Power Calculation for Noninferiority Stepped-Wedge Cluster Randomized Trials

의학 연구 분야에서 과학자들은 종종 새로운 치료법을 단순히 개별 환자가 아니라 병원이나 클리닉과 같은 다양한 장소에서 테스트해야 할 때가 있습니다. 만약 새로운 치료법을 한꺼번에 모든 곳에 도입할 수 없는 상황이라면(예를 들어, 모든 인력을 동시에 교육할 수 있는 인력이나 장비가 부족한 경우), 연구자들은 '계단식 쐐기형 설계(stepped-wedge design)'라고 불리는 설계를 사용합니다. 모든 주자가 동시에 출발하지만 결승선은 서로 다른 시점에 통과하는 계주 경주를 상상해 보십시오. 이 연구 설계에서는 모든 그룹이 표준 치료로 시작하여, 하나씩 차례대로 새로운 치료법으로 전환하게 됩니다. 이 방식은 어떤 그룹도 새로운 옵션에서 소외되지 않기 때문에 윤리적으로 매력적이며, 연구자들이 전환 전후에 각 그룹이 어떻게 수행되는지를 비교할 수 있게 해줍니다. 그러나 과학자들은 새로운 치료법이 기존보다 '더 나은지'를 증명할 확률을 계산하는 방법은 오래전부터 알고 있었지만, 그것이 '그만큼 좋은지(just as good)'를 증명할 확률을 계산하는 신뢰할 수 있는 도구는 부족했습니다. 이러한 구분은 새로운 치료법이 기존의 표준 방식보다 약간 덜 효과적이더라도, 비용이 더 저렴하거나, 더 안전하거나, 혹은 사용하기 더 쉬운 경우에 매우 중요합니다.

한 연구팀은 새로운 접근 방식이 현재의 방식보다 나쁘지 않음을 보여주는 것이 목표일 때, 이러한 임상 시험을 계획하는 데 도움이 되는 새로운 방법을 개발함으로써 이 간극을 메웠습니다. 그들은 수천 가지의 잠재적인 임상 시험 시나리오를 시뮬레이션하여 연구 설계가 제대로 작동하는지 확인하는 'swNIsim'이라는 컴퓨터 기반 도구를 개발했습니다. 단순한 조건을 가정하는 경직된 공식에 의존하는 대신, 이 도구는 실제 연구의 복잡한 현실을 모방합니다. 이 도구는 일부 병원이 다른 병원보다 규모가 크거나, 매주 환자 수가 변동되거나, 새로운 치료법이 효과를 나타내는 데 시간이 걸리는 상황까지 처리할 수 있습니다. 연구진은 환자가 인공호흡기에 의존하는 일수와 같은 연속적인 측정값과, 환자의 입원 여부와 같은 이분법적 결과 모두를 사용하여 이 방법을 테스트했습니다. 시뮬레이션을 실행한 결과, 그들은 성공적인 임상 시험을 결정짓는 가장 중요한 요인이 반드시 참여하는 병원의 수가 아니라, 연구가 진행되는 시간적 기간(time periods)이라는 것을 발견했습니다.

연구진은 고정된 총 환자 수가 있을 때, 연구를 더 많은 시간적 기간에 걸쳐 분산시키는 것이 실제 효과를 감지할 확률을 일관되게 높인다는 것을 발견했습니다. 참여하는 병원의 수를 늘리는 것도 약간의 도움이 되었지만, 단순히 타임라인을 연장하는 것만큼 강력하지는 않았습니다. 또한 병원 간의 차이가 매우 큰 경우 명확한 결과를 얻기가 더 어려워졌지만, 이 방법은 여전히 견고함을 유지한다는 것을 관찰했습니다. 결정적으로, 이 도구는 각 그룹의 병원 수를 균등하게 맞추는 것이 불균형한 그룹을 두는 것보다 더 효율적임을 보여주었습니다. 시뮬레이션은 이 방법이 가짜 알람(false alarms)의 위험을 매우 낮게 유지하여, 임상 시험이 결론에 도달했을 때 새로운 치료법이 수용 가능하다는 결론이 통계적으로 타당함을 보장한다는 것을 확인시켜 주었습니다. 연구진은 또한 실제 변화가 일어나지 않는 시간적 기간이 포함된 경우, 그 시간 요인들을 분석에서 제외하면 결과를 더 명확하게 만들 수 있지만, 실제로는 자연스러운 추세를 고려하기 위해 연구자들이 이를 그대로 유지하는 경우가 많다고 언급했습니다.

저자들은 이 도구가 실제로 작동함을 증명하기 위해 두 가지 기존 연구에 적용했습니다. 첫 번째는 인공호흡기를 사용하는 환자를 대상으로 한 시험으로, 새로운 케어 경로가 호흡 보조 없이 지낼 수 있는 일수를 높은 수준으로 유지할 수 있는지 확인하는 것이 목표였습니다. 새로운 방법을 사용하여, 연구진은 특정 병원당, 특정 기간당 필요한 환자 수를 계산하여 새로운 방식이 기존 방식보다 나쁘지 않음을 확신 있게 말할 수 있었습니다. 두 번째 사례는 응급실에서의 입원을 줄이기 위한 임상 시험을 살펴보았습니다. 여기서 이 도구는 새로운 완화 의료 프로그램이 표준 치료와 대등하다는 것을 보여주기 위해 필요한 연구 그룹의 크기를 결정하는 데 도움을 주었습니다. 이 예시들은 소프트웨어가 복잡하고 실제적인 변수들을 처리할 수 있으며, 참가자 수가 얼마나 필요한지에 대한 명확한 지침을 제공할 수 있음을 입증했습니다.

저자들은 자신들의 방법이 유연하고 강력하지만, 모든 불확실성을 제거하는 마법의 지팡이는 아니라는 점을 강조합니다. 이 도구는 컴퓨터 시뮬레이션에 의존하며, 이는 단순한 계산보다 계산량이 훨씬 많지만, 이러한 추가적인 노력 덕분에 현대 의학이 자주 요구하는 복잡한 설계들을 처리할 수 있습니다. 또한 그들은 현재 모델이 동일한 병원 내 환자들 사이의 특정한 연결 유형을 가정하고 있으며, 향후 버전에서는 환자들이 시간에 따라 서로에게 미치는 영향에 대한 더 복잡한 패턴을 고려해야 할 수도 있다고 지적했습니다. 그럼에도 불구하고, 연구자들이 즉시 사용할 수 있는 무료 소프트웨어 패키지를 제공함으로써, 이 연구는 더 나은, 더 효율적인 임상 시험을 설계할 수 있는 실질적인 방법을 제시합니다. 이는 과학자들이 새로운 치료법이 충분히 좋다는 것을 증명하고자 할 때, 막연한 추측이 아니라 실제 의료 서비스가 전달되는 현실에 대해 엄격하게 검증된 계획에 의존하도록 보장합니다.