Hvordan forstå og bruke incidens- og prevalensrater i kliniske studier

Incidensrater og prevalensrater er sentrale verktøy i analyse av kliniske studier, da de gir innsikt i frekvensen og fordelingen av hendelser innen en studiepopulasjon. Begge typer rater er nødvendige for å forstå sannsynligheten for at et gitt utfall skjer over tid, men de må brukes og tolkes riktig for å få et nøyaktig bilde av de undersøkte forholdene.

Incidensrate refererer til antallet nye tilfeller av en spesifikk hendelse som skjer i løpet av en viss tidsperiode, delt på det totale antallet individer som er i fare for å oppleve hendelsen. En kumulativ incidensrate gir en vurdering av sannsynligheten for at en hendelse inntreffer over en fastsatt periode, mens en gjennomsnittlig incidensrate vurderer sannsynligheten for hendelser i løpet av hele oppfølgingsperioden. Denne informasjonen gir forskere et klart bilde av risikoen for ulike hendelser i studien, for eksempel død eller behandlingssvikt.

På den annen side brukes prevalensrate til å vurdere hvor vanlig en bestemt tilstand er på et spesifikt tidspunkt, eller i løpet av en bestemt tidsperiode. Prevalens er ofte uttrykt som en prosentandel, hvor tellerne representerer antall individer som har tilstanden, og nevneren representerer den totale studiegjennomgangen. Når prevalensrater brukes, gir de en oversikt over hvor utbredt en tilstand er i studien, og gir dermed en indikasjon på hvor stor del av populasjonen som er berørt på et gitt tidspunkt.

Videre er det viktig å merke seg at vurderingen av odds kan være nyttig når man ønsker å analysere sannsynligheten for at et spesifikt utfall skjer i en gruppe. Odds kan beregnes som forholdet mellom sannsynligheten for at en hendelse skjer og sannsynligheten for at den ikke skjer. Dette gir et alternativt mål på risiko, og i mange tilfeller kan odds gi et mer presist bilde av relativ risiko mellom to grupper.

Når man arbeider med uparrede kvalitative datasett, er det ofte hensiktsmessig å presentere resultatene i form av en kontingenstabell. En kontingenstabell gir et lettfattelig format for å visualisere data, der ulike kategorier eller utfall er plassert på radene og kolonnene, og prosentandeler samt antall observasjoner for hvert utfall vises. Slike tabeller er spesielt nyttige når antallet kategorier eller datasett er større enn to, og de gir en omfattende oversikt over fordelingen av observasjonene.

Det er viktig å forstå at når man tolker slike tabeller, blir prosentandelene beregnet på grunnlag av antallet individer i hver gruppe, som er bestemt av studieoppsettet, og antallet personer som faktisk opplever utfallet (f.eks. død eller behandlingssvikt), som er et resultat av studien. Disse prosentene gir en funksjonell vurdering av risikoen for hendelser, og brukes ofte som kumulative incidensrater for å uttrykke risikoen for dødelighet eller andre utfall over en spesifisert periode.

I tillegg til de mer tradisjonelle incidens- og prevalensratene, finnes det også andre metoder for å vurdere sannsynligheten for at hendelser skjer, for eksempel person-tids incidensrate og Kaplan-Meier-estimater. Person-tids incidensrate er et forhold mellom antall hendelser og den totale oppfølgingstiden for alle individene i studien, og gir dermed et mål på hvor ofte hendelser skjer i løpet av den tiden deltakerne ble fulgt opp. Denne metoden er spesielt nyttig når man ønsker å vurdere hendelser som skjer på ulike tidspunkter i løpet av studien, og når deltakerne ikke nødvendigvis følges opp i samme tidsrom.

Kaplan-Meier-estimater brukes for å beregne sannsynligheten for at en hendelse ikke inntreffer over tid, og er et vanlig verktøy for å analysere overlevelse og andre tid-til-hendelse data. Denne metoden tar hensyn til censurering, det vil si tilfeller der individer ikke har opplevd den aktuelle hendelsen før slutten av oppfølgingstiden, og gir en mer presis vurdering av sannsynligheten for at hendelsen skjer på et gitt tidspunkt.

For å oppsummere er det viktig å forstå at forskjellige typer rater og beregningsmetoder gir ulike perspektiver på risiko og fordeling av hendelser i en studie. Incidens- og prevalensrater gir informasjon om hyppigheten av hendelser og tilstander, mens odds og kontingenstabeller hjelper til med å vurdere forholdet mellom ulike utfall. Person-tids incidensrate og Kaplan-Meier-estimater gir ytterligere innsikt i tidspunktene for hendelser og sannsynligheten for at disse skjer over tid.

Det er også viktig å merke seg at disse verktøyene ikke fungerer isolert, men i sammenheng med hverandre. For en fullstendig forståelse av studiens funn, bør man ikke bare stole på en enkelt type rate eller beregning, men vurdere resultatene i lys av flere metoder og statistiske verktøy. Dette gir en mer helhetlig vurdering av studiens resultater og gir forskere muligheten til å trekke mer presise konklusjoner om effekten av behandlingen eller tilstanden som undersøkes.

Hvordan vurdere risiko i kliniske studier: En analyse av forskjellige mål for risikodistinksjon

I kliniske studier er det viktig å nøyaktig vurdere forskjellen i risiko mellom behandlingsgrupper. Dette kan gjøres ved hjelp av ulike metoder for å analysere resultatene, som for eksempel ved å bruke absolutt risikodifferanse, risikoforhold eller hazard ratio. Disse metodene gir oss innsikt i hvor stor risikoen er for en gitt hendelse under ulike behandlinger, men de gir også forskjellige perspektiver på dataene.

Et typisk eksempel på hvordan man kan bruke risikodifferanse og risikoforhold finner vi i en studie av Kadish og kolleger (2004), hvor de analyserte dødeligheten i en ICD-gruppe sammenlignet med en standard behandling. Beregningene viste en forskjell på -3.6% i den absolutte risikoen for dødelighet etter ett år, noe som indikerte at ICD-gruppen hadde en lavere dødsrisiko. Samtidig viste risikoforholdet på 0.42 at risikoen for dødelighet i ICD-gruppen var mindre enn halvparten av risikoen i standardbehandlingsgruppen. På den andre siden, etter to år, var den absolutte risikoen for dødelighet i ICD-gruppen 6.2% lavere enn i standardbehandlingsgruppen, og risikoforholdet var 0.56, noe som indikerte at risikoen for dødelighet var betydelig lavere for ICD-behandlingen.

En annen studie, van Gelder et al. (2002), sammenlignet to behandlingsregimer for vedvarende atrieflimmer: ratekontroll og rytmekontroll. Studien viste at ratekontrollgruppen hadde en lavere forekomst av primærhendelsen (kompositt av dødelighet, hjertesvikt, tromboemboli, og komplikasjoner fra medisiner) sammenlignet med rytmekontrollgruppen. Den absolutte differansen var -5.4%, noe som indikerte at ratekontrollgruppen hadde 5.4 prosentpoeng lavere risiko for den primære hendelsen. Risikoforholdet var 0.76, som antydet at risikoen i ratekontrollgruppen var 76% av risikoen i rytmekontrollgruppen. Her er en viktig påminnelse om at risikoen kan vurderes både ved hjelp av absolutte tall og forhold, og begge gir forskjellige men komplementære perspektiver på dataene.

Selv om slike analyser gir viktig informasjon om risikoen for forskjellige behandlinger, er det nødvendig å merke seg at de kan ha sine begrensninger. For eksempel, risikoen for primære hendelser i studien av van Gelder et al. (2002) ble beregnet på et intention-to-treat-prinsipp, hvor deltakerne ble vurdert uavhengig av om de faktisk mottok den tildelte behandlingen. Dette prinsippet kan gi et mer realistisk bilde av behandlingens effektivitet i en virkelighetsnær setting, men det kan også føre til at dataene ikke fullt ut reflekterer den faktiske effekten av behandlingen.

En annen metode som ofte brukes for å vurdere risikodistinksjon er hazard ratio, som oppnås gjennom Cox-proportionale farer regresjon. Denne modellen tar hensyn til både tid til hendelse og behandlingens effekt på risikoen over tid. Hazard ratio er et nyttig verktøy for å vurdere risikoen i studier der tidsaspektet spiller en viktig rolle, som for eksempel i studier som involverer overlevelse eller alvorlige sykdomsutviklinger. Et klassisk eksempel er studien av Combes et al. (2018), hvor en hazard ratio på 0.70 indikerte at risikoen for død var betydelig lavere i ECMO-gruppen sammenlignet med kontrollgruppen, og nærmere bestemt var risikoen omtrent 70% av kontrollgruppens risiko.

Det er imidlertid viktig å forstå at hazard ratio alene ikke gir et fullstendig bilde av behandlingsutviklingen. Denne metoden gir en relativ vurdering av risikoen, men den gir ikke direkte informasjon om den absolutte risikoen for hendelsen. Derfor er det viktig å bruke flere mål sammen for å få en mer komplett forståelse av behandlings effektene.

Videre bør leseren være oppmerksom på at det finnes en rekke faktorer som kan påvirke hvordan disse målene bør tolkes. Studienes design, deltakeres egenskaper og behandlingsmetoder kan alle spille en rolle i hvordan risikoen vurderes og hvordan resultatene bør forstås. Dette understreker behovet for en grundig tolkning av dataene, hvor både statistiske mål og klinisk betydning tas i betraktning.

Endtext

Hvordan vurderes risiko i behandlingsgrupper: Subgruppanalyse og dens betydning

De røde kurvene i den foreliggende studien antyder at risikoen for det sammensatte primære utfallet i den radiale arteriegruppen var noe lavere enn i gruppen som fikk brukt saphenous vene, både på kort og lang sikt. Etter omtrent ni år var risikoen 20 % høyere for gruppen som fikk saphenous vene. Risikoen for død, hjerteinfarkt eller revaskularisering var konsekvent lavere i den radiale arteriegruppen enn i saphenous venegruppen, spesielt når oppfølgingsperioden ble utvidet fra ett til ni år.

Når vi ser på subgruppanalyser, finner vi at både gjennomsnittlige og kumulative hendelsesrater samt Kaplan–Meier estimater for sannsynlighet er nyttige vurderinger for å fastslå sannsynligheten for ulike hendelser. For å vurdere forskjeller mellom behandlingsgruppene, benyttes ikke bare estimater av hendelsesfrekvenser, men også ratioer som vurderer sannsynligheten for at et utfall skjer. Disse ratioene hjelper til med å sammenligne risikoen mellom ulike behandlinger og gir innsikt i hvordan ulike faktorer kan påvirke risikoen.

Subgruppanalyse er et viktig verktøy for å evaluere hvordan ulike egenskaper ved deltakerne, som kjønn, alder og helsetilstand, kan påvirke sannsynligheten for at et gitt utfall skjer. Dette er avgjørende, for det er ikke alltid at generelle konklusjoner fra hovedanalysen er representative for alle individer i studien. Subgruppanalysene tillater en mer nyansert forståelse av hvordan enkelte faktorer kan forandre risikoen i ulike pasientgrupper.

En praktisk metode for å vurdere hvordan risikoen påvirkes av en spesifikk egenskap er å analysere resultatene i grupper delt opp etter de egenskapene man ønsker å studere. Dette kan for eksempel være subgrupper basert på kjønn eller blodtrykk. Van Gelder og kollegaer (2002) for eksempel, presenterte data som viste at kvinner og personer med høyt blodtrykk hadde en høyere risiko for det primære utfallet ved rytmekontroll sammenlignet med takykardi-kontroll. Dette viser hvordan risikoen kan variere med spesifikke pasienttrekk, og at det er viktig å vurdere disse når man sammenligner behandlingseffekter.

Når det gjelder resultater som for eksempel i studien av Gaudino og andre (2018), er det viktig å merke seg at selv om de generelle resultatene peker på en lavere risiko for sykdomsresidiv og død i kirurgi pluss HIPEC-gruppen, kan slike resultater være forskjellige når man ser på pasienter med tidligere kirurgi versus de uten. Dette er en påminnelse om at risikovurdering ikke bare handler om behandlingstypen, men også om pasientens medisinske bakgrunn.

Det er viktig å merke seg at når man gjennomfører subgruppanalyser, kan man finne stor variasjon i hvordan risikoen fordeler seg i de ulike gruppene. Dette betyr at resultatene som oppnås fra subgruppanalyser alltid bør behandles med forsiktighet, spesielt når konfidensintervallet for hazard ratioene er brede og inkluderer 1.0, noe som kan indikere at resultatene ikke nødvendigvis er statistisk signifikante.

Når vi ser på de praktiske implikasjonene for klinisk beslutningstaking, er det viktig at leger og forskere er oppmerksomme på at subgruppanalyser kan gi viktig innsikt i hvordan spesifikke pasienttrekk interagerer med behandlingsmetodene. For eksempel kan pasienter som har hatt tidligere kirurgi, eller som har visse komorbiditeter, responderer annerledes på behandlingene enn den generelle befolkningen.

Det er også viktig at man som leser er klar over at analysene ikke nødvendigvis gir definitive svar, men snarere indikasjoner som bør undersøkes videre i fremtidige studier. Subgruppanalyser er svært nyttige, men de har sine begrensninger. Vurdering av slike data krever en høy grad av metodologisk forståelse for å unngå overgeneralisering.

Hvordan måle styrken på sammenhengen mellom to kvalitative variabler?

Diabetisk nefropati er en alvorlig tilstand som kan utvikle seg hos pasienter med diabetes, og den har sterke genetiske komponenter. En av de mest interessante observasjonene innen forskningen på denne sykdommen er hvordan foreldres helsetilstand, spesielt hypertensjon, kan påvirke risikoen for å utvikle nefropati hos deres barn. Forskning har vist at personer med en hypertensiv forelder har betydelig høyere risiko for å utvikle diabetisk nefropati enn de som ikke har en hypertensiv forelder. Dette har blitt demonstrert ved bruk av oddsforhold (odds ratio), som gir en relativ vurdering av sannsynligheten for en hendelse i en gruppe sammenlignet med en annen.

For eksempel viste en studie av Krolewski et al. (1988) at barn og ungdom med insulinavhengig diabetes og en hypertensiv forelder hadde 3,7 ganger høyere odds for å utvikle diabetisk nefropati sammenlignet med de uten en hypertensiv forelder. Denne styrken i sammenhengen kan illustreres ved hjelp av en kontingenstabell som viser prosentandelen av personer med diabetisk nefropati i de to undergruppene: de med og uten hypertensive foreldre. Det er viktig å merke seg at prevalensen i gruppen med hypertensive foreldre er betydelig høyere (49%) enn i gruppen uten (21%), men forholdet mellom prevalensene er lavere enn oddsforholdet, noe som kan indikere at andre faktorer også spiller en rolle.

En annen viktig studie, gjennomført av Bjerregaard et al. (2018), benyttet hazardforhold (hazard ratio) for å vurdere risikoen for å utvikle type 2-diabetes mellom forskjellige undergrupper av personer med ulike mønstre av overvekt. Denne studien avslørte at personer som har vært overvektige i hele livet, har en betydelig høyere risiko for å utvikle type 2-diabetes mellom 30 og 60 år, sammenlignet med de som aldri har vært overvektige. Hazardforholdene gir et mål på relativ risiko for å utvikle en sykdom over tid, og gir verdifull innsikt i hvordan langvarig overvekt kan påvirke helsen på lang sikt.

Den relative risikoen for type 2-diabetes kan også vurderes gjennom prevalensforhold i kontingenstabeller, som viser andelen personer som utvikler sykdommen i ulike subgrupper. Dette er en mer konkret og umiddelbar måte å vurdere risikoen på, og kan være enklere å forstå for både forskere og klinikere. Eksempelvis viste Bjerregaard et al. at personer som har vært overvektige i tidlig voksen alder (17-26 år), hadde en prevalens på 17,1% for å utvikle type 2-diabetes, mens de som aldri hadde vært overvektige hadde en prevalens på bare 4,9%. Dette forholdet gir en indikasjon på at personer som har vært overvektige i løpet av tidlig voksen alder, har omtrent tre ganger høyere risiko for å utvikle type 2-diabetes.

Disse eksemplene illustrerer hvordan kontingenstabeller og ulike typer forhold, som oddsforhold og hazardforhold, kan brukes for å vurdere styrken av sammenhenger mellom kvalitative variabler som helsetilstand og risikofaktorer. Ved å bruke slike målinger kan vi få en bedre forståelse av de epidemiologiske faktorene som driver utviklingen av sykdommer som diabetes og hypertensjon.

Det er viktig å påpeke at selv om slike forhold gir oss et bilde av risikoen, er de ikke nødvendigvis entydige. Risikoen for å utvikle en sykdom som diabetisk nefropati eller type 2-diabetes avhenger av en rekke faktorer, både genetiske og miljømessige. For eksempel kan livsstilsfaktorer som kosthold og fysisk aktivitet ha en betydelig innvirkning på helseutfallene. Det er derfor essensielt å bruke disse statistiske verktøyene som et supplement til klinisk vurdering og individuell risikovurdering, heller enn som den eneste indikatoren for helseutfall.

Når man vurderer sammenhengen mellom to kvalitative variabler, kan det være nyttig å også ta i betraktning andre faktorer som kan påvirke resultatene, som tidsperspektivet og eventuelle underliggende helsetilstander som kan ha blitt oversett i den primære analysen. For eksempel kan det være tilfeller hvor den genetiske predisposisjonen for en sykdom er skjult av andre faktorer, som tidligere behandlinger eller medisiner, som kan ha en beskyttende effekt. Derfor er det viktig å ha en helhetlig tilnærming når man vurderer statistiske sammenhenger, og å erkjenne at slike analyser kun gir en del av bildet.