Eenvoudige statistische test - om het verschil tussen twee behandelingen te controleren

In veel onderzoeken is het primaire resultaat een ziektegebeurtenis.

• uitkomsten kunnen een bepaalde gebeurtenis zijn, bijv. overlijden, of een samengesteld resultaat zoals overlijden, myocardinfarct of beroerte
• Standaard statistische methoden - Cox proportional hazard modellen en log rank tests - houden rekening met variatie in de follow-up tijd van patiënten om de verschillen tussen behandelingsgroepen te beoordelen. Als gebeurtenissen echter betrekking hebben op een vaste follow-up tijd, dan kunnen methoden voor het vergelijken van twee verhoudingen (bijvoorbeeld de Chi kwadraat toets) worden gebruikt.
• Deze pagina in GPnotebook beschrijft een eenvoudige methode om snel de sterkte van het bewijs te beoordelen voor een verschil in behandeling bij een gebeurtenis.

Deze test is een statistische test die wordt gebruikt om te controleren of er een verschil is tussen behandelingen.

• de belangrijkste gegevens zijn de aantallen patiënten met de gebeurtenis in elke groep. Deze statistische test (eenvoudige/simpelste statistische test) vergelijkt deze twee aantallen
• bij een gerandomiseerd klinisch onderzoek met twee behandelingsgroepen van ongeveer gelijke grootte. In deze context is de uitkomst van belang een klinische gebeurtenis (bijv. een myocardinfarct tijdens een bepaalde behandeling) en de belangrijkste gegevens zijn de aantallen patiënten met de gebeurtenis per behandelgroep (bijv. het aantal personen met een myocardinfarct in elke groep).

Bereken het verschil in de twee aantallen voorvallen en deel dit door de vierkantswortel van hun som. Noem het resulterende getal Z

• Z = (a - b) / vierkantswortel van (a + b)
  • waarbij a en b staan voor het aantal voorvallen in elke behandelingsgroep
• de nulhypothese is dat de twee behandelingen een identieke invloed hebben op het risico van een voorval. Daarom is z bij benadering een gestandaardiseerde normale afwijking, d.w.z. heeft een normale verdeling met gemiddelde 0 en variantie 1. Daarom kan de waarde van Z worden omgezet in een P-waarde via normale verdelingstabellen
  • bijvoorbeeld
    • een Z-waarde van > 1,96 is gelijk aan een P-waarde < 0,05
    • een Z-waarde van > 2,58 komt overeen met een P-waarde < 0,01
  • deze test is bij benadering
    • maar geeft over het algemeen betrouwbare resultaten omdat
      • bij randomisatie zal het aantal patiënten in de twee behandelingsgroepen vrijwel gelijk zijn, evenals de duur van de follow-up van de patiënt
      • het aantal voorvallen is meestal vrij laag - bijvoorbeeld minder dan 20% van de patiënten (en vaak veel lager). Hierdoor kan het aantal patiënten met een voorval in elke groep worden beschouwd als Poisson-verdeling. Als het totale aantal voorvallen dus niet te klein is (bijvoorbeeld niet minder dan 20), leidt de normale benadering voor de vergelijking van twee Poisson-steekproeven tot de formule in de figuur.
      • de belangrijkste informatie bij de berekening zijn de tellers (de aantallen met een gebeurtenis); de grootte van de noemers is onbelangrijk
    • De berekening heeft twee beperkingen
      • als er een niet-negelbaar verschil is in het aantal in de behandelingsgroepen, zal de test vertekend zijn ten opzichte van de grotere behandelingsgroep
      • als er een groot aantal voorvallen is, wordt de test conservatief, d.w.z. de P-waarden zijn groter dan ze zouden moeten zijn
• eenvoudige test is ook relevant voor meta-analyses, op voorwaarde dat alle geïncludeerde onderzoeken gelijk gerandomiseerd zijn
  • een meta-analyse onderzocht bijvoorbeeld de incidentie van revascularisatie van doelwitlaesies in zes onderzoeken waarin twee verschillende typen stents (A, B) werden vergeleken
    • door de gegevens van 3669 patiënten in alle zes onderzoeken te combineren, werd doelwitlaesie-revascularisatie uitgevoerd bij respectievelijk 95 en 142 patiënten in de stent A-groep en de stent B-groep. Vandaarv Z= (142 - 95)/vierkantswortel (142+95)= 3,05, wat P = 0,002 geeft.

Referentie:

1. BMJ 2006; 332:1256-8.