Marginal and conditional summary measures: transportability and compatibility across studies
Dieser Beitrag klärt die unterschiedlichen Interpretationen und Eigenschaften von marginalen gegenüber konditionalen Zusammenfassungsmaßen, indem er zeigt, dass ihre Nichtübereinstimmung – selbst bei kollapsierbaren Maßen unter Effektmodifikation – erhebliche Herausforderungen für die Transportierbarkeit und Evidenzsynthese darstellt und häufig zu Verzerrungen führt, wenn inkompatible Maße naiv ohne Zugriff auf individuelle Patientendaten gepoolt werden.
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
Stellen Sie sich vor, Sie versuchen zu entscheiden, welches von zwei verschiedenen Autos (Behandlung A und Behandlung B) besser ist. Sie können beide nicht gleichzeitig testen, also schauen Sie sich zwei separate Berichte an: einen, der Auto A mit einer Standardlimousine (Kontrolle) vergleicht, und einen anderen, der Auto B mit derselben Standardlimousine vergleicht. Um herauszufinden, welches besser ist, müssen Sie diese Berichte kombinieren.
Dieser Artikel ist ein Warnhinweis für diesen Prozess. Er argumentiert, dass wir bei der Kombination dieser Berichte oft einen kritischen Fehler machen: wir vergleichen Äpfel mit Birnen, ohne es zu merken.
Hier ist die Aufschlüsselung der Hauptpunkte des Artikels unter Verwendung einfacher Analogien.
1. Die zwei Arten, „Erfolg" zu messen
Der Artikel erklärt, dass es zwei Hauptmethoden gibt, um zu messen, wie gut eine Behandlung wirkt, und sie liefern nicht immer dieselbe Zahl.
- Der „Durchschnitt der Gruppe" (Marginal): Stellen Sie sich vor, Sie machen ein Foto der gesamten Menschenmenge, die das Medikament eingenommen hat, und fragen: „Wie viel besser hat die Gruppe im Durchschnitt abgeschnitten?" Dies ist ein marginales Maß. Es betrachtet das große Ganze.
- Das „spezifische Profil" (Konditional): Jetzt zoomen Sie auf einen bestimmten Typ von Person in dieser Menge – sagen wir, „Menschen, die 30 Jahre alt sind und rauchen". Sie fragen: „Wie viel besser hat diese spezifische Gruppe abgeschnitten?" Dies ist ein konditionales Maß.
Das Problem: In der realen Welt sind diese beiden Zahlen selten gleich. Nur weil sich der „durchschnittliche Mensch" um 10 Punkte verbessert hat, bedeutet das nicht, dass sich der „30-jährige Raucher" um 10 Punkte verbessert hat.
2. Die Analogie der „magischen Linse"
Der Artikel führt ein Konzept namens Kollapsierbarkeit ein. Stellen Sie sich dies als eine spezielle Linse vor, durch die Sie schauen, um den Behandlungseffekt zu messen.
- Direkt kollapsierbar (Die klare Linse): Einige Linsen (wie die Messung der einfachen „Risikodifferenz" oder „Mittleren Differenz") sind klar. Wenn Sie sich die spezifischen Gruppen ansehen und diese dann zusammenfassen, erhalten Sie exakt dieselbe Zahl, als hätten Sie die gesamte Menge auf einmal betrachtet.
- Analogie: Wenn Sie die Größe jedes Schülers in einer Klasse messen und den Durchschnitt bilden, erhalten Sie dasselbe Ergebnis wie beim Messen der gesamten Klasse zusammen.
- Nicht kollapsierbar (Die verzerrende Linse): Andere Linsen (wie „Odds Ratios" oder „Hazard Ratios", die oft für Überlebens- oder binäre Ergebnisse verwendet werden) verzerren das Bild. Selbst wenn Sie sich spezifische Gruppen ansehen, ändert sich die Zahl, wenn Sie sie zusammenfassen.
- Analogie: Stellen Sie sich einen Spiegelpavillon vor. Wenn Sie eine bestimmte Person ansehen, sieht sie groß aus. Wenn Sie die gesamte Gruppe betrachten, verzerrt der Spiegel die durchschnittliche Größe auf eine Weise, die nicht der Summe der Einzelnen entspricht.
Die große Überraschung des Artikels: Die meisten Leute denken, diese Verzerrung tritt nur bei den „Spiegelpavillons" (nicht kollapsierbaren Maßen) auf. Der Artikel argumentiert jedoch, dass selbst bei klaren Linsen, wenn die Behandlung bei verschiedenen Arten von Menschen unterschiedlich wirkt (Effektmodifikation), der „Durchschnitt der Gruppe" und das „spezifische Profil" dennoch nicht übereinstimmen werden.
3. Die Falle des „durchschnittlichen Menschen"
Der Artikel hebt einen verwirrenden Begriff hervor, der in der Statistik häufig verwendet wird: „Am Mittelwert".
- Stellen Sie sich eine Studie vor, in der Menschen nach ihrem „Raucherstatus" (Ja/Nein) gemessen werden.
- Der „durchschnittliche" Raucher könnte 0,5 sein (ein halber Mensch, der raucht).
- Der Artikel warnt davor, den Effekt für diese „0,5-Person" zu berechnen, ist Unsinn. Es ist so, als würde man versuchen, den Kraftstoffverbrauch eines Autos zu berechnen, das zur Hälfte eine Limousine und zur Hälfte ein Lkw ist. Ein solches Auto existiert nicht.
- Der Artikel besteht darauf, dass wir vorsichtig sein müssen, den Effekt für den „durchschnittlichen Menschen" (der nicht existiert) nicht mit dem „durchschnittlichen Effekt" über alle realen Menschen hinweg zu verwechseln.
4. Die Katastrophe des „indirekten Vergleichs"
Hier wird der Artikel praktisch. Im Gesundheitswesen müssen wir oft Behandlung A gegen Behandlung B vergleichen, haben aber nur Daten für A gegen Kontrolle und B gegen Kontrolle. Wir müssen einen „indirekten Behandlungsvergleich" durchführen.
Der Artikel sagt: Wenn Sie die falschen Arten von Messungen mischen, wird Ihre Schlussfolgerung verzerrt sein.
- Szenario: Studie 1 (A gegen Kontrolle) berichtet ein Ergebnis des „Durchschnitts der Gruppe". Studie 2 (B gegen Kontrolle) berichtet ein Ergebnis des „spezifischen Profils" (bereinigt nach Alter, Geschlecht usw.).
- Der Fehler: Wenn Sie einfach die Zahl von Studie 2 von der Zahl von Studie 1 subtrahieren, um A und B zu vergleichen, mischen Sie Äpfel mit Birnen.
- Die Folge: Sie könnten zu dem Schluss kommen, dass Behandlung A besser ist, obwohl sie tatsächlich schlechter ist, oder umgekehrt, einfach weil die Mathematik nicht übereinstimmt.
5. Die Lösung: Vollständiger Zugriff oder sorgfältige Mathematik
Der Artikel schlägt zwei Wege vor, um dies zu beheben:
- Der Goldstandard: Zugriff auf die Rohdaten für jeden einzelnen Patienten in jeder Studie (Individual Patient Data). Dies ermöglicht es Statistikern, alles neu zu berechnen, um eine perfekte Übereinstimmung zu erzielen.
- Der sorgfältige Ansatz: Wenn Sie nur zusammengefasste Zahlen haben (wie „100 Menschen nahmen das Medikament, 20 wurden besser"), müssen Sie sehr spezifische mathematische Methoden (wie ML-NMR) verwenden, die wissen, wie man zwischen „Durchschnitten der Gruppe" und „spezifischen Profilen" übersetzt, ohne die Mathematik zu brechen.
Zusammenfassung
Der Artikel ist ein Aufruf, mit der Statistik nicht mehr nachlässig umzugehen. Beim Vergleich medizinischer Behandlungen:
- Gehen Sie nicht davon aus, dass ein durchschnittlicher Effekt dasselbe ist wie ein spezifischer Effekt.
- Gehen Sie nicht davon aus, dass verschiedene Studien dasselbe berichten, nur weil sie dieselbe Krankheit messen.
- Prüfen Sie Ihre Linsen: Stellen Sie sicher, dass Sie „Durchschnitte der Gruppe" mit „Durchschnitten der Gruppe" und „spezifische Profile" mit „spezifischen Profilen" vergleichen. Wenn Sie sie mischen, könnten Ihre medizinischen Entscheidungen falsch sein.
Die Autoren sagen nicht, dass eine Art von Messung „besser" ist als die andere; sie sagen, dass Sie genau wissen müssen, welche Sie verwenden, und sicherstellen müssen, dass Sie sie nicht versehentlich vermischen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.