DOI: https://doi.org/10.69854/jcq.2024.0016
تاريخ النشر: 2024-12-06
المؤلف: Nobuyuki Horita وآخرون
الموضوع الرئيسي: طرق إحصائية في التجارب السريرية
نظرة عامة
يتناول هذا القسم السؤال السريري حول كيفية تحديد الحد الأدنى للاختلاف السريري المهم (MCID) لأحجام التأثير المختلفة بخلاف الفرق المتوسط، بما في ذلك نسب المخاطر، ونسب المخاطر النسبية، ونسب الأرجحية، والاختلافات في المخاطر المطلقة، ومعاملات الارتباط (r)، والمساحة تحت منحنى خصائص التشغيل المستقبلية. يقترح المؤلفون استخدام d لـ Cohen كنهج موحد لتحديد MCID لهذه الأحجام من التأثير.
هذا الإطار المقترح مفيد بشكل خاص لتقييم الفروق بين المجموعات في التحليلات التلوية، حيث يكون تحقيق الدلالة الإحصائية غالبًا أكثر بساطة. بالإضافة إلى ذلك، يساعد في تحديد الفروق القابلة للاكتشاف في تجارب التفوق وفي تحديد هوامش عدم التفوق في التجارب غير التفوقية، مما يعزز قابلية تفسير وتطبيق نتائج الأبحاث السريرية.
مقدمة
تتناول مقدمة هذه الورقة البحثية قيود اختبار الدلالة الإحصائية التقليدية، وخاصة الاعتماد على قيم P لتقييم أحجام التأثير أو مقاييس الارتباط. لقد انتقدت المجتمع العلمي هذا النهج، مما أدى إلى تحول نحو تقييم الأهمية السريرية جنبًا إلى جنب مع الدلالة الإحصائية في الأبحاث الطبية. يُشجع الباحثون الآن على الإبلاغ عن كل من قيمة P أقل من 0.05 وحجم تأثير يتجاوز الحد الأدنى للاختلاف السريري المهم (MCID) لتأكيد الفروق أو الارتباطات ذات المعنى بين القياسات السريرية. تشمل أمثلة MCID تغييرات محددة في الدرجات في استبيانات معتمدة لمرض الانسداد الرئوي المزمن ومرض باركنسون.
على الرغم من استخدام أحجام تأثير مختلفة – مثل نسبة المخاطر (HR)، ونسبة المخاطر النسبية (RR)، ونسبة الأرجحية (OR)، والاختلاف في المخاطر المطلقة (ARD)، ومعامل الارتباط (r)، والمساحة تحت منحنى خصائص التشغيل المستقبلية (AUC) – إلا أن تحديد MCIDs لهذه المقاييس لا يزال يمثل تحديًا. تسلط الورقة الضوء على أن MCID لأحجام التأثير مثل HR و AUC لا يمكن ربطها مباشرة بالتغييرات ذات الصلة بالمريض، حيث توجد هذه المقاييس غالبًا على مقاييس غير متقطعة. وبالتالي، يمكن أن يكون لنفس التغيير العددي في حجم التأثير آثار سريرية مختلفة اعتمادًا على القيمة الأساسية. لمعالجة هذه الفجوة، يقترح المؤلفون طرقًا لتحديد MCIDs على مستوى الدراسة من خلال تحويل d لـ Cohen إلى أحجام تأثير رئيسية ويدعون إلى تطوير MCIDs على مستوى الدراسة لكل من هذه الأحجام من التأثير.
طرق
يستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح المنهجيات المحددة المستخدمة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج وموثوقيتها. قد يتضمن القسم أوصافًا لتصميم التجربة، واختيار العينة، والتقنيات الإحصائية المطبقة لتفسير النتائج.
بالإضافة إلى ذلك، يوفر القسم أمثلة توضيحية تظهر تطبيق هذه الطرق في الممارسة العملية. تخدم هذه الأمثلة لتوضيح الإجراءات وتسليط الضوء على فعالية المنهجيات المختارة في معالجة الأسئلة البحثية المطروحة. بشكل عام، تعتبر الطرق المستخدمة حاسمة للتحقق من استنتاجات الدراسة وتساهم في الفهم الأوسع للموضوع قيد التحقيق.
مناقشة
في هذا القسم، يناقش المؤلفون طريقتين رئيسيتين لتحديد الحد الأدنى للاختلاف السريري المهم (MCID) للفرق المتوسط (MD): طريقة الربط وطريقة التوزيع. تعتمد طريقة الربط على تصورات المرضى للتغيير، بينما تستخدم طريقة التوزيع قيم الفرق المتوسط المعياري (SMD)، وبشكل خاص d لـ Cohen، لتقدير MCID. يبرز المؤلفون مرونة نهجهم، الذي يسمح بتطبيق قيم مختلفة من d لـ Cohen (مثل 0.1 إلى 0.8) في حساب MCID عبر أحجام التأثير المختلفة، بما في ذلك نسب المخاطر (HR)، والمخاطر النسبية (RR)، ونسب الأرجحية (OR)، والاختلافات في المخاطر المطلقة (ARD)، ومعاملات الارتباط (r)، والمساحة تحت منحنى خصائص التشغيل المستقبلية (AUC).
يؤكد المؤلفون أنه بينما تُقبل طريقة التوزيع على نطاق واسع، من الضروري مراعاة سياق البحث والأهمية السريرية للنتائج. يقترحون MCID مرن يتكيف مع الخصائص المحددة للدراسة، مع الاعتراف بأن اختيار قيمة d لـ Cohen يجب أن يعكس طبيعة النتيجة التي يتم قياسها. تشمل قيود الدراسة عدم وجود معيار محدد لاختيار d لـ Cohen المناسب والافتراضات المتعلقة بالطبيعية وتساوي التباين التي قد لا تنطبق في جميع الحالات. ومع ذلك، تتماشى قيم MCID المقترحة مع الحكم السريري وتوفر إطارًا قيمًا لتفسير آثار العلاج في سياقات الأبحاث السريرية المختلفة، بما في ذلك التجارب العشوائية المضبوطة والدراسات الملاحظة.
DOI: https://doi.org/10.69854/jcq.2024.0016
Publication Date: 2024-12-06
Author(s): Nobuyuki Horita et al.
Primary Topic: Statistical Methods in Clinical Trials
Overview
The section addresses the clinical question of how to establish the minimal clinically important difference (MCID) for various effect sizes beyond the mean difference, including hazard ratios, risk ratios, odds ratios, absolute risk differences, correlation coefficients (r), and the area under the receiver operating characteristic curve. The authors propose utilizing Cohen’s d as a standardized approach to determine the MCID for these effect sizes.
This proposed framework is particularly beneficial for evaluating intergroup differences in meta-analyses, where achieving statistical significance is often more straightforward. Additionally, it aids in defining detectable differences in superiority trials and in establishing noninferiority margins in non-inferiority trials, thereby enhancing the interpretability and applicability of clinical research findings.
Introduction
The introduction of this research paper addresses the limitations of traditional statistical significance testing, particularly the reliance on P values to evaluate effect sizes or measures of association. The scientific community has criticized this approach, prompting a shift towards assessing clinical significance alongside statistical significance in medical research. Researchers are now encouraged to report both a P value below 0.05 and an effect size that exceeds the minimal clinically important difference (MCID) to substantiate meaningful differences or associations between clinical measurements. Examples of MCID include specific score changes in established questionnaires for chronic obstructive pulmonary disease and Parkinson’s disease.
Despite the use of various effect sizes—such as hazard ratio (HR), risk ratio (RR), odds ratio (OR), absolute risk difference (ARD), correlation coefficient (r), and area under the receiver operating characteristic curve (AUC)—the establishment of MCIDs for these measures remains a challenge. The paper highlights that the MCID for effect sizes like HR and AUC cannot be directly correlated to patient-relevant changes, as these measures often exist on non-interval scales. Consequently, the same numerical change in effect size can have different clinical implications depending on the baseline value. To address this gap, the authors propose methods for establishing study-level MCIDs by converting Cohen’s d into major effect sizes and advocate for the development of study-level MCIDs for each of these effect sizes.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the specific methodologies used to collect and analyze data, ensuring reproducibility and reliability of the findings. The section may include descriptions of the experimental design, sample selection, and statistical techniques applied to interpret the results.
Additionally, the section provides illustrative examples that demonstrate the application of these methods in practice. These examples serve to clarify the procedures and highlight the effectiveness of the chosen methodologies in addressing the research questions posed. Overall, the methods employed are critical for validating the study’s conclusions and contribute to the broader understanding of the topic under investigation.
Discussion
In this section, the authors discuss two primary methods for determining the Minimal Clinically Important Difference (MCID) for Mean Difference (MD): the anchor method and the distribution method. The anchor method relies on patient perceptions of change, while the distribution method utilizes standardized mean difference (SMD) values, specifically Cohen’s d, to estimate MCID. The authors highlight the flexibility of their approach, which allows for the application of various Cohen’s d values (e.g., 0.1 to 0.8) in calculating MCID across different effect sizes, including Hazard Ratios (HR), Relative Risks (RR), Odds Ratios (OR), Absolute Risk Differences (ARD), correlation coefficients (r), and the Area Under the Receiver Operating Characteristic Curve (AUC).
The authors emphasize that while the distribution method is widely accepted, it is essential to consider the context of the research and the clinical significance of the findings. They propose a flexible MCID that adapts to the specific characteristics of the study, acknowledging that the choice of Cohen’s d value should reflect the nature of the outcome being measured. Limitations of the study include the lack of a definitive standard for selecting the appropriate Cohen’s d and assumptions regarding normality and variance equality that may not hold in all cases. Nonetheless, the proposed MCID values align with clinical judgment and provide a valuable framework for interpreting treatment effects in various clinical research contexts, including randomized controlled trials and observational studies.