Implementing the principal stratum strategy for intercurrent events with survival outcomes: a tutorial
Dieser Tutorialartikel überprüft und demonstriert die Implementierung der Principal-Stratum-Strategie zur Handhabung interkurrenter Ereignisse in der Überlebenszeitanalyse innerhalb des ICH-E9-(R1)-Schätzer-Rahmens und bietet anhand eines klinischen onkologischen Beispiels und von Simulationsstudien einen detaillierten Leitfaden zu Methodik, Annahmen, Sensitivitätsanalysen und R-Code.
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 leiten ein Rennen, um herauszufinden, welcher von zwei Laufschuhen (Schuh A vs. Schuh B) Menschen hilft, am längsten zu laufen. Sie geben zufällig der Hälfte der Läufer Schuh A und der anderen Hälfte Schuh B.
Doch hier liegt das Problem: Während des Rennens hören viele Läufer auf, ihre zugewiesenen Schuhe zu tragen. Vielleicht schmerzt Schuh A ihre Füße, also wechseln sie zu Schuh B. Vielleicht fällt Schuh B auseinander, also geben sie das Rennen ganz auf.
In einer Standardanalyse würden Sie einfach prüfen, wer das Rennen zuerst beendet hat, unabhängig davon, ob sie ihren zugewiesenen Schuh weiter trugen. Dies nennt man „Intention-to-Treat". Es ist fair, sagt aber nicht aus, ob Schuh A tatsächlich besser darin ist, Menschen beim Laufen zu helfen, oder ob die Personen, die das Tragen einstellten, von Anfang an einfach langsamere Läufer waren.
Dieser Artikel ist ein Tutorial (eine schrittweise Anleitung) für Wissenschaftler, wie man eine viel schwierigere Frage beantwortet: „Wie hätte ein Läufer abgeschnitten, wenn er den ganzen Zeit über bei seinem zugewiesenen Schuh geblieben wäre?"
Die Autoren nennen dies die „Principal Stratum Strategy". Hier ist ihre Erklärung mit einfachen Konzepten:
1. Das „Zeitreise"-Problem
Um zu wissen, ob ein Schuh funktioniert, müssen Sie wissen, was passiert wäre, wenn ein Läufer ihn niemals abgelegt hätte. Doch Zeitreisen sind unmöglich. Sie können nur sehen, was tatsächlich passiert ist.
- Sie sehen einen Läufer, der 10 Minuten Schuh A trug und dann aufgab.
- Sie wissen nicht, ob er auch aufgegeben hätte, wenn er Schuh B zugewiesen bekommen hätte.
- Sie wissen nicht, ob er weitergelaufen wäre, wenn er Schuh A zugewiesen bekommen hätte.
Da Sie das „Was-wäre-wenn" nicht sehen können, sind diese Gruppen von Läufern unsichtbar (latent). Der Artikel nennt diese unsichtbaren Gruppen „Principal Strata".
2. Die vier unsichtbaren Teams
Die Autoren stellen sich vor, dass jeder Läufer zu einem von vier unsichtbaren Teams gehört, basierend darauf, wie er auf die Schuhe reagieren würde, unabhängig davon, welchen er tatsächlich erhielt:
- Die „Immer-Weitermacher": Personen, die den Schuh weitertragen würden, egal welchen sie bekommen. (Dies sind die Personen, die wir wirklich untersuchen wollen, um zu sehen, ob der Schuh funktioniert).
- Die „Immer-Aufgeber": Personen, die aufgeben würden, egal welchen Schuh sie bekommen.
- Die „Wechsler": Personen, die aufgeben würden, wenn sie den „schlechten" Schuh bekommen, aber weitermachen würden, wenn sie den „guten" Schuh bekommen.
- Die „Umgekehrten Wechsler": Personen, die aufgeben würden, wenn sie den „guten" Schuh bekommen, aber weitermachen würden, wenn sie den „schlechten" Schuh bekommen.
Da Sie nicht sehen können, in welchem Team eine Person ist, müssen Sie Mathematik verwenden, um zu raten.
3. Zwei Wege, die unsichtbaren Teams zu schätzen
Der Artikel lehrt zwei verschiedene mathematische „Zaubertricks", um diese unsichtbaren Teams zu trennen und die Ergebnisse zu berechnen:
- Methode 1: Das Mischungsmodell (Der „Smoothie"-Ansatz)
Stellen Sie sich vor, Sie haben einen Smoothie aus vier verschiedenen Früchten (den vier Teams). Sie können den Smoothie schmecken (die Daten), aber Sie können die einzelnen Früchte nicht sehen. Diese Methode nutzt einen Computer, um den Smoothie zu „entmischen". Es werden Vermutungen über die Zutaten basierend auf dem Geschmack und dem Rezept (den Annahmen) angestellt. Es ist sehr flexibel, erfordert jedoch viel Rechenleistung und sorgfältiges Raten. - Methode 2: Die Gewichtungsmethode (Der „Waage"-Ansatz)
Diese Methode ist wie das Auflegen von Gewichten auf eine Waage. Sie betrachtet die Läufer, die tatsächlich aufgegeben haben, und versucht, Läufer zu finden, die nicht aufgegeben haben, aber ihnen genau gleichen (gleiches Alter, gleicher Gesundheitszustand usw.). Anschließend wird die Datenmenge „gewichtet", um so zu tun, als wären die unsichtbaren Teams sichtbar. Diese Methode ist schneller und oft präziser, beruht jedoch auf einer strengen Regel: Dass die „unsichtbaren" Gründe für das Aufgeben vollständig durch die Informationen erklärt werden, die wir bereits haben (wie Alter oder Gesundheit).
4. Der Realitätscheck: Die Krebsstudie
Um zu beweisen, dass diese Methoden funktionieren, testeten die Autoren sie an einer echten medizinischen Studie über Nierenkrebs.
- Das Szenario: Patienten erhielten entweder ein neues Medikament oder ein Standardmedikament. Viele hörten auf, das neue Medikament einzunehmen, wegen Nebenwirkungen (Toxizität).
- Das Ziel: Sie wollten wissen: „Wenn die Patienten, die das neue Medikament abgebrochen haben, in der Lage gewesen wären, es weiter einzunehmen, hätten sie dann länger gelebt?"
- Das Ergebnis: Beide Methoden stimmten im Großen und Ganzen überein:
- Für die „Immer-Weitermacher" (die Personen, die das Medikament vertragen konnten) schien das neue Medikament im Vergleich zum alten Medikament keinen großen Unterschied in der Überlebenszeit zu machen.
- Allerdings zeigten die Mathematik, dass die Ergebnisse unsicher waren. Die „Konfidenzintervalle" (die Fehlermarge) waren sehr breit. Es ist, als würde man sagen: „Der neue Schuh könnte helfen, oder er könnte schaden, oder er könnte nichts bewirken – wir können einfach noch nicht sicher sein."
5. Der „Was-wäre-wenn"-Sicherheitscheck (Sensitivitätsanalyse)
Da diese Methoden auf Vermutungen über unsichtbare Personen beruhen, betonen die Autoren die Bedeutung der Sensitivitätsanalyse.
Stellen Sie sich dies als Belastungstest vor. Sie fragen: „Was wäre, wenn meine Vermutung über die unsichtbaren Teams leicht falsch wäre?"
- Wenn sich die Antwort drastisch ändert, wenn Sie die Vermutung anpassen, ist das Ergebnis fragil.
- Wenn die Antwort ungefähr gleich bleibt, ist das Ergebnis robust.
Der Artikel zeigt, dass selbst wenn sie ihre Annahmen änderten, die Hauptkonklusion (dass das Medikament die „Immer-Weitermacher" nicht eindeutig half) gleich blieb.
Zusammenfassung
Dieser Artikel ist ein Leitfaden für Wissenschaftler, die über das „Rauschen" von Personen hinwegsehen wollen, die Behandlungen in klinischen Studien abbrechen. Er lehrt sie, wie sie mit fortgeschrittener Mathematik die spezifische Gruppe von Personen isolieren können, die in der Lage wären, bei einer Behandlung zu bleiben, um zu sehen, ob die Behandlung für sie tatsächlich funktioniert.
Die Autoren kommen zu dem Schluss, dass diese Strategie zwar mächtig ist und tiefere Einblicke liefert als Standardmethoden, aber komplex ist und oft zu unsicheren Antworten führt, weil wir versuchen, Dinge zu messen, die wir nicht direkt beobachten können. Sie fordern Wissenschaftler auf, diese Werkzeuge sorgfältig einzusetzen, ihre Annahmen zu überprüfen und beide Methoden (den „Smoothie" und die „Waage") zu verwenden, um zu sehen, ob sie übereinstimmen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.