Power Calculation for Noninferiority Stepped-Wedge Cluster Randomized Trials

In de wereld van medisch onderzoek moeten wetenschappers vaak nieuwe behandelingen testen op veel verschillende locaties, zoals ziekenhuizen of klinieken, in plaats van alleen op individuele patiënten. Wanneer een behandeling niet overal tegelijkertijd kan worden uitgerold — bijvoorbeeld omdat er niet genoeg personeel of apparatuur is om iedereen tegelijkertijd te trainen — gebruiken onderzoekers een ontwerp dat een 'stepped-wedge trial' wordt genoemd. Stel je een estafette voor waarbij elke hardloper tegelijkertijd start maar de finishlijn op verschillende momenten passeert; in dit onderzoeksontwerp begint elke groep met de standaardzorg en schakelt vervolgens één voor één over naar de nieuwe behandeling totdat iedereen de nieuwe optie heeft ontvangen. Deze aanpak is ethisch aantrekkelijk omdat geen enkele groep achterblijft zonder de nieuwe optie, en het stelt onderzoekers in staat om te vergelijken hoe groepen presteren vóór en na de overstap. Hoewel wetenschappers al lang weten hoe ze de kansen kunnen berekenen om te bewijzen dat een nieuwe behandeling beter is dan de oude, hebben ze een betrouwbaar instrument gemist om de kansen te berekenen om te bewijzen dat het net zo goed is. Dit onderscheid is diepgaand belangrijk wanneer een nieuwe behandeling goedkoper, veiliger of gemakkelijker in gebruik is, zelfs als deze iets minder effectief is dan de gouden standaard.

Een team van onderzoekers heeft deze kloof nu gedicht door een nieuwe methode te ontwikkelen om deze trials te plannen wanneer het doel is om aan te tonen dat een nieuwe aanpak niet slechter is dan de huidige. Ze ontwikkelden een computergestuurd hulpmiddel genaamd swNIsim, dat duizenden potentiële trialscenario's simuleert om te zien of een studieontwerp zal werken. In plaats van te vertrouwen op rigide formules die uitgaan van eenvoudige omstandigheden, bootst dit hulpmiddel de rommelige realiteit van echte studies na. Het kan situaties aan kunnen waarbij sommige ziekenhuizen groter zijn dan andere, waar het aantal patiënten van week tot week varieert, of waar de nieuwe behandeling tijd nodig heeft om te beginnen met werken. De onderzoekers testten hun methode met zowel continue metingen, zoals het aantal dagen dat een patiënt aan een beademingsapparaat ligt, als binaire uitkomsten, zoals of een patiënt werd opgenomen in het ziekenhuis of niet. Door deze simulaties uit te voeren, ontdekten zij dat de belangrijkste factor voor een succesvolle trial niet noodzakelijkerwijs het aantal betrokken ziekenhuizen is, maar het aantal tijdsperioden waarover de studie loopt.

De onderzoekers ontdekten dat het spreiden van de studie over meer tijdsperioden consequent de kansen vergrootte om een echt effect te detecteren, bij een vastgesteld totaal aantal patiënten. Hoewel het toevoegen van meer ziekenhuizen aan de mix enigszins hielp, was dit niet zo krachtig als simpelweg de tijdlijn verlengen. Ze merkten ook op dat wanneer de verschillen tussen ziekenhuizen zeer groot waren, het moeilijker werd om een duidelijk resultaat te vinden, maar dat de methode robuust bleef. Cruciaal was dat het hulpmiddel liet zien dat het balanceren van het aantal ziekenhuizen in elke groep efficiënter is dan het hebben van ongelijke groepen. De simulaties bevestigden dat de methode het risico op valse alarmen zeer laag houdt, wat ervoor zorgt dat wanneer een trial concludeert dat de nieuwe behandeling acceptabel is, die conclusie statistisch onderbouwd is. Het team merkte ook op dat als een studie tijdsperioden bevat waarin geen echte verandering plaatsvindt, het verwijderen van die tijdsfactoren uit de analyse de resultaten duidelijker kan maken, hoewel onderzoekers in de praktijk deze meestal behouden om rekening te houden met natuurlijke trends in de tijd.

Om te bewijzen dat het hulpmiddel in de echte wereld werkt, pasten de auteurs het toe op twee bestaande studies. De eerste betrof een trial voor patiënten aan beademingsapparatuur, waarbij het doel was om te zien of een nieuw zorgpad een hoog aantal dagen zonder ademhalingsondersteuning kon handhaven. Met behulp van hun nieuwe methode berekenden zij dat een specifiek aantal patiënten per ziekenhuis per tijdsperiode nodig zou zijn om met vertrouwen te kunnen zeggen dat de nieuwe methode niet slechter was dan de oude. Het tweede voorbeeld keek naar een trial in spoedeisende hulpafdelingen gericht op het verminderen van ziekenhuisopnames. Hier hielp het hulpmiddel bij het bepalen van de benodigde omvang van de studie-groepen om aan te tonen dat een nieuw palliatief zorgprogramma vergelijkbaar is met de standaardzorg. Deze voorbeelden demonstreerden dat de software complexe, real-world parameters kon afhandelen en duidelijke richtlijnen kon bieden over hoeveel deelnemers nodig zijn.

De auteurs benadrukken dat hoewel hun methode flexibel en krachtig is, het geen wondermiddel is dat alle onzekerheid wegneemt. Het hulpmiddel vertrouwt op computersimulaties, die rekenintensiever zijn dan eenvoudige berekeningen, maar die extra inspanning maakt het mogelijk om de ingewikkelde ontwerpen te behandelen die de moderne geneeskunde vaak vereist. Ze wijzen er ook op dat hun huidige model uitgaat van een specifiek type verbinding tussen patiënten in hetzelfde ziekenhuis, en dat toekomstige versies mogelijk complexere patronen moeten meenemen in hoe patiënten elkaar in de loop van de tijd beïnvloeden. Desalniettemin, door een gratis softwarepakket beschikbaar te stellen dat onderzoekers onmiddellijk kunnen gebruiken, biedt dit werk een praktische manier om betere, efficiëntere trials te ontwerpen. Het zorgt ervoor dat wanneer wetenschappers zich erop richten om te bewijzen dat een nieuwe behandeling goed genoeg is, ze niet gokken, maar in plaats daarvan vertrouwen op een plan dat grondig is getest tegen de realiteit van hoe de medische zorg daadwerkelijk wordt geleverd.