Effect modification and non-collapsibility leads to conflicting treatment decisions: a review of marginal and conditional estimands and recommendations for decision-making
Questo articolo esamina come la presenza combinata di modifica dell'effetto e non collassabilità possa causare conflitti tra le classifiche dei trattamenti derivanti da stimandi marginali e condizionali, e fornisce raccomandazioni pratiche per il processo decisionale che sfruttano la meta-regressione di rete multilivello per generare entrambi i tipi di stime per la popolazione target.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo dell'assistenza sanitaria, medici e decisori politici affrontano una sfida costante: decidere quale trattamento funzioni meglio per un gruppo specifico di persone. Essi si affidano ai trial clinici, che sono esperimenti controllati con cura, per trovare le risposte. Tuttavia, le persone non sono tutte uguali. Alcune hanno forme gravi di una malattia, altre forme lievi, e alcune portano marcatori biologici specifici che cambiano il modo in cui i loro corpi reagiscono ai farmaci. Quando un fattore come questo cambia l'efficacia di un trattamento, gli scienziati lo chiamano "modificazione dell'effetto". È un fatto ben noto che se un farmaco fa miracoli per un tipo di paziente ma aiuta appena un altro, la scelta migliore per l'intero gruppo dipende da chi è incluso in quel gruppo.
Per prendere queste decisioni, i ricercatori spesso combinano i dati di più trial per ottenere un quadro più chiaro. Ma esiste un vizio matematico che complica le cose. Quando misurano il successo di un trattamento, gli scienziati usano spesso dei rapporti, come gli odds ratio o gli hazard ratio, che confrontano la probabilità che un evento accada in un gruppo rispetto a un altro. Queste misure sono "non collassabili", un modo tecnico per dire che il risultato medio per un intero gruppo non è semplicemente una media ponderata dei risultati degli individui al suo interno. Per questo motivo, il modo in cui si calcola la media è importante. Si può calcolare la media osservando l'effetto su ogni persona e poi mediando tali effetti, oppure si può calcolare la media osservando i tassi di eventi complessivi per l'intero gruppo e confrontandoli. Di solito, questi due metodi forniscono numeri leggermente diversi, ma generalmente concordano su quale trattamento sia migliore.
Un nuovo articolo di David Phillippo e dei suoi colleghi rivela che questo accordo non è garantito. I ricercatori dimostrano che, quando è presente la modifica dell'effetto, questi due modi di calcolare la media possono portare a conclusioni completamente opposte. Un metodo potrebbe suggerire che il Trattamento A sia la scelta migliore per l'intera popolazione, mentre l'altro metodo suggerisce che il Trattamento B sia superiore. Ciò accade perché i due metodi stanno in realtà rispondendo a due domande diverse. Uno chiede: "Quale trattamento offre il miglior beneficio medio ai singoli pazienti?" mentre l'altro chiede: "Quale trattamento risulta nel minor numero totale di eventi negativi per l'intera popolazione?". Quando l'efficacia di un trattamento varia significativamente tra diversi tipi di pazienti, la risposta a queste due domande può divergere.
Gli autori illustrano questo conflitto utilizzando una serie di simulazioni. In uno scenario, hanno modellato una popolazione in cui un biomarcatore specifico rendeva un trattamento altamente efficace per alcune persone ma meno efficace per altre. Quando hanno calcolato il beneficio medio per l'individuo, i dati indicavano un farmaco come il vincitore netto. Tuttavia, quando hanno calcolato il tasso di eventi complessivo per l'intero gruppo, un altro farmaco appariva come la scelta migliore. In questo esempio specifico, scegliere il farmaco che minimizzava il numero totale di eventi negativi significava che il 75 percento della popolazione avrebbe ricevuto un trattamento che era in realtà inferiore per loro personalmente. Al contrario, scegliere il farmaco che era il migliore per l'individuo medio avrebbe comportato un numero totale di eventi negativi più elevato in tutta la popolazione.
Questo ritrovamento sfida la comune assunzione che esista sempre un unico "miglior" trattamento per una popolazione. I ricercatori sostengono che il conflitto sorga perché le curve matematiche che rappresentano la probabilità di un evento per diversi trattamenti possono incrociarsi. Se un trattamento è migliore per un sottogruppo ma peggiore per un altro, e questi sottogruppi sono mescolati insieme, la media complessiva può invertire la classifica. Questo è particolarmente rilevante per gli esiti basati sul tempo all'evento, come i tempi di sopravvivenza, dove la presenza di qualsiasi caratteristica del paziente, anche se non modifica l'effetto del trattamento, può causare un cambiamento del rischio medio nel tempo.
Il documento esamina anche gli strumenti attualmente utilizzati per regolare queste differenze tra le popolazioni di studio. Metodi come il confronto indiretto aggiustato per matching (matching-adjusted indirect comparison) e il confronto di trattamento simulato (simulated treatment comparison) sono ampiamente utilizzati per adattare i risultati dei trial a una specifica popolazione target. Tuttavia, gli autori dimostrano che questi metodi producono spesso stime che sono specifiche solo per la popolazione dello studio originale e non possono essere facilmente trasportate in una nuova popolazione con caratteristiche diverse. Identificano un metodo più avanzato, la meta-regressione a rete multilivello (multilevel network meta-regression), come l'unico approccio attuale capace di produrre entrambi i tipi di stime — quelle per l'individuo e quelle per il gruppo — in qualsiasi popolazione target.
In definitiva, gli autori raccomandano ai decisori di smettere di fare affidamento su un singolo numero per prendere decisioni. Inveve, dovrebbero guardare sia le stime a livello individuale che quelle a livello di popolazione. Se entrambi i metodi concordano sul miglior trattamento, la decisione è semplice. Se non concordano, ciò segnala che la popolazione non è uniforme e che una singola decisione per tutti potrebbe essere subottimale. In tali casi, la migliore linea d'azione potrebbe essere quella di suddividere la popolazione in sottogruppi e assegnare trattamenti diversi a ciascun gruppo. Questo approccio assicura che i pazienti ricevano il trattamento che è migliore per le loro caratteristiche specifiche, piuttosto che imporre un compromesso che potrebbe lasciare la maggioranza in condizioni peggiori. Il documento conclude che, sebbene l'identificazione di questi sottogruppi sia difficile e richieda un attento lavoro statistico, è l'unico modo per risolvere il conflitto tra la massimizzazione del beneficio individuale e la minimizzazione del danno totale in presenza di modifica dell'effetto.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.