Improving the efficiency of infectious disease prevention trials using negative control outcome event times
Dit artikel stelt een nieuwe statistische estimator voor en valideert deze, die gebruikmaakt van de tijdstippen van negatieve controle-uitkomstgebeurtenissen om de precisie van schattingen van het behandelingseffect in preventieproeven bij infectieziekten aanzienlijk te verbeteren, waarbij een variantiereductie van 27% wordt aangetoond in een HIV-1-antilichaamstudie vergeleken met de minimale winsten uit conventionele aanpassing voor baseline covariaten.
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
Stel je voor dat je probeert uit te zoeken of een nieuwe, superkrachtige paraplu mensen echt droog houdt tijdens een storm. Je zet een groot experiment op waarbij de helft van de mensen de hippe paraplu krijgt en de andere helft een gewone paraplu. Om te weten of de hippe paraplu werkt, moet je tellen hoeveel mensen nat worden. Maar hier komt het lastige gedeelte bij: de grootste reden dat iemand nat wordt, is niet alleen de paraplu; het is hoe hard de regen op hen inslaat en hoe lang ze erin staan. Als je precies zou kunnen meten hoeveel regen elke persoon heeft ervaren, zou je kunnen zien of de hippe paraplu echt beter is.
Het probleem is dat je in de echte wereld "regenblootstelling" niet gemakkelijk kunt meten. Mensen kunnen liegen over hoe lang ze buiten stonden, of ze kunnen vergeten de regenmeter te controleren. Zonder dit cruciale stukje informatie is het moeilijk te zeggen of de hippe paraplu zijn werk doet, of dat de mensen die nat werden gewoon in een stortbui stonden. Wetenschappers noemen dit ontbrekende stukje informatie een "prognostische factor". In medische onderzoeken naar zaken als vaccins of antilichamen, is de "regen" eigenlijk een virus, en de "blootstelling" is hoeveel contact een persoon ermee heeft. Als we die contactmomenten niet kunnen meten, zijn onze tests om te bepalen of een medicijn werkt vaak een beetje vaag en onnauwkeurig.
Dit is waar een slimme statistische truc om de hoek komt kijken. In plaats van te proberen de onzichtbare regen direct te meten, wat als we kijken naar een ander soort "natheid" die om dezelfde redenen gebeurt? Stel je voor dat je, terwijl je de paraplu test, ook bijhoudt hoe vaak iemands schoenen modderig worden. Het worden van modder hangt er totaal niet vanaf welke paraplu iemand gebruikt, maar als iemand in een hevige storm staat, is de kans groot dat ze zowel nat als modderig worden. Als je ziet dat de mensen die modderig werden ook nat werden, kun je de modder gebruiken als een aanwijzing om te raden hoe hard de regen op hen insloeg, zelfs als je geen regenmeter had. In de wetenschap wordt deze "modderige schoen" een Negative Control Outcome genoemd. Het is een gebeurtenis die de behandeling (de paraplu) niet kan stoppen, maar die wel plaatsvindt door dezelfde verborgen redenen als de hoofdgebeurtenis (nat worden).
Laten we het nu hebben over het nieuwe artikel van Ethan Ashby en zijn team. Zij pakten een specifiek hoofdpijndossier aan dat optreedt wanneer wetenschappers deze "modderige schoen"-truc proberen te gebruiken. Meestal kijken wetenschappers naar de vraag of iemand aan het einde van de dag modderig is (een simpel ja of nee). Maar in medische onderzoeken geven we vaak ook om de timing van de gebeurtenissen. Kregen de schoenen na 10 minuten modderig of na 2 uur? Die timing bevat veel extra informatie. Het probleem is dat mensen in deze onderzoeken vaak afhaken of dat de studie eindigt voordat iedereen modderige schoenen heeft. Dit betekent dat de gegevens over de "modderige schoen" vaak incompleet of "gecensureerd" zijn — we weten dat ze op een bepaald moment modderig werden, maar we weten niet precies wanneer.
De auteurs realiseerden zich dat het simpelweg negeren van de timing of het proberen te herstellen van de ontbrekende gegevens met oude methoden tot foute antwoorden kan leiden. Daarom hebben ze een gloednieuwe wiskundige motor gebouwd — een fancy rekenmachine, als het ware — die met deze rommelige, incomplete "modderige schoen"-gegevens kan omgaan, terwijl hij nog steeds de gegevens gebruikt om een scherper beeld te krijgen van hoe goed de "paraplu" werkt. Ze bewezen dat hun methode "multiply robust" is, wat een chique manier is om te zeggen dat het als een Zwitsers zakmes werkt: zelfs als een deel van de berekening er net naast zit, kunnen de andere delen de dag redden en een correct antwoord geven. Ze testten hun motor in computersimulaties, waarbij ze duizenden nep-onderzoeken creëerden om te zien of het werkte. Ze ontdekten dat wanneer de timing van de "modderige schoen" een goede aanwijzing was voor de hoofdgebeurtenis, hun methode de resultaten veel nauwkeuriger maakte — soms verminderde het de onzekerheid zelfs met een derde.
Ten slotte namen ze hun nieuwe motor mee naar een echte studie genaamd HVTN 704/HPTN 085. Dit was een grootschalige trial die een speciaal antilichaam (VRC01) testte, ontworpen om HIV-1 te stoppen — het virus dat AIDS veroorzaakt — bij een groep mannen die seks hebben met mannen. De onderzoekers wilden zien of het aanpassen voor de timing van bacteriële geslachtsziekten (STI's) — zoals gonorroe of syfilis — kon helpen. Deze STI's zijn een perfecte "modderige schoen", omdat het antilichaam ze niet stopt, maar het krijgen ervan suggereert dat een persoon werd blootgesteld aan risicovolle situaties waarin ook HIV aanwezig is.
De resultaten waren indrukwekkend. Toen het team hun nieuwe methode gebruikte om te corrigeren voor de tijd die deelnemers nodig hadden om deze bacteriële STI's te krijgen, verbeterde de precisie van hun schatting van hoe goed het antilichaam werkte aanzienlijk. Specifiek daalde de geschatte variantie (een maatstaf voor hoe vaag het resultaat is) met ongeveer 27%. Ter vergelijking: het gebruik van standaard basisinformatie (zoals leeftijd of risicoscores) verminderde de vaagheid slechts met ongeveer 2,5%. Dit suggereert dat door te luisteren naar de "modderige schoenen" (de STI's) en aandacht te besteden aan wanneer ze plaatsvonden, wetenschappers een veel duidelijker en krachtiger beeld kunnen krijgen van de vraag of een nieuw preventiemiddel werkt, zonder dat ze het ontwerp van de trial hoeven te veranderen of meer geld hoeven uit te geven. De auteurs suggereren dat deze aanpak een gamechanger kan zijn voor toekomstige onderzoeken naar infectieziekten, waarbij incomplete gegevens worden omgezet in een krachtig instrument om levens te redden.
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.