The anatomy of regression-to-the-mean in simulated epilepsy trials
Mithilfe einer groß angelegten Simulation von Epilepsiepatienten zeigt diese Studie, dass die Regression zur Mitte scheinbare Placebo-Antworten durch distinkte Mechanismen – einschließlich vorübergehender Verschlechterung des Krankheitszustands, strengerer Einschlusskriterien, reduzierter Messsensitivität und Fehlalarmen – künstlich aufblähen kann, wodurch entscheidende Erkenntnisse zur Verbesserung des Studiendesigns und zur Interpretation von Endpunkten gewonnen werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen herauszufinden, ob ein neuer, schicker Regenschirm den Regen tatsächlich besser abhält als Ihr alter, zerfledderter. Um dies zu testen, beschließen Sie, zu messen, wie nass Sie werden. Aber hier ist der Haken: Sie beginnen Ihren Test ausgerechnet während des absolut schlimmsten, sintflutartigen Regenschauers des Jahres. Natürlich wird die nächste Stunde weniger regnerisch sein, einfach weil der Sturm vorbeizieht. Wenn Sie die „super-nasse“ erste Stunde mit der „nur-leicht-nassen“ zweiten Stunde vergleichen, sieht es so aus, als wäre Ihr neuer Regenschirm ein Wunderwerk, selbst wenn er gar nichts Besonderes leistet. In der Wissenschaft wird dieser Trick des Verstandes als „Regression zur Mitte“ bezeichnet. Er tritt immer dann auf, wenn wir eine Gruppe von Menschen oder Dingen basierend auf einem extremen Moment auswählen (wie einem schrecklichen Tag) und sie später beobachten; sie kehren fast immer zu ihrem normalen, durchschnittlichen Zustand zurück. Dies ist in der Medizin von großer Bedeutung, insbesondere bei Erkrankungen wie Epilepsie, bei denen Anfälle in Wellen kommen und gehen können. Wenn eine klinische Studie Patienten nur dann auswählt, wenn sie einen „Anfallssturm“ erleben, könnte die spätere Besserung lediglich darauf zurückzuführen sein, dass sich der Sturm legt, und nicht darauf, dass das Medikament wirkt. Wissenschaftler müssen den Unterschied zwischen einer echten Heilung und einer statistischen Illusion kennen, um keine Zeit und kein Geld mit Behandlungen zu verschwenden, die eigentlich nicht helfen.
Diese Arbeit von Daniel Goldenholz und seinem Team fungiert wie ein riesiges, digitales Labor, in dem sie eine Million Fake-Patienten gebaut haben, um genau zu sehen, wie diese „statistische Illusion“ funktioniert. Sie haben keine echten Menschen getestet; stattdessen nutzten sie ein Computerprogramm namens CHOCOLATES, um 1.000.000 Patienten mit 36 Monaten täglicher Aufzeichnungen über ihre Anfälle zu simulieren. Dann führten sie ein Schein-Experiment durch: Sie wählten Patienten aus, die in einem zweimonatigen „Basiszeitraum“ eine hohe Anzahl an Anfällen hatten, und beobachteten, was in den nächsten drei Monaten passierte, ohne ihnen tatsächlich ein Medikament zu geben. Das Ziel war zu sehen, wie viel „Verbesserung“ rein durch Zufall eintreten würde.
Die Forscher entdeckten, dass die „Placebo-Verbesserung“, die in diesen Studien beobachtet wird, nicht nur eine einzige Sache ist; sie besteht eigentlich aus drei verschiedenen Tricks, die dieselbe Maske tragen. Sie nannten sie Typ 1, Typ 2 und Typ 3.
Typ 1 ist wie eine vorübergehende schlechte Laune. Stellen Sie sich einen Patienten vor, der normalerweise ein paar Anfälle im Monat hat, aber für zwei Monate krank oder gestresst ist und seine Anfälle dadurch ansteigen. Wenn die Studie ihn während dieses Anstiegs erfasst, wird er von Natur aus besser werden, wenn er zu seinem normalen Leben zurückkehrt, was den Anschein erweckt, die Studie hätte geholfen. In der Simulation, als diese „vorübergehende Krankheit“ mit dem Startzeitraum der Studie zusammenfiel, sahen die Fake-Patienten so aus, als hätten sie sich um massive 92,6 % verbessert, obwohl sie sich lediglich von einer schlechten Phase erholten.
Typ 2 ist ein Glücksspiel mit den Regeln. Stellen Sie sich vor, Sie angeln, aber Sie behalten nur die größten Fische, die Sie fangen. Wenn Sie die Regel ändern und sagen: „Wir behalten nur Fische, die mindestens 8 Zoll lang sind“ statt „4 Zoll“, zwingen Sie sich dazu, die absolut größten, extremsten Fische auszuwählen. In der Studie, als sie die Regel strenger machten (die Voraussetzung von 8 Anfällen pro Monat statt 4), wählten sie Patienten aus, die sich in ihren absolut schlimmsten Momenten befanden. Weil diese Momente so extrem waren, kehrten die Patienten später natürlich zu ihrem Durchschnitt zurück. Diese Regeländerung allein ließ die „Verbesserung“ um 29,4 % höher erscheinen, obwohl sich an den Gehirnen der Patienten nichts geändert hatte.
Typ 3 handelt von ungenauen Messwerkzeugen. Stellen Sie sich vor, Sie versuchen Vögel in einem Baum zu zählen, aber Ihr Fernglas ist beschlagen oder Sie verwechseln ständig Blätter mit Vögeln. In der Simulation haben sie das „Tagebuch“, das zur Zählung der Anfälle verwendet wird, manipuliert. Als sie die Zählung weniger genau gestalteten (die Sensitivität auf 7-0 % reduzierten), sahen die Patienten so aus, als hätten sie sich um 33,3 % verbessert. Noch schlimmer war es, als sie „Fehlalarme“ hinzufügten (Dinge, die keine Anfälle waren, mit einer Rate von 1 pro Tag zählten); die gefälschte Verbesserung sprang auf 46,0 %. Dies zeigt: Wenn Ihre Zhtmethode unvollkommen ist, kann sie eine Geschichte der Besserung erfinden.
Die große Erkenntnis aus dieser Simulation ist, dass wenn eine Placebogruppe in einer Epilepsie-Studie „besser“ wird, das nicht unbedingt bedeutet, dass sie einen psychologischen Schub spüren oder dass eine magische Heilkraft am Werk ist. In diesen Computermodellen gab es kein Medikament, keine Erwartung der Besserung und keine Verblindung. Die Verbesserung geschah rein aufgrund der Art und Weise, wie die Patienten ausgewählt wurden und wie ihre Anfälle gezählt wurden. Die Autoren schlagen vor, dass wir, bevor wir eine Behandlung kritisieren oder loben, verstehen müssen, ob die Verbesserung nur das Vorbeiziehen des Sturms (Typ 1), die Regeln des Spiels (Typ 2) oder ein Fehler beim Zählen (Typ 3) ist. Indem wir erkennen, dass dies drei verschiedene Mechanismen sind, können Wissenschaftler bessere Studien entwerfen, die nicht von der Mathematik getäuscht werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.