Jak správně interpretovat a hodnotit reprodukovatelnost statistických ukazatelů v klinických studiích

Při hodnocení výsledků klinických studií je důležité nejen vyhodnotit samotné hodnoty statistických ukazatelů, ale také zohlednit jejich reprodukovatelnost a spolehlivost. Příkladem může být analýza poměru rizika (hazard ratio), který je často používán pro porovnání rizika události mezi dvěma skupinami, například u pacientů s léčbou a placebo skupinou. Avšak samotný výpočet hazard ratio, ať už je statisticky významný, nebo ne, je jen prvním krokem v hodnocení výsledků studie.

Představme si příklad, kdy bylo v jedné studii pozorováno, že hazard ratio činí 0,67. Toto číslo naznačuje, že riziko dané události je o 33 % nižší ve skupině s léčbou než v placebo skupině. Ačkoli tento výsledek byl vyhodnocen jako statisticky významný, ukazuje se, že jeho reprodukovatelnost není dostatečná. Opatrnost je tedy na místě při extrapolaci těchto výsledků na širší populaci mimo rámec studovaných subjektů. Reprodukovatelnost těchto ukazatelů by měla být podrobena dalším analýzám a měla by být zohledněna při interpretaci dat.

Podobně u korelací mezi proměnnými, jako například změna hladin transthyretinu a změny v mNIS+7 skóre, je kladná korelace r = 0,59. Tato korelace, i když statisticky signifikantní, je moderátně reprodukovatelná. 95% interval spolehlivosti [0,49; 0,68] ukazuje na to, že by se korelační koeficient mohl v rámci podobných studií pohybovat v tomto rozmezí. To však neznamená, že tato korelace bude platit univerzálně. Například pokud by studie byla replikována s jinými skupinami pacientů, je možné, že výsledky nebudou přesně odpovídat původní studii, protože tento koeficient není zcela stabilní.

Další příklad se týká studie, kde hazard ratio pro infarkt myokardu bylo 0,89. Toto číslo naznačuje, že riziko infarktu je o 11 % nižší u pacientů léčených darapladibem než u těch, kteří dostali placebo. Nicméně 95% interval spolehlivosti [0,77; 1,03] ukazuje, že tento výsledek je na hranici statistické významnosti. Pro správné vyhodnocení je nezbytné interpretovat tento interval a zohlednit, že by v rámci replikovaných studií mohl tento poměr rizika kolísat mezi 0,77 a 1,03, což ukazuje na střední úroveň reprodukovatelnosti.

Při analýze reprodukovatelnosti je nutné vzít v úvahu i metodologické aspekty studií, jako je náhodné přiřazení účastníků k různým skupinám (placebo versus léčba) a velikost vzorku. Studie s malým počtem účastníků mohou vykazovat větší variabilitu v odhadech rizika a korelací, což může zkreslit interpretaci výsledků.

Závěrem je třeba zdůraznit, že při hodnocení klinických studií a jejich výsledků je nezbytné zohlednit nejen samotné statistické ukazatele, ale i jejich reprodukovatelnost a schopnost být aplikovány na širší populaci. Korelace, hazard ratio a další statistické ukazatele mohou být užitečné, ale vždy je nutné přistupovat k jejich interpretaci s opatrností a vědomím možných variací v závislosti na konkrétní studii, populaci a metodologii.

Jak správně interpretovat nepaired kvantitativní soubory dat v lékařských studiích?

V lékařských studiích je často nezbytné pracovat s kvantitativními daty, která poskytují cenné informace o různých zdravotních jevech a jejich vlivu na pacienty. Jedním z klíčových aspektů, který ovlivňuje správnou interpretaci těchto dat, je určení, zda jsou soubory dat spárované nebo nespojené. V mnoha případech jsou soubory dat nespojené (unpaired), což může způsobit, že jejich popis a analýza budou často zjednodušené nebo matoucí, pokud není správně zohledněn způsob, jakým byly data získána. Tato kapitola se zaměřuje na to, jak správně číst a informativně reportovat data, která jsou nespojená, a jakým způsobem lze jejich distribuci využít pro rozumnou analýzu.

Nezáleží jen na samotném faktu, že data jsou nespojená, ale také na způsobu, jakým jsou v medicínských studiích sbírána a jak jsou v nich rozpoznávány rozdíly. Klíčovým prvkem v těchto studiích jsou tzv. randomizované klinické studie, které jsou navrženy tak, aby přidělovaly účastníky k různým léčebným skupinám na základě náhodného výběru. Zda jsou data z těchto studií spárovaná nebo nespojená, závisí na konkrétním způsobu randomizace, tedy na tom, zda je každý účastník jednoznačně spárován s jiným účastníkem z jiné skupiny, nebo zda jsou jednotlivé skupiny vytvořeny bez vzájemného párování účastníků.

V randomizovaných studiích existují dva základní typy designu: úplně randomizované designy a randomizované blokové designy. V úplně randomizovaném designu mají všichni účastníci stejnou šanci být přiřazeni do kterékoli ze skupin. Pokud jde o randomizované blokové designy, účastníci jsou rozděleni do bloků podle specifických kritérií a následně je randomizace aplikována uvnitř každého bloku. V případě úplně randomizovaných designů budou výsledky mezi jednotlivými skupinami nespojené, ale v blokových designích mohou být soubory dat spárovány v závislosti na konkrétních kritériích pro stratifikaci účastníků.

Pokud jde o kohortové studie, zde se účastníci rozdělí na skupiny na základě specifických charakteristik, a to buď spárováním, nebo bez něj. Kohortové studie, které nejsou spárovány, mají data nespojená. Pokud jsou však účastníci ve skupinách spárováni podle konkrétních charakteristik, data budou spárována. Podobně to funguje i u studií případů a kontrol, které zahrnují pacienty s nemocí a kontrolní skupiny bez této nemoci. V tomto případě mohou být data spárována, pokud je každý kontrolní subjekt spárován s konkrétním pacientem, jinak jsou data nespojená.

Pro správnou analýzu a reportování takovýchto nespojených dat je nezbytné soustředit se na konkrétní charakteristiky jejich distribucí. Například v příkladu, kde byly měřeny hodnoty tuhosti srdečních komor u pacientů s diastolickým srdečním selháním, bylo patrné, že hodnoty tuhosti byly u pacientů s tímto onemocněním vyšší než u kontrolních skupin. Tato rozlišující vlastnost je zřejmá pouze tehdy, pokud se pozorně zaměříme na rozdělení dat mezi oběma skupinami. Pokud bychom se soustředili pouze na průměrné hodnoty bez zohlednění celkové distribuce dat, mohli bychom dojít k chybným závěrům.

V dalším příkladu, kde byly analyzovány poměry syntézy β-globinu mezi dětmi matek diabetiček a dětmi z normálních rodin, bylo zjištěno, že děti matek diabetiček měly výrazně nižší poměry syntézy. Tato data byla opět nespojená, což je důležité brát v úvahu při jejich analýze. I zde platí, že pokud by se výsledky analyzovaly pouze na základě průměrů, mohlo by dojít k opomenutí skutečné variability mezi jednotlivými měřeními.

Při práci s nespojenými kvantitativními daty je klíčové věnovat pozornost nejen průměrným hodnotám nebo "statistickým významnostem", ale zejména distribucím dat. Jakékoliv rozdíly mezi skupinami je nutné posuzovat v kontextu těchto distribucí a pochopit, že rozdíly, které mohou vypadat jako významné, mohou být pouze výsledkem náhodné variability nebo překrývajících se rozsahů hodnot.

Jak interpretovat a analyzovat nepaired kvalitativní datové soubory v klinických studiích?

Jedním z příkladů je studie STABILITY (2014), která zkoumala účinnost léčby darapladibem u pacientů se stabilní chronickou ischemickou chorobou srdeční. V této studii byli pacienti náhodně přiřazeni buď do skupiny s darapladibem, nebo do skupiny s placebem. Výsledky byly následně analyzovány s ohledem na primární výsledek, kterým byla doba do výskytu kardiovaskulární smrti, infarktu myokardu nebo urgentní koronární revaskularizace.

Při vyhodnocení těchto výsledků bylo zjištěno, že v darapladibové skupině došlo k primárnímu výsledku u 9,7 % pacientů, zatímco v placebové skupině to bylo 10,4 %. Z této hodnoty bylo spočítáno hazardní ratio, které ukázalo na mírně nižší riziko primárního výsledku u darapladibu (hazardní ratio 0,94). I když hodnota P (0,20) nenaznačuje statistickou významnost, přesto ukazuje, že rozdíl mezi skupinami není dostatečně silný, aby mohl být považován za jednoznačný. Důležité je si uvědomit, že tyto analýzy vychází z dat o pacientech, kteří byli pouze přiřazeni k léčbě, nikoliv těm, kteří ji skutečně dostali. To je typické pro analýzu podle principu "intention-to-treat".

Podobný přístup se objevuje i v analýze, která zkoumá účinnost různých léčebných možností u dětí s otorrheou po tympanostomii. V této studii byly děti náhodně přiřazeny do tří skupin, které dostávaly různé typy léčby: antibioticko-glukokortikoidní ušní kapky, orální antibiotika a pozorování. Výsledky ukázaly, že 5 % dětí v skupině s ušními kapkami mělo neúspěch léčby, zatímco ve skupině s orálními antibiotiky to bylo 44 % a v skupině s pozorováním 55 %. Tyto rozdíly ukazují na výhody eardrop terapie, přičemž ukazatel "počet potřebných k léčbě" (NNT) ukazuje, že k dosažení úspěchu je potřeba léčit více dětí v jiných skupinách.

Při vyhodnocování studií, které využívají nepaired kvalitativní data, je nezbytné mít na paměti, že chybí přímé propojení mezi účastníky jednotlivých skupin. To znamená, že je třeba dbát na správnou interpretaci výsledků. I když statistické hodnoty, jako jsou hazardní ratio nebo poměr rizik, mohou být zajímavé, vždy je nutné je chápat v kontextu celkového návrhu studie a potenciálních chyb způsobených například neúplnými daty nebo porušením protokolu.

Také je důležité správně interpretovat Kaplan-Meierovy křivky, které poskytují odhady pravděpodobnosti přežití nebo výskytu určitého výsledku v závislosti na čase. I když tyto křivky mohou ukázat, že jedna léčba je účinnější než jiná, vždy by měly být posuzovány v kontextu dalších statistických ukazatelů, které mohou poskytnout lepší představu o celkovém účinku léčby.