Power Calculation for Noninferiority Stepped-Wedge Cluster Randomized Trials

Nel mondo della ricerca medica, gli scienziati devono spesso testare nuovi trattamenti in molte diverse località, come ad esempio ospedali o cliniche, piuttosto che solo su singoli pazienti. Quando un trattamento non può essere implementato ovunque contemporaneamente — forse perché non ci sono abbastanza personale o attrezzature per formare tutti simultaneamente — i ricercatori utilizzano un disegno chiamato studio a cuneo scalato (stepped-wedge trial). Immaginate una staffetta in cui ogni corridore parte contemporaneamente ma taglia il traguardo in momenti diversi; in questo disegno di studio, ogni gruppo inizia con la cura standard e poi passa al nuovo trattamento uno alla volta, finché tutti non lo hanno ricevuto. Questo approccio è eticamente attraente perché nessun gruppo viene lasciato indietro senza la nuova opzione, e permette ai ricercatori di confrontare come si comportano i gruppi prima e dopo il passaggio. Tuttavia, mentre gli scienziati sanno da tempo come calcolare le probabilità di dimostrare che un nuovo trattamento è migliore del vecchio, hanno careca di strumenti affidabili per calcolare le probabilità di dimostrare che è ugualmente buono. Questa distinzione è profondamente importante quando un nuovo trattamento è più economico, più sicuro o più facile da usare, anche se è leggermente meno efficace rispetto al gold standard.

Un team di ricercatori ha ora colmato questa lacuna creando un nuovo metodo per aiutare a pianificare questi studi quando l'obiettivo è dimostrare che un nuovo approccio non è peggiore dell'attuale. Hanno sviluppato uno strumento basato sul computer chiamato swNIsim, che simula migliaia di potenziali scenari di prova per vedere se un disegno di studio funzionerà. Invece di affidarsi a formule rigide che assumono condizioni semplici, questo strumento imita la realtà disordinata degli studi del mondo reale. Può gestire situazioni in cui alcuni ospedali sono più grandi di altri, dove il numero di pazienti varia di settimana in settimana, o dove il nuovo trattamento richiede del tempo per iniziare a funzionare. I ricercatori hanno testato il loro metodo utilizzando sia misurazioni continue, come il numero di giorni che un paziente trascorre con un ventilatore, sia esiti binari, come se un paziente sia stato ricoverato in ospedale o meno. Eseguendo queste simulazioni, hanno scoperto che il fattore più importante per un trial di successo non è necessariamente il numero di ospedali coinvolti, ma piuttosto il numero di periodi temporali durante i quali lo studio viene condotto.

I ricercatori hanno scoperto che, per un numero fisso di pazienti, distribuire lo studio su più periodi temporali aumenta costantemente le probabilità di rilevare un vero effetto. Sebbene l'aggiunta di più ospedali al mix abbia aiutato leggermente, non era potente quanto l'estensione della linea temporale. Hanno anche osservato che quando le differenze tra gli ospedali erano molto grandi, diventava più difficile trovare un risultato chiaro, ma il metodo rimaneva robusto. Fondamentalmente, lo strumento ha mostrato che bilanciare il numero di ospedali in ciascun gruppo è più efficiente rispetto ad avere gruppi disomogenei. Le simulazioni hanno confermato che il metodo mantiene il rischio di falsi allarmi molto basso, garantendo che quando un trial si conclude dichiarando che il nuovo trattamento è accettabile, tale conclusione sia statisticamente solida. Il team ha inoltre notato che se uno studio include periodi temporali in cui non avviene alcun cambiamento reale, rimuovere quei fattori temporali dall'analisi può rendere i risultati più chiari, sebbene nella pratica i ricercatori di solito li mantengano per tenere conto dei trend naturali nel tempo.

Per dimostrare che lo strumento funziona nella vita reale, gli autori lo hanno applicato a due studi esistenti. Il primo riguardava un trial per pazienti sotto ventilazione meccanica, dove l'obiettivo era vedere se un nuovo percorso di cura potesse mantenere un alto numero di giorni senza assistenza respiratoria. Utilizzando il loro nuovo metodo, hanno calcolato che sarebbe stato necessario un numero specifico di pazienti per ospedale per periodo temporale per poter affermare con fiducia che il nuovo metodo non fosse peggiore del precedente. Il secondo esempio riguardava un trial nei dipartimenti di emergenza volto a ridurre i ricoveri ospedalieri. Qui, lo strumento ha aiutato a determinare la dimensione necessaria dei gruppi di studio per dimostrare che un nuovo programma di cure palliative era paragonabile alle cure standard. Questi esempi hanno dimostrato che il software poteva gestire parametri complessi del mondo reale e fornire una guida chiara su quanti partecipanti fossero necessari.

Gli autori sottolineano che, sebbene il loro metodo sia flessibile e potente, non è una bacchetta magica che elimina ogni incertezza. Lo strumento si basa su simulazioni al computer, che sono più pesanti dal punto di vista computazionale rispetto ai calcoli semplici, ma questo sforzo extra permette di gestire i disegni complicati che la medicina moderna spesso richiede. Essi evidenziano anche che il loro modello attuale assume un tipo specifico di connessione tra i pazienti nello stesso ospedale, e le versioni future potrebbero dover tenere conto di schemi più complessi di come i pazienti influenzano l'un l'altro nel tempo. Ciononostante, fornendo un pacchetto software gratuito che i ricercatori possono utilizzare immediatamente, questo lavoro offre un modo pratico per progettare studi migliori e più efficienti. Assicura che quando gli scienziati si mettono in gioco per dimostrare che un nuovo trattamento è sufficientemente buono, non stiano tirando a indovinare, ma stiano invece facendo affidamento su un piano che è stato rigorosamente testato contro le realtà di come l'assistenza medica viene effettivamente erogata.