Non-inferiority trials.

Nogen gange når man er blevet opmærksom på noget nyt, ser det ud som om verden med et er fyldt med det man lige har opdaget. Sådan en oplevelse har jeg haft for nylig med inferiority-trials. At de eksisterer var ikke en nyhed, men indenfor en uge havde jeg to henvendelser om emnet specifikt.

Begge henvendelserne kom fra samme afdeling, men jeg er ret sikker på, at der ikke var nogen forbindelse. På den anden side er jeg også sikker på, at det ikke er en total tilfældighed, at de havde en ukendt fælles inspiration om man vil.

Non-inferiority trials går ud på at vise at en "behandling" ikke er dårligere end en anden. I det sædvanlige eksperiment forsøger vi som udgangspunkt at vise, at der er forskel på to behandlinger, og tolker så siden på resultatet.

I begge tilfælde var der en forestilling om, at det nogenlunde ville svare til et en-sidet test, og således kræve langt færre patienter i experimenterne. Det er også næsten rigtig, men en-sidet-heden er ikke gratis. Non-inferiority trials bør aldrig opstå post-hoc, dvs. som et analyse alternativ alene af den grund at der skal præspecificeres en non-inferiority margin(NIM). Derefter svarer analysen til at bytte om på den sædvanlige nul-hypotesen og alternativet. Med andre ord bliver nul-hypotesen at forskellen er større end NIM. Når vi forkaster har vi altså evidens for at forskellen er mindre end NIM!

I praksis vil man lave et test for om forskellen, om den nu måles som en differens eller en ratio eller noget helt tredie, kan antages at være mindre(større) end NIM.

Valget af NIM er ikke en statistisk overvejelse efter min mening, men helt afhængigt af den faglige problemstilling. Den skal vælges så en forskel mindre end NIM kan fortolkes som non-inferiority, hverken mere eller mindre. Det er faktisk ikke-trivielt, med mindre man har en meget god fornemmelse for hvordan det valgte effektmål skal forstås klinisk i kvantitiativ forstand vel at mærke. Vælges NIM for stor mister vi den fortolkning at den ene gruppe ikke klarer sig dårligere end den anden. Vælger vi NIM for lille bliver alternativet for "lille" til at testet får nogen særlig styrke.

Den to-sidede udgave af dette test er det såkaldet equivalence trial.

I begge de aktuelle problemstillinger var der et ønske om, at vise at en etableret behandling, som var indført uden evidens kunne erstattes af noget nemmere/hurtigere/billigere.

Hvad den fælles inspirationskilde kan være har jeg ikke noget gæt på, har du?

Vejen til R er belagt med ..... R Commander?

Mange af mine kolleger spørger hvad det bedste statistik program er til at udføre analyse x. Eller til alle de analyser der er relevante for deres projekt/studie/phd-forløb osv. Ofte bliver jeg svar skyldig. Jeg ved ikke hvad det bedste program er til enhver givet analyse, eller hvad der er det bedste "general-purpose" statistik program. Der er mange grunde til denne mangel hos mig. Den vigtigste er nok at jeg kun har prøvet ganske få af de mange produkter der er til rådighed. Men selv blandt de jeg har prøvet er det svært for mig at sige, hvad der er bedst, så klog føler jeg mig slet ikke, og bedst til hvad i øvrigt? Hvad jeg kan svare på er hvad jeg selv foretrækker, eller mere relevant for de som spørger, hvad jeg kan hjælpe med og på hvilket niveau.

Her kommer vi så til en ny afgrund af problemer. Jeg bruger en pæn del af min arbejdstid på at udføre analyser på mange skiftende projekter, og forsøger til tider at tilpasse analyserne til nogle specifikke behov. Jeg har semi-committet min indsats til at arbejde med R og LaTeX for at arbejde hurtigt og konstistent med mine projekter i et veldefineret, flexibelt og dokumenteret workflow. Det er midlertid næppe relevant for den gennemsnitlige phd-studerende på hospitalet. Dels fordi de arbejder med langt færre projekter, projekter der ofte kan klares med standard analyser og især pga. den læringskurve der skal bestiges før min foretrukne løsning bliver produktiv. Så vidt jeg ved, altså. For en, eller et par, ad-hoc analyser er en klik-og-peg løsning måske det bedste. SAS, SPSS GraphPadPrism og hvad de hedder alle sammen har intuitive brugerflader, og for de to førstes vedkommende også mulighed for at gå stadig dybere efterhånden som behov og kompetencer udvikler sig. I praksis er de fleste der har henvendt sig med spørgsmålet endt med at bruge SAS fordi det er tilgængeligt på hospitalet, har hele to klik og peg interfaces og er anerkendt som et professionelt statistikværktøj. Nogle få er blevet ved SPSS og andre få bruger GraphPadPrism, eller hvodden det nu staves. Jeg har hidtil været meget tilbageholdende med at anbefale R fordi jeg ikke har haft noget kendskab til de bud der har været på klik-og-peg løsninger.

Nu har jeg imidlertid haft den fornøjelse at vejlede en medicin-studerende som gerne ville bruge R på sin Ubuntu maskine. Vi endte med at forsøge os med R Commander af John Fox. Erfaringerne har været rigtig gode, og jeg har bestemt mod på mere. Så i fremtiden vil jeg foreslå R som et godt bud på et statistik program for alle. Jeg har også planer om at udbyde et kort kursus i R og R Commander på hospialets forskningscenter.

I en kommende blog vil jeg komme ind på hvorfor det ikke er ligegyldigt om man starter det rigtige sted med sine statistiske anstrengelser.

R-bloggers.com

I løbet af de sidste par dage har jeg kigget lidt på R-bloggers. Her finder du et par hundrede bloggere som deler deres erfaringer, problemer(med løsninger eller som udfordringer) og meget andet relateret til R. Niveauet er nok for højt til den typiske nybegynder uden programmeringserfaring, men så snart man er begyndt at skrive selv små stumper R kode er det et godt sted af finde inspiration.

Der er mange små og lidt større how-to's på bloggen. Man vil nok sjældent finde lige det man sidder og kæmper med lige i øjeblikket,  men nogen gange kan noget der bare ligner lidt hjælpe meget.

Hvem har æren og tager ansvaret??

Selv om jeg arbejder som statistiker, og altså ikke sundhedsfaglig person, får jeg meget ud af at læse Dagens Medicin(DM) jævnligt. Faktisk er den, på en af de faner jeg åbner hver morgen. Jeg læser ikke så meget DM for det faglige input som for de sundhedspolitiske artikler og nyhedsdækningen af sundhedsvæsnet generelt.

I morges så jeg så denne artikel om dubiøse forfatterskaber. Som statistikere på Hvidovre Hospital vejleder/rådgiver vi snesevis af forskere hvert år, og vi tvinges jævnligt til at overveje om vores bidrag til de forskellige arbejder berettiger til, eller ligefrem forpligter til et medforfatterskab.

Det er nemt at forstå når medicinalselskaberne bliver taget med fingrene i kagedåsen, og måske også nemt nok at forstå de fagfolk der i den anledning lader sig friste af forskellige goder, om det nu er kontanter, rejser eller måske frie forskningsmidler.

Men jeg kan ikke lade være med at tænke over hvor stort problemet mon er i et helt almindeligt forskningmiljø, som fx. vort eget her på hospitalet hvor forfatterskaber er med til at skabe og vedligeholde karrierer. Jeg har haft for vane at passe min egen rolle i det spil, og så overlade til andre at finde ud af resten. Dermed er jeg måske en del af problemet, lige så meget som en del af løsningen selv om jeg synes jeg holder min egen sti så ren som jeg kan?

Artiklen i DM bygger i øvrig på en artikel i BMJ som nok også er værd at læse. Open content btw.