Blog

Apr 22, 2024

Utilizzo dei giorni di vita senza supporto vitale e risultati di conteggio simili in studi clinici randomizzati

BMC Medical Research Methodology volume 23, Numero articolo: 139 (2023) Cita questo articolo 1005 Accessi 1 Citazioni 12 Dettagli metriche altmetriche Giorni di vita senza supporto vitale (DAWOLS) e simili

BMC Medical Research Methodology volume 23, numero articolo: 139 (2023) Citare questo articolo

1005 accessi

1 Citazioni

12 Altmetrico

Dettagli sulle metriche

I giorni vivi senza supporto vitale (DAWOLS) e risultati simili che cercano di riassumere le esperienze di mortalità e non mortalità sono sempre più utilizzati nella ricerca in terapia intensiva. L’uso di questi risultati è messo in discussione da diverse definizioni e distribuzioni di risultati non normali che complicano le decisioni di analisi statistica.

Abbiamo esaminato le considerazioni metodologiche centrali quando si utilizza DAWOLS e risultati simili e forniamo una descrizione e una panoramica dei pro e dei contro di vari metodi statistici per l’analisi integrati con un confronto di questi metodi utilizzando i dati dello studio clinico randomizzato COVID STEROID 2. Ci siamo concentrati su modelli di regressione prontamente disponibili di crescente complessità (modelli lineari, binomiali hurdle-negative, beta zero-uno-inflazionato e modelli di regressione logistica cumulativa) che consentono il confronto di più bracci di trattamento, l’aggiustamento per covariate e termini di interazione per valutare l’eterogeneità degli effetti del trattamento .

In generale, i modelli più semplici stimano adeguatamente le medie del gruppo nonostante non adattino i dati abbastanza bene da imitare i dati di input. I modelli più complessi si adattavano meglio e quindi replicavano meglio i dati di input, anche se ciò comportava una maggiore complessità e incertezza delle stime. Sebbene i modelli più complessi possano modellare componenti separati delle distribuzioni dei risultati (ad esempio, la probabilità di avere DAWOLS pari a zero), questa complessità significa che la specificazione dei valori a priori interpretabili in un contesto bayesiano è difficile.

Infine, presentiamo numerosi esempi di come questi risultati possono essere visualizzati per facilitare la valutazione e l’interpretazione.

Questo riepilogo delle considerazioni metodologiche centrali durante l'utilizzo, la definizione e l'analisi di DAWOLS e risultati simili può aiutare i ricercatori a scegliere il metodo di definizione e analisi che meglio si adatta ai loro studi pianificati.

Studio COVID STEROID 2, ClinicalTrials.gov: NCT04509973, ctri.nic.in: CTRI/2020/10/028731.

Rapporti di peer review

La mortalità è stata tradizionalmente l’esito primario nella maggior parte degli studi clinici randomizzati (RCT) su pazienti critici [1]. Tuttavia, i risultati del conteggio come il numero di giorni di vita senza supporto vitale (DAWOLS; in genere include l'uso di ventilazione meccanica, vasopressori/inotropi o terapia sostitutiva renale) e i giorni di vita fuori dall'ospedale (DAOH) sono sempre più utilizzati [2]. Ciò è motivato dal fatto che questi risultati trasmettono più informazioni rispetto ai risultati binari come la mortalità [3], e il loro utilizzo può ridurre il rischio di studi randomizzati inconcludenti a causa della mancanza di potere di rifiutare dimensioni degli effetti clinicamente importanti per la mortalità [4, 5 ]. Inoltre, questi risultati non considerano solo la mortalità, ma anche l’uso delle risorse, e poiché considerano sia la gravità della malattia (lunghezza dei periodi di supporto vitale o ricovero ospedaliero) che la mortalità, questi risultati possono essere considerati importanti per il paziente [2, 6,7 ,8] e possono essere ulteriormente associati ad altri esiti avversi [6, 7]. Infine, questi esiti incorporano facilmente eventi accaduti (ad esempio, nuovi episodi di supporto vitale o riammissioni).

Tuttavia, l’utilizzo, l’analisi e la segnalazione di DAWOLS, DAOH e risultati simili comportano sfide rispetto a quelli relativi alla mortalità [2]. Queste sfide sono legate alle definizioni dei risultati, inclusa la gestione della morte e delle distribuzioni non normali, che complicano le analisi statistiche e possono influenzare la scelta delle stime (la quantità stimata in un'analisi statistica) e delle misure degli effetti. [2]. Di conseguenza, questi risultati vengono spesso analizzati utilizzando vari metodi, inclusi sia metodi basati sulla regressione che test non parametrici [2]. I test non parametrici sono stati precedentemente raccomandati [9] e sono frequentemente utilizzati [2], ma presentano importanti limitazioni che ne ostacolano l'utilità in progetti RCT più complessi (ad esempio, studi multi-braccio o studi su piattaforma adattiva [10]). In primo luogo, la maggior parte dei test statistici non parametrici fornisce principalmente valori P senza quantificare l’entità dell’effetto e l’incertezza, necessari per valutare l’importanza clinica dell’effetto del trattamento. In secondo luogo, la maggior parte dei test non parametrici precludono l'aggiustamento per le covariate (ad esempio, il test della somma dei ranghi di Mann–Whitney U/Wilcoxon) o consentono solo la stratificazione a variabile singola (ad esempio, il test di van Elteren), e la maggior parte può confrontare solo due gruppi alla volta [9]. Pertanto, i metodi basati sulla regressione che consentono non solo di testare ipotesi nulle, ma anche di stimare le dimensioni dell’effetto possono essere più appropriati e informativi [11] e sono sempre più utilizzati per questi risultati [2].