Apr 22, 2024
Uso de dias vivos sem suporte vital e resultados de contagem semelhantes em ensaios clínicos randomizados
BMC Medical Research Methodology volume 23, Artigo número: 139 (2023) Citar este artigo 1005 Acessos 1 Citações 12 Detalhes de métricas altmétricas Dias vivos sem suporte de vida (DAWOLS) e similares
BMC Medical Research Methodology volume 23, número do artigo: 139 (2023) Citar este artigo
1005 acessos
1 Citações
12 Altmétrico
Detalhes das métricas
Os dias vivos sem suporte de vida (DAWOLS) e resultados semelhantes que procuram resumir experiências de mortalidade e não mortalidade são cada vez mais utilizados na investigação em cuidados intensivos. A utilização destes resultados é desafiada por diferentes definições e distribuições de resultados não normais que complicam as decisões de análise estatística.
Examinamos as considerações metodológicas centrais ao usar DAWOLS e resultados semelhantes e fornecemos uma descrição e visão geral dos prós e contras de vários métodos estatísticos para análise, complementados com uma comparação desses métodos usando dados do ensaio clínico randomizado COVID STEROID 2. Nós nos concentramos em modelos de regressão prontamente disponíveis de complexidade crescente (linear, binomial com barreira negativa, beta inflacionado de zero-um e modelos de regressão logística cumulativa) que permitem comparação de múltiplos braços de tratamento, ajuste para covariáveis e termos de interação para avaliar a heterogeneidade do efeito do tratamento .
Em geral, os modelos mais simples estimaram adequadamente as médias do grupo, apesar de não ajustarem os dados suficientemente bem para imitar os dados de entrada. Os modelos mais complexos ajustaram-se melhor e, portanto, replicaram melhor os dados de entrada, embora isto tenha acompanhado uma maior complexidade e incerteza das estimativas. Embora os modelos mais complexos possam modelar componentes separados das distribuições de resultados (isto é, a probabilidade de ter zero DAWOLS), esta complexidade significa que a especificação de anteriores interpretáveis num cenário bayesiano é difícil.
Finalmente, apresentamos vários exemplos de como esses resultados podem ser visualizados para auxiliar na avaliação e interpretação.
Este resumo das considerações metodológicas centrais ao usar, definir e analisar DAWOLS e resultados semelhantes pode ajudar os pesquisadores a escolher o método de definição e análise que melhor se adapta aos seus estudos planejados.
Ensaio COVID STEROID 2, ClinicalTrials.gov: NCT04509973, ctri.nic.in: CTRI/2020/10/028731.
Relatórios de revisão por pares
A mortalidade tem sido tradicionalmente o desfecho primário na maioria dos ensaios clínicos randomizados (ECR) em pacientes gravemente enfermos [1]. No entanto, resultados de contagem como o número de dias de vida sem suporte de vida (DAWOLS; normalmente incluindo uso de ventilação mecânica, vasopressores/inotrópicos ou terapia de substituição renal) e dias de vida fora do hospital (DAOH) são cada vez mais utilizados [2]. Isto é motivado pelo fato de que esses resultados transmitem mais informações do que resultados binários, como mortalidade [3], e seu uso pode reduzir o risco de ECRs inconclusivos devido à falta de poder para rejeitar tamanhos de efeito clinicamente importantes para mortalidade [4, 5 ]. Além disso, esses resultados não consideram apenas a mortalidade, mas também o uso de recursos, e como consideram tanto a gravidade da doença (duração dos períodos com suporte vital ou intra-hospitalar) quanto a mortalidade, esses resultados podem ser considerados importantes para o paciente [2, 6,7 ,8] e pode ainda estar associado a outros resultados adversos [6, 7]. Finalmente, estes resultados incorporam facilmente eventos ocorridos (por exemplo, novos episódios de suporte vital ou readmissões).
No entanto, usar, analisar e relatar DAWOLS, DAOH e resultados semelhantes apresentam desafios em comparação com os da mortalidade [2]. Estes desafios estão relacionados com as definições de resultados, incluindo o tratamento da morte e as distribuições não normais, que complicam as análises estatísticas e podem afetar a escolha da(s) estimativa(s) (a quantidade estimada numa análise estatística) e da(s) medida(s) de efeito [2]. Consequentemente, esses resultados são frequentemente analisados usando vários métodos, incluindo métodos baseados em regressão e testes não paramétricos [2]. Testes não paramétricos foram recomendados anteriormente [9] e são frequentemente usados [2], mas têm limitações importantes que dificultam sua utilidade em projetos de ECR mais complexos (por exemplo, ensaios com vários braços ou ensaios de plataforma adaptativa [10]). Primeiro, a maioria dos testes estatísticos não paramétricos fornecem principalmente valores P sem quantificar os tamanhos dos efeitos e a incerteza, o que é necessário para avaliar a importância clínica de um efeito de tratamento. Em segundo lugar, a maioria dos testes não paramétricos impede o ajuste para covariáveis (por exemplo, o teste de soma de postos Mann-Whitney U/Wilcoxon) ou permite apenas a estratificação de uma única variável (por exemplo, o teste de van Elteren), e a maioria só pode comparar dois grupos de cada vez [9]. Assim, métodos baseados em regressão que permitem não apenas testar hipóteses nulas, mas também estimar tamanhos de efeito podem ser mais apropriados e informativos [11] e são cada vez mais utilizados para esses resultados [2].