📄 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

Deze studie toont aan dat het opnemen van onzekerheid met betrekking tot het verwachte behandelingseffect in de berekeningen van de steekproefomvang voor anesthesie- en intensieve zorgstudies de vereiste aantallen deelnemers substantieel verhoogt vergeleken met conventionele methoden, waardoor de haalbaarheid van veel voorgestelde gerandomiseerde trials wordt uitgedaagd.

Oorspronkelijke auteurs: Sidebotham, D., Barlow, J.

Gepubliceerd 2026-06-22

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sidebotham, D., Barlow, J.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je een enorme kookwedstrijd plant om te zien of een nieuw geheim specerijtje een soep lekkerder maakt. Om te bewijzen dat het werkt, moet je genoeg juryleden (deelnemers) uitnodigen om er absoluut zeker van te zijn dat het resultaat niet gewoon geluk is.

Dit artikel gaat over hoe onderzoekers in de anesthesie en intensieve zorg deze "wedstrijden" (klinische trials) plannen en waarom ze veel minder juryleden uitnodigen dan ze denken nodig te hebben.

De Oude Manier: De "Perfecte Gok" Valstrik

Traditioneel, wanneer wetenschappers een trial plannen, maken ze een vaste gok over hoeveel beter de nieuwe behandeling zal zijn.

Het Scenario: Ze zeggen: "Ik weet 100% zeker dat dit nieuwe medicijn het sterftecijfer met 10% zal verlagen."
De Berekening: Gebaseerd op die vaste gok van 10%, berekenen ze dat ze bijvoorbeeld 800 mensen nodig hebben om te bewijzen dat het werkt.
Het Probleem: In de echte wereld weten we dat zelden precies. Misschien werkt het medicijn slechts 5% van de tijd, of werkt het helemaal niet. Door te doen alsof ze het exacte getal weten, zetten ze een valstrik. Als hun gok te optimistisch is, eindigt de trial met te weinig mensen, en kunnen ze een echt effect missen (een "vals negatief") of, als ze wel een resultaat vinden, kan het een toevalstreffer zijn.

De Nieuwe Manier: De "Onzekerheidsparaplu"

De auteurs stellen een slimmere manier voor genaamd Assurance (Zekerheid). In plaats van te doen alsof ze het exacte effect weten, geven ze toe: "We denken dat het een verbetering van 10% is, maar het zou realistisch gezien overal kunnen liggen tussen een verbetering van 20% en een verslechtering van 2%."

Ze gebruiken een hulpmiddel genaamd een Design Prior om deze onzekerheid in kaart te brengen. Denk hierbij aan een paraplu die alle mogelijke uitkomsten dekt, niet alleen de uitkomst die ze hopen.

De Grote Ontdekking: Je Hebt een Veel Grotere Tent Nodig

Wanneer de onderzoekers de cijfers draaien met behulp van deze "onzekerheidsparaplu", kwamen ze tot een verbazingwekkende conclusie: Je hebt veel meer mensen nodig om dezelfde mate van vertrouwen te krijgen.

De Analogie: Stel je voor dat je probeert een fluistering te horen in een lawaaierige kamer.
- De Oude Methode gaat ervan uit dat de kamer perfect stil is. Je denkt dat je slechts 100 mensen nodig hebt om de fluistering te horen.
- De Nieuwe Methode geeft toe dat de kamer eigenlijk lawaaierig is en dat de fluistering misschien wel zachter is dan verwacht. Om die fluistering duidelijk te horen in het lawaai, heb je eigenlijk 300 mensen nodig.

De paper vond dat wanneer onderzoekers rekening houden met realistische onzekerheid (een "Coefficient of Variation" of CV van 0,5, wat zij als een realistisch niveau van twijfel beschouwen), het aantal benodigde mensen met 1,5 tot 3,5 keer stijgt.

Het "Plafond" op Succes

Het paper ontdekte ook een harde limiet, zoals een glazen plafond.

Als je onzekerheid te groot is (wat betekent dat je heel onzeker bent of de behandeling überhaupt wel werkt), is er een punt waarop geen enkele hoeveelheid extra mensen ooit een succesvolle trial zal garanderen.
Het is alsof je probeert een specif kind specifiek zandkorrel op een strand te vinden. Als je niet eens weet op welk strand het is, zal het toevoegen van meer emmers zand je niet helpen om het te vinden. De wiskunde laat zien dat als je onzekerheid te groot is, de maximale kans op succes wordt beperkt tot een bepaits percentage, ongeacht hoe groot de trial ook wordt.

Waarom Dit Belangrijk Is voor Anesthesie en Intensive Care

De auteurs wijzen erop dat veel grote trials in deze vakgebieden er niet in slagen om statistisch significante resultaten aan te tonen. Ze suggereren dat dit niet alleen pech is; het komt doordat de trials werden gepland met de "Perfecte Gok"-methode. Ze hebben te weinig mensen uitgenodigd omdat ze geen rekening hielden met het feit dat het effect van de behandeling onzeker is.

De Kern van het Verhaal

De Bewering: Rekening houden met het feit dat we het exacte effect van de behandeling niet weten, dwingt ons om aanzienlijk meer patiënten te rekruteren om zeker van de resultaten te zijn.
De Aanbeveling: De auteurs suggereren om een specifiek niveau van onzekerheid (een CV van 0,5) als standaard "default" instelling te gebruiken. Dit balanceert tussen realistisch zijn over wat we niet weten en het nog steeds mogelijk maken om een trial uit te voeren.
Het Resultaat: Als onderzoekers dit doen, zullen ze beseffen dat hun trials veel groter moeten zijn om haalbaar te zijn, of ze zullen beseffen dat sommige zeer kleine effecten simpelweg te moeilijk te bewijzen zijn met de huidige middelen.

Kortom: Stop met doen alsof je het exacte antwoord al weet voordat je begint. Als je toegeeft dat je aan het gokken bent, zul je beseffen dat je een veel grotere menigte nodig hebt om de waarheid zeker te weten.

Technische Samenvatting: Rekening houden met onzekerheid bij de verwachte behandelingseffecten

Probleemstelling
Multicenter gerandomiseerde trials in de anesthesie en intensieve zorg rapporteren frequent lage percentages statistisch significante verschillen. De auteurs stellen dat dit fenomeen deels toe te schrijven is aan conventionele methoden voor de berekening van de steekproefomvang, die uitgaan van een vast behandelingseffect. Deze "conditionele kracht"-methoden (conditional power) houden geen rekening met de werkelijke onzekerheid over de verwachte effectgrootte—een fundamentele realiteit die vaak juist de aanleiding vormt voor de trial. Wanneer onderzoekers de plausibele effectgrootte overschatten (wat een veelvoorkomend verschijnsel is), valt de behaalde power van de studie lager uit dan de ontworpen power, wat het risico op Type II-fouten en de "winner's curse" (waarbij significante resultaten het ware effect overschatten) vergroot. Het artikel behandelt de noodzaak van methoden die deze onzekerheid meenemen om meer realistische schattingen van de steekproefomvang te geven.

Methodologie
De studie maakte gebruik van simulaties in R om drie benaderingen te vergelijken voor het schatten van de power en de steekproefomvang in two-arm gerandomiseerde trials met binaire uitkomsten (verwacht controle-eventpercentage van 50%):

Conventionele (conditionele) power: Gaat uit van een vast effect.
Frequentistische Assurance: Gebruikt een design-prior om de onzekerheid in het behandelingseffect ( $\beta_1$ ) te vertegenwoordigen en berekent de power door middel van Monte Carlo-integratie over plausibele effectgroottes.
Bayesiaanse Assurance: Gebruikt een design-prior voor zowel het controle-eventpercentage ( $\beta_0$ ) als het behandelingseffect ( $\beta_1$ ), simuleert data en past Bayesiaanse logistische regressiemodellen toe om het aandeel trials te bepalen dat aan een succes-criterium voldoet (posterior waarschijnlijkheid van voordeel > 97,5%).

Belangrijke methodologische kenmerken zijn onder meer:

Design Priors: Normale (Gaussiaanse) verdelingen werden gespecificeerd voor $\beta_1$ met een constante variatiecoëfficiënt (CV) variërend van 0,1 tot 2,0. Dit standaardiseerde de mate van onzekerheid in de design-prior over verschillende effectgroottes heen.
Effectgroottes: Vier scenario's werden getest met verwachte risicieverschillen (RD) van -10%, -5%, -2% en -1%.
Computationele efficiëntie: Om Bayesiaanse assurance computationeel hanteerbaar te maken, gebruikten en valideerden de auteurs een normale benadering van de Bayesiaanse posterior distributie, waarbij zij deze vergeleken met MCMC-sampling (Markov chain Monte Carlo) op een subset van de simulaties.
Theoretische afleiding: De auteurs leidden een theoretische limiet af voor de maximaal haalbare power ( $power_\infty$ ) wanneer de steekproefomvang naar oneindig gaat.

Belangrijkste Resultaten

Inflatie van de steekproefomvang: Het meenemen van onzekerheid via design-priors verhoogt de vereiste steekproefomvang aanzienlijk vergeleken met conventionele methoden. Bij een CV van 0,5 (wat een realistische onzekerheid in de prior vertegenwoordigt), vereisten zowel frequentistische als Bayesiaanse assurance-methoden steekproefomvang die ongeveer 1,5 tot 3,5 keer groter was dan de conventionele methode om 80% of 90% power te bereiken.
Theoretische Powerlimiet: De studie leidde een theoretisch plafond voor power af, gedefinieerd door de vergelijking $power_\infty = \Phi(1/CV)$ $p o w e r_{\infty} = Φ (1/ C V)$ , waarbij $\Phi$ $Φ$ de cumulatieve distributiefunctie van de standaard normale verdeling is. Deze limiet hangt uitsluitend af van de CV van de design-prior en is onafhankelijk van de effectgrootte of de inferentiële methodologie.
- Voor een CV van 0,5 is de maximaal haalbare power ~98%.
- Voor een CV van 1,19 daalt de maximaal haalbare power naar 80%.
- Voor een CV van 2,0 is de maximaal haalbare power ~69%.
Methodologische overeenstemming: Frequentistische en Bayesiaanse assurance-methoden produceerden vergelijkbare power-curves in alle scenario's. Kleine verschillen werden toegeschreven aan steekproefvariabiliteit, het regulariserende effect van zwak informatieve analyse-priors in de Bayesiaanse benadering, en het feit dat de Bayesiaanse methode de onzekerheid in het controle-eventpercentage ( $\beta_0$ ) meenam terwijl de frequentistische methode dit als vast beschouwde.
Validatie: De normale benadering van de Bayesiaanse posterior distributie kwam nauw overeen met de MCMC-resultaten, waardoor de rekentijd werd teruggebracht van dagen/weken naar minder dan 8 uur op een standaard laptop.

Betekenis en Claims
Het artikel claimt dat het rekening houden met klinische onzekerheid in het verwachte behandelingseffect cruciaal is voor de haalbaarheid van gerandomiseerde trials in de anesthesie en intensieve zorg. De auteurs stellen dat:

Implicaties voor de haalbaarheid: De substantiële toename van de vereiste steekproefomvang wanneer onzekerheid wordt meegerekend, suggereert dat veel trials, met name die gericht zijn op kleine effecten of met een hoge voorafgaande onzekerheid (hoge CV), onhaalbaar of aanzienlijk onderpowered kunnen zijn als ze met conventionele methoden worden ontworpen.
Verklaring voor lage succespercentages: Het niet meenemen van de werkelijke onzekerheid kan de lage proportie multicenter trials in deze vakgebieden verklaren die statistisch significante verschillen rapporteren.
Praktische aanbeveling: De auteurs suggereren een CV van ongeveer 0,5 als een redelijke standaard voor design-priors. Deze waarde accommodeert realistische onzekerheid terwijl het nog steeds mogelijk maakt om adequate power (bijv. 80-90%) te bereiken.
Methodologische bijdrage: De studie biedt een gevalideerde, computationeel efficiënte normale benadering voor de power van de Bayesiaanse assurance, wat deze methoden toegankelijker maakt voor trialplanning zonder de prohibitieve kosten van volledige MCMC-sampling.

Het artikel concludeert dat hoewel conventionele methoden uitgaan van een vast effect, assurance-methoden een realistischerere gids bieden voor de schatting van de steekproefomvang, wat direct bijdraagt aan beslissingen over de haalbaarheid van specifieke klinische trials.