der Minimierung des Gesamtschadens bei Vorliegen einer Effektmodifikation zu lösen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.