📄 intensive care and critical care medicine

Accounting for uncertainty in the expected treatment effect substantially increases the sample size required for randomised trials: implications for the feasibility of clinical trials in anaesthesia and critical care

Questo studio dimostra che l'incorporazione dell'incertezza relativa all'effetto del trattamento atteso nel calcolo della dimensione del campione per i trial di anestesia e terapia intensiva aumenta sostanzialmente il numero di partecipanti richiesti rispetto ai metodi convenzionali, mettendone così in discussione la fattibilità per molti trial randomizzati proposti.

Autori originali: Sidebotham, D., Barlow, J.

Pubblicato 2026-06-22

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Sidebotham, D., Barlow, J.

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

Immagina di stare pianificando una competizione culinaria massiccia per vedere se una nuova spezia segreta rende una zuppa più buona. Per dimostrare che funziona, devi invitare abbastanza giudici (partecipanti) da essere assolutamente sicuro che il risultato non sia solo fortuna.

Questo articolo parla di come i ricercatori in anestesia e terapia intensiva stiano pianificando queste "competizioni" (trial clinici) e del perché stiano invitando molti meno giudici di quanti ne pensino di aver bisogno.

Il Vecchio Metodo: La trappola del "Guess Perfetto"

Tradizionalmente, quando gli scienziati pianificano un trial, fanno una stima fissa di quanto sarà migliore il nuovo trattamento.

Lo Scenario: Dicono: "Siamo sicuri al 100% che questo nuovo farmaco ridurrà il tasso di mortalità del 10%".
Il Calcolo: Basandosi su questa stima fissa del 10%, calcolano che hanno bisogno, ad esempio, di 800 persone per dimostrare che funziona.
Il Problema: Nel mondo reale, raramente conosciamo il numero esatto. Forse il farmaco funziona solo il 5% delle volte, o forse non funziona affatto. Fingendo di conoscere l'esatto numero, stanno preparando una trappola. Se la loro stima è troppo ottimistica, il trial finirà con troppe poche persone, e potrebbero mancare un effetto reale (un "falso negativo") o, se trovano un risultato, potrebbe trattarsi di un caso fortuito.

Il Nuovo Metodo: L' "Ombrello dell'Incertezza"

Gli autori suggeriscono un modo più intelligente chiamato Assurance (Assicurazione). Inveve di fingere di conoscere l'effetto esatto, ammettono: "Pensiamo sia un miglioramento del 10%, ma potrebbe realisticamente essere ovunque tra un miglioramento del 20% e un peggioramento del 2%".

Utilizzano uno strumento chiamato Design Prior per mappare questa incertezza. Immagina questo come un ombrello che copre tutti i possibili risultati, non solo quello che sperano.

La Grande Scoperta: Serve una Tenda Molto Più Grande

Quando i ricercatori hanno analizzato i numeri usando questo "ombrello dell'incertezza", hanno trovato un risultato sorprendente: per ottenere lo stesso livello di fiducia, serve molta più gente.

L'Analogia: Immagina di cercare di sentire un sussurro in una stanza rumorosa.
- Il Vecchio Metodo assume che la stanza sia perfettamente silenziosa. Pensi di aver bisogno solo di 100 persone per sentire il sussurro.
- Il Nuovo Metodo ammette che la stanza è in realtà rumorosa e che il sussurro potrebbe essere più debole del previsto. Per sentire quel sussurro chiaramente nel rumore, hai in realtà bisogno di 300 persone.
  Il paper ha scoperto che quando i ricercatori tengono conto dell'incertezza realistica (un "Coefficient of Variation" o CV di 0,5, che loro definiscono un livello realistico di dubbio), il numero di persone necessarie aumenta di 1,5 - 3,5 volte.

Il "Soffitto" del Successo

Il paper ha anche scoperto un limite invalicabile, come un soffitto di vetro.

Se la tua incertezza è troppo alta (ovvero, sei molto incerto se il trattamento funzioni affatto), esiste un punto in cui nessuna quantità di persone extra garantirà mai un trial di successo.
È come cercare di trovare un granello di sabbia specifico su una spiaggia. Se non sai nemmeno su quale spiaggia si trovi, aggiungere più secchi di sabbia non servirà a nulla. La matematica mostra che se la tua incertezza è troppo grande, la massima possibilità di successo è limitata a una certa percentuale, indipendentemente dalle dimensioni del trial.

Perché questo è importante per l'Anestesia e la Terapia Intensiva

Gli autori sottolineano che molti grandi trial in questi campi non riescono a mostrare risultati statisticamente significativi. Suggeriscono che questo non è solo sfortuna; è perché i trial sono stati pianificati usando il metodo del "Guess Perfetto". Hanno invitato troppe poche persone perché non hanno tenuto conto del fatto che l'effetto del trattamento è incerto.

In Breve

La Tesi: Tenere conto del fatto che non conosciamo l'esatto effetto del trattamento ci costringe a reclutare significativamente più pazienti per essere sicuri dei risultati.
La Raccomandazione: Gli autori suggeriscono di utilizzare un livello specifico di incertezza (un CV di 0,5) come impostazione "predefinita" standard. Questo bilancia l'essere realistici su ciò che non sappiamo con il rendere ancora possibile l'esecuzione di un trial.
Il Risultato: Se i ricercatori faranno questo, si renderanno conto che i loro trial devono essere molto più grandi per essere fattibili, oppure capiranno che alcuni effetti molto piccoli sono semplicemente troppo difficili da dimostrare con le risorse attuali.

In breve: Smettete di fingere di conoscere la risposta esatta prima di iniziare. Se ammettete di stare tirando a indovinare, vi renderete conto che avete bisogno di una folla molto più numerosa per essere sicuri della verità.

Sintesi Tecnica: Contabilizzare l'incertezza nell'effetto atteso del trattamento

Problema
I trial randomizzati multicentrici in anestesia e terapia intensiva riportano frequentemente bassi tassi di differenze statisticamente significative. Gli autori ipotizzano che questo fenomeno sia in parte attribuibile ai metodi convenzionali di calcolo della dimensione del campione, i quali assumono un effetto del trattamento fisso. Questi metodi di "potenza condizionale" non tengono conto della genuina incertezza riguardo alla dimensione dell'effetto atteso — una realtà fondamentale che spesso motiva la sperimentazione stessa. Quando i ricercatori sovrastimano la dimensione plausibile dell'effetto (un accadimento comune), la potenza effettiva dello studio scende al di sotto della potenza di progettazione, aumentando il rischio di errori di Tipo II e della "maledizione del vincitore" (dove i risultati significativi sovrastimano l'effetto reale). Il documento affronta la necessità di metodi che incorporino questa incertezza per fornire stime più realistiche della dimensione del campione.

Metodologia
Lo studio ha impiegato simulazioni in R per confrontare tre approcci per stimare la potenza e la dimensione del campione in trial randomizzati a due bracci con esiti binari (tasso di eventi atteso nel gruppo di controllo del 50%):

Potenza Convenzionale (Condizionale): Assume una dimensione dell'effetto fissa.
Assicurazione Frequentista: Utilizza un prior di progettazione per rappresentare l'incertezza nell'effetto del trattamento ( $\beta_1$ ) e calcola la potenza mediando tra dimensioni dell'effetto plausibili tramite integrazione Monte Carlo.
Assicurazione Bayesiana: Utilizza un prior di progettazione sia per il tasso di eventi del gruppo di controllo ( $\beta_0$ ) che per l'effetto del trattamento ( $\beta_1$ ), simulando i dati e applicando modelli di regressione logistica bayesiana per determinare la proporzione di trial che soddisfano un criterio di successo (probabilità posteriore di beneficio > 97,5%).

Caratteristiche metodologiche chiave includono:

Prior di Progettazione: Sono state specificate distribuzioni Normali (Gaussiane) per $\beta_1$ con un Coefficiente di Variazione (CV) costante compreso tra 0,1 e 2,0. Ciò ha standardizzato il grado di incertezza del prior attraverso diverse dimensioni dell'effetto.
Dimensioni dell'Effetto: Sono stati testati quattro scenari con differenze di rischio (RD) attese di -10%, -5%, -2% e -1%.
Efficienza Computazionale: Per rendere computazionalmente trattabile l'assicurazione bayesiana, gli autori hanno utilizzato e validato un'approssimazione normale della distribuzione posteriore bayesiana, confrontandola con il campionamento Markov Chain Monte Carlo (MCMC) su un sottoinsieme di simulazioni.
Derivazione Teorica: Gli autori hanno derivato un limite teorico per la potenza raggiungibile ( $power_\infty$ ) al tendere della dimensione del campione all'infinito.

Risultati Chiave

Inflazione della Dimensione del Campione: L'incorporazione dell'incertezza tramite prior di progettazione aumenta sostanzialmente la dimensione del campione richiesta rispetto ai metodi convenzionali. Con un CV di 0,5 (che rappresenta un'incertezza realistica del prior), sia i metodi di assicurazione frequentista che quelli bayesiani hanno richiesto dimensioni del campione circa 1,5 - 3,5 volte maggiori rispetto al metodo convenzionale per raggiungere l'80% o il 90% di potenza.
Limite Teorico della Potenza: Lo studio ha derivato un limite teorico della potenza definito dall'equazione $power_\infty = \Phi(1/CV)$ $p o w e r_{\infty} = Φ (1/ C V)$ , dove $\Phi$ $Φ$ è la funzione di ripartizione della distribuzione normale standard. Questo limite dipende esclusivamente dal CV del prior di progettazione ed è indipendente dalla dimensione dell'effetto o dalla metodologia inferenziale.
- Per un CV di 0,5, la potenza massima raggiungibile è ~98%.
- Per un CV di 1,19, la potenza massima scende all'80%.
- Per un CV di 2,0, la potenza massima è ~69%.
Accordo Metodologico: I metodi di assicurazione frequentista e bayesiana hanno prodotto curve di potenza simili in tutti gli scenari. Le piccole differenze sono state attribuite alla variabilità del campionamento, all'effetto di regolarizzazione dei prior di analisi debolmente informativi nell'approccio bayesiano e al fatto che il metodo bayesiano ha campionato l'incertezza nel tasso di eventi del gruppo di controllo ( $\beta_0$ ) mentre il metodo frequentista lo ha trattato come fisso.
Validazione: L'approssimazione normale della distribuzione posteriore bayesiana ha corrisposto da vicino ai risultati MCMC, riducendo il tempo di calcolo da giorni/settimane a meno di 8 ore su un laptop standard.

Significatività e Rivendicazioni
Il documento sostiene che tenere conto dell'incertezza clinica nell'effetto atteso del trattamento è critico per la fattibilità dei trial randomizzati in anestesia e terapia intensiva. Gli autori sostengono che:

Implicazioni sulla Fattibilità: Il sostanziale aumento delle dimensioni del campione richieste quando viene considerata l'incertezza suggerisce che molti trial, in particolare quelli che mirano a piccole dimensioni dell'effetto o con alta incertezza del prior (alto CV), potrebbero essere poco fattibili o sostanzialmente sotto-potenziati se progettati utilizzando i metodi convenzionali.
Spiegazione dei Bassi Tassi di Successo: Il mancato rispetto della genuina incertezza potrebbe spiegare la bassa proporzione di trial multicentrici in questi campi che riportano differenze statisticamente significative.
Raccomandazione Pratica: Gli autori suggeriscono un CV di circa 0,5 come un ragionevole valore predefinito per i prior di progettazione. Questo valore accoglie un'incertezia realistica consentendo comunque di raggiungere una potenza adeguata (ad esempio, 80-90%).
Contributo Metodologico: Lo studio fornisce un'approssimazione normale validata e computazionalmente efficiente per la potenza dell'assicurazione bayesiana, rendendo questi metodi più accessibili per la pianificazione dei trial senza il costo proibitivo del campionamento MCMC completo.

Il documento conclude che, mentre i metodi convenzionali assumono un effetto fisso, i metodi di assicurazione offrono una guida più realistica per la stima della dimensione del campione, informando direttamente le decisioni sulla fattibilità di condurre specifici trial clinici.