Effect modification and non-collapsibility leads to conflicting treatment decisions: a review of marginal and conditional estimands and recommendations for decision-making
Dit artikel onderzoekt hoe de gecombineerde aanwezigheid van effectmodificatie en niet-collapsibiliteit kan leiden tot conflicterende behandelingenrangschikkingen tussen marginale en conditionele estimanden, en biedt praktische aanbevelingen voor besluitvorming die gebruikmaken van multilevel netwerkmeta-regressie om beide typen schattingen voor de doelpopulatie te genereren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de gezondheidszorg staan artsen en beleidsmakers voor een constante uitdaging: beslissen welke behandeling het beste werkt voor een specifieke groep mensen. Ze vertrouwen op klinische trials, die zorgvuldig gecontroleerde experimenten zijn, om de antwoorden te vinden. Maar mensen zijn niet allemaal hetzelfde. Sommigen hebben ernstige vormen van een ziekte, anderen milde vormen, en sommige dragen specifieke biologische markers die bepalen hoe hun lichaam op medicijnen reageert. Wanneer een factor zoals deze de effectiviteit van een behandeling verandert, noemen wetenschappers dit "effectmodificatie". Het is een bekend feit dat als een medicijn wonderen doet voor het ene type patiënt maar nauwelijks helpt bij een ander, de beste keuze voor de hele groep afhangt van wie er in die groep zit.
Om deze beslissingen te nemen, combineren onderzoekers vaak gegevens uit meerdere trials om een duidelijker beeld te krijgen. Maar er is een wiskundige eigenaardigheid die de zaken compliceren. Wanneer het succes van een behandeling wordt gemeten, gebruiken wetenschappers vaak ratio's, zoals odds ratios of hazard ratios, die de waarschijnlijkheid vergelijken dat een gebeurtenis plaatsvindt in de ene groep versus de andere. Deze maten zijn "niet-collabeel", een technische manier om te zeggen dat het gemiddelde resultaat voor een hele groep niet simpelweg een gewogen gemiddelde is van de resultaten van de individuen binnen die groep. Vanwege dit feit doet de manier waarop u het gemiddelde berekent er toe. U kunt het gemiddelde berekenen door naar het effect op elk individu te kijken en vervolgens die effecten te middelen, of u kunt het gemiddelde berekenen door naar de totale gebeurtenisratio's voor de hele groep te kijken en deze te vergelijken. Meestal geven deze twee methoden iets verschillende getallen, maar ze zijn het over het algemeen eens over welke behandeling beter is.
Een nieuw artikel van David Phillippo en zijn collega's onthult dat deze overeenstemming niet gegarandeerd is. De onderzoekers laten zien dat wanneer effectmodificatie aanwezig is, deze twee manieren om het gemiddelde te berekenen tot volkomen tegenovergestelde conclusies kunnen leiden. De ene methode kan suggereren dat Behandeling A de beste keuze is voor de gehele populatie, terwijl de andere methode suggereert dat Behandeling B superieur is. Dit gebeurt omdat de twee methoden eigenlijk twee verschillende vragen beantwoorden. De ene vraagt: "Welke behandeling geeft het beste gemiddelde voordeel aan de individuele patiënten?" terwijl de andere vraagt: "Welke behandeling resulteert in de minste totale negatieve gebeurtenissen voor de gehele populatie?" Wanneer de effectiviteit van een behandeling aanzienlijk varieert tussen verschillende typen patiënten, kan het antwoord op deze twee vragen uiteenlopen.
De auteurs illustreren dit conflict met behulp van een reeks simulaties. In één scenario modelleerden ze een populatie waarin een specifieke biomarker een behandeling zeer effectief maakte voor sommige mensen, maar minder effectief voor anderen. Wanneer ze het gemiddelde voordeel voor het individu berekenden, wezen de gegevens op één medicijn als de duidelijke winnaar. Echter, wanneer ze de totale gebeurtenisratio voor de hele groep berekenden, leek een ander medicijn de beste keuze te zijn. In dit specifieke voorbeeld betekende het kiezen van het medicijn dat het totale aantal negatieve gebeurtenissen minimaliseerde, dat 75 procent van de populatie een behandeling zou ontvangen die persoonlijk eigenlijk inferieur voor hen was. Omgekeerd zou het kiezen van het medicijn dat het beste is voor het gemiddelde individu, resulteren in een hoger totaal aantal negatieve gebeurtenissen over de gehele populatie.
Deze bevinding daagt de algemene aanname uit dat er altijd één "beste" behandeling is voor een populatie. De onderzoekers stellen dat het conflict voortkomt uit het feit dat de wiskundige curven die de waarschijnlijkheid van een gebeurtenis voor verschillende behandelingen weergeven, elkaar kunnen kruisen. Als een behandeling beter is voor de ene subgroep maar slechter voor een andere, en deze subgroepen worden gemengd, kan het algemene gemiddelde de rangschikking omdraaien. Dit is bijzonder relevant voor 'time-to-event' uitkomsten, zoals overlevingstijden, waarbij de aanwezigheid van een patiëntkenmerk, zelfs een kenmerk dat de behandelingseffectiviteit niet verandert, de gemiddelde risico's in de loop van de tijd kan doen veranderen.
Het artikel onderzoekt ook de instrumenten die momenteel worden gebruikt om deze verschillen tussen studiepopulaties aan te passen. Methoden zoals 'matching-adjusted indirect comparison' en 'simulated treatment comparison' worden veel gebruikt om trialresultaten af te stemmen op een specifie een specifieke doelpopulatie. De auteurs tonen echter aan dat deze methoden vaak schattingen produceren die specifiek zijn voor de populatie van de oorspronkelijke studie en niet gemakkelijk kunnen worden getransporteerd naar een nieuwe populatie met andere kenmerken. Ze identificeren een meer geavanceerde methode, 'multilevel network meta-regression', als de enige huidige benadering die in staat is om beide soorten schattingen te produceren — die voor het individu en die voor de groep — in elke doelpopulatie.
Uiteindelijk adviseren de auteurs besluitvormers om niet langer te vertrouwen op één enkel getal om keuzes te maken. In plaats daarvan zouden ze naar zowel de schattingen op individueel niveau als op populatieniveau moeten kijken. Als beide methoden het eens zijn over de beste behandeling, is de beslissing eenvoudig. Als ze van mening verschillen, is dat een signaal dat de populatie niet uniform is en dat een enkele beslissing voor iedereen suboptimaal kan zijn. In dergelijke gevallen kan de beste koers van zaken zijn om de populatie op te splitsen in subgroepen en verschillende behandelingen aan elke groep toe te wijzen. Deze aanpak zorgt ervoor dat patiënten de behandeling krijgen die het beste is voor hun specifieke kenmerken, in plaats van een compromis af te dwingen dat de meerderheid mogelijk slechter maakt. Het artikel concludeert dat hoewel het identificeren van deze subgroepen moeilijk is en zorgvuldig statistisch werk vereist, dit de enige manier is om het conflict tussen het maximaliseren van individueel voordeel en het minimaliseren van totale schade bij de aanwezigheid van effectmodificatie op te lossen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.