Nová metoda zlepšuje analýzu RMST pro klinické a epidemiologické studie

Technika analýzy průměrné průměrné průměrné přežití (RMST) byla zavedena ve výzkumu zdravotní péče asi před 25 lety a od té doby se široce používá v ekonomii, strojírenství, podnikání a dalších profesích.

V klinickém nastavení je RMST užitečný, protože je to přímý způsob, jak porozumět průměrné době přežití-doba, po kterou pacienti žijí po diagnostice nebo léčbě a faktory, které ovlivňují tento čas v stanoveném časovém rámci.

Kromě toho se na rozdíl od regresních modelů a dalších populárních modelů a dalších populárních modelů a srovnání vytvořených pomocí RMST nespoléhají na předpoklad poměrného rizika, že pravděpodobnost události dojde v průběhu času konstantní.

Existuje však úlovek: RMST může testovat rozdíly v účinku léčby mezi skupinami od základní linie do časového bodu-prahová hodnota, ale identifikace ideálního prahu v klinických a epidemiologických studiích je obtížné. To vede k výsledkům, které jsou méně statisticky silné, než by mohly být. “

Gang Han, PhD, profesor biostatistiky, Texas A&M University School of Public Health

K řešení této výzvy si Han a jeho kolegové v akademické obci a průmyslu vyvinuli novou metodu, která používá existující matematický nástroj-snížený exponenciální model po částech, aby určil ideální nebo optimální prahovou dobu při analýze omezené průměrné doby přežití při studiu dvou skupin.

„To je obzvláště důležité v lékařských studiích, protože pravděpodobnost, že se konkrétní událost stane, se může změnit v různých fázích léčby,“ řekl Matthew Lee Smith, PhD, profesor zdravotního chování v Texas A&M School of Public Health, který byl zapojen do tohoto výzkumu.

Pro stanovení optimálního prahu tým vypočítal doba prahu z významných změn (y) v míře rizika a porovnával to, co našli s největší možnou prahovou dobou.

Jejich výzkumná práce, publikovaná v American Journal of Epidemiologyukázali přínosy navrhované metody ve více simulačních studiích a dva reálné příklady, klinická studie a epidemiologická studie.

Použili novou metodu k měření míry chyb typu 1 a statistické síle v simulacích, ve kterých byla míra rizika konstantní pro jednu skupinu a byla změněna pro jinou skupinu. Srovnávali skupiny pomocí standardního testu LOGRANK a jejich nový model.

„Náš model provedl to nejlepší,“ řekla Marcia G. Ory, PhD, regents a významný profesor ve škole veřejného zdraví, který zkoumá metody prevence založených na důkazech. „To byl také případ, kdy jsme jej použili na dva scénáře v reálném světě.“

Pro oba scénáře odhalily tradiční metody statistické analýzy žádné pozoruhodné rozdíly mezi dvěma ošetřeními. Když však byl použit nový model, výsledky pro každý scénář zjistili, že jedno ošetření bylo jasně lepší.

První scénář porovnával dvě léčby po dobu sedmi měsíců u pacientů s ne-malou buňkami s rakovinou plic, kteří měli nižší hladinu klíče Biomarker. Druhá použila standardní hodnocení k měření času na pokles lidí s mírnou demencí, kteří žili s pečovateli ve srovnání s těmi, kteří nežili s pečovateli.

„Tyto výsledky jsou slibné a je zapotřebí více výzkumu, který porovnává více než dvě skupiny a který používá více kovariátů, jako je věk účastníků, etnicita a socioekonomický status,“ řekl Han. „Na základě těchto raných výsledků se domníváme, že tato metoda by mohla být silnější než všechna stávající srovnání pro dvě skupiny v analýze výsledků v době do události.“

Dalšími zapojenými do studie byly ministerstvo epidemiologie a biostatistiky doktorská studentka Laura Hopkins, Raymond Carroll, PhD, významný profesor v Texasu A&M Ministerstvu statistik a externí spolupracovníky z Eli Lilly and Company a H. Lee Moffitt Cancer Center & Research Institute.