¿Por qué es el sesgo de afectados cuando un ensayo clínico se termina en una etapa temprana?

Question

Un análisis interino es un análisis de los datos en uno o más puntos de tiempo antes de que el oficial de cierre del estudio con la intención de, por ejemplo, posiblemente terminar el estudio temprano.

De acuerdo a Piantadosi, S. (ensayos Clínicos - metodológica de la perspectiva): "La estimación del efecto de un tratamiento será parcial cuando el juicio ha terminado en una etapa temprana. La anterior decisión, la más grande del sesgo."

Puede usted explicar a mí esta afirmación. Puedo entender fácilmente que la precisión va a ser afectada, pero la afirmación acerca de que el sesgo no es obvio para mí...

Answer 1

Primero de todo, tienes que tener en cuenta el contexto: esto sólo se aplica cuando el juicio se suspendió prematuramente debido a la provisional de seguimiento que muestran la eficacia/vanidad, no por algún azar fuera de la razón. En ese caso, la estimación del tamaño del efecto estará sesgada en un completamente statististical sentido. Si usted detenido por la eficacia, el efecto estimado será demasiado alto (suponiendo que es positivo), si usted detenido por vanidad, será demasiado baja.

Piantodosi da una intuitiva explanantion así (Sec 10.5.4 en mi edición). Supongamos que la verdadera diferencia en los dos medios es de 1 unidad. Cuando se ejecuta una gran cantidad de ensayos, y mirarlos en su análisis interino del tiempo, algunos de ellos se han observado tamaños de efecto muy por encima de 1, muy por debajo de uno, y la mayoría de alrededor de 1 - la distribución será amplia, pero simétrica. El tamaño del efecto estimado en este momento no sería muy exacto, pero sería imparcial. Sin embargo, usted sólo se detendrá y el informe de un tamaño del efecto si la diferencia es significativa (ajustada para pruebas múltiples), que es la estimación está en la parte alta. En todos los demás casos que seguir adelante, y no informan de una estimación. Eso significa que el condicional en haber dejado de principios, la distribución del tamaño del efecto no es simétrica, y su valor esperado está por encima del verdadero valor de la estimación.

El hecho de que este efecto es más grave desde el principio proviene de la gran obstáculo para detener el juicio, por lo tanto de una mayor parte de la distribución que se tiren durante el acondicionamiento.

Answer 2

Aquí es una ilustración de cómo el sesgo que podría surgir en las conclusiones, y por qué no puede ser la historia completa. Suponga que tiene una secuencia de prueba de la droga que se espera que tenga un efecto positivo (+1) efecto pero puede tener un efecto negativo (-1). Cinco de los conejillos de indias son probados uno después del otro. El desconocido de la probabilidad de un resultado positivo en un solo caso es en el hecho de $\frac{3}{4}$ y un resultado negativo $\frac{1}{4}$.

Así que después de cinco ensayos de las probabilidades de los distintos resultados son

 Outcome     Probability
+5-0 = +5    243/1024
+4-1 = +3    405/1024
+3-2 = +1    270/1024
+2-3 = -1     90/1024
+1-4 = -3     15/1024
+0-5 = -5      1/1024

por lo que la probabilidad de un resultado positivo en general es 918/1024 = 0.896, y la media de los resultados es de +2.5. Dividiendo por los 5 juicios, esto es un promedio de un +0.5 resultados por prueba.

Es el imparcial figura, como también es $+1\times\frac{3}{4}-1\times\frac{1}{4}$.

Supongamos que en el fin de proteger a los cerdos de guinea, el estudio se dará por terminado si en cualquier etapa acumulativa resultado es negativo. A continuación, las probabilidades de convertirse en

 Outcome     Probability
+5-0 = +5    243/1024
+4-1 = +3    324/1024
+3-2 = +1    135/1024
+2-3 = -1     18/1024
+1-2 = -1     48/1024
+0-1 = -1    256/1024

por lo que la probabilidad de un resultado positivo en general es 702/1024 = 0.6855, y la media de los resultados es de +1.953. Si nos fijamos el valor de la media de los resultados por prueba en el cálculo anterior, es decir, utilizando $\frac{+5}{5}$, $\frac{+3}{5}$, $\frac{+1}{5}$, $\frac{-1}{5}$, $\frac{-1}{3}$ y $\frac{-1}{1}$, entonces obtendríamos +0.184.

Estos son los sentidos en los que hay un sesgo por la detención temprana en el segundo esquema, y el sesgo es en la dirección prevista. Pero no es la historia completa.

¿Por qué whuber y probabilityislogic pienso detener temprana debe producir resultados objetivos? Sabemos que el resultado que se espera de las pruebas en el segundo esquema es +1.953. El número esperado de pruebas resulta ser 3.906. Para dividir uno por el otro, obtener +0.5, exactamente igual que antes y lo que se describió como imparcial.

Answer 3

Bueno, mis conocimientos sobre este viene de la Harveian oración en 2008 http://bookshop.rcplondon.ac.uk/details.aspx?e=262 Esencialmente, a la mejor de mi recuerdo los resultados estarán sesgados como 1) detención precoz generalmente significa que el tratamiento fue más o menos eficaz de lo que uno espera, y si esta es positiva, entonces usted puede capitalizar la oportunidad. Yo creo que los valores de p se calculan sobre la base de la planificación de tamaño de la muestra (pero puedo estar equivocado en esto), y también si usted está constantemente revisando sus resultados para ver si los efectos se han demostrado, deberá corregir para comparaciones múltiples con el fin de asegurarse de que no son el mero hecho de encontrar una oportunidad de efecto. Por ejemplo, si usted echa un 20 veces para valores de p menores a .05, a continuación, estadísticamente hablando, usted está casi seguro de encontrar un resultado significativo.

Answer 4

Yo estaría de acuerdo con esa afirmación, a menos que por "sesgo" Piantadosi significa que parte de la precisión de lo que comúnmente se denomina sesgo. La inferencia no ser "parcial" porque ha decidido dejar de por sí: será "parcial" porque dispone de menos datos. La llamada "probabilidad" el principio de los estados que la inferencia debe depender sólo de los datos que se observa, y no en los datos que podrían haber sido observado, pero no lo era. El LP dice

$$P(H|D,S,I)=P(H|D,I)$$

Donde $H$ representa la hipótesis de que se está probando (en la forma de una proposición, tales como "el tratamiento fue eficaz"), $D$ representa los datos de la realidad observada, y de $S$ representa la proposición "el experimento fue detenido temprano", y $I$ representa la información previa (por ejemplo, un modelo). Ahora suponga que la detención de la regla depende de los datos $D$ y en la información previa,$I$, así que usted puede escribir $S=g(D,I)$. Ahora una elemental regla de la lógica es $AA=A$ - diciendo que es cierto es dos veces la misma cosa que decir que una vez. Esto significa que, debido a $S=g(D,I)$ será cierto siempre que $D$ $I$ también son verdaderos. Así que en "álgebra booleana" tenemos $D,S,I = D,g(D,I),I = D,I$. Esto demuestra la ecuación anterior de la probabilidad principio. Es sólo si la detención de la regla depende de algo distinto de los datos de $D$ o de la información previa, $I$ que es importante.

Answer 5

no va a ser el sesgo (en "sentido estadístico") si la terminación de los estudios no aleatorios.

En un conjunto de experimentos llevados a cabo a la conclusión, de que el "pronto" los resultados de (a) algunos de los experimentos que en última instancia encontrar "ningún efecto", se mostrarán algunos efectos (como resultado de oportunidad) y (b) algunos experimentos que se hacen en última instancia encontrar un efecto mostrará "sin efecto" (probablemente como resultado de la falta de poder). En un mundo en el cual termina el juicio, si se detenga (a) con más frecuencia que (b), usted terminará para arriba a través de ejecución de estudios con un sesgo en favor de la búsqueda de un efecto. (La misma lógica se aplica para el efecto tamaños; la terminación de los estudios que muestran "más grande de lo esperado" efecto temprano más a menudo que aquellos que muestran "como se esperaba o inferior" a inflar el recuento de los resultados de la "gran efecto.")

Si, de hecho, ensayos médicos se terminan cuando los primeros resultados muestran un efecto positivo -- a fin de que se dispone de tratamiento para los sujetos en placebo o a otros, pero no cuando los primeros resultados no son concluyentes, entonces habrá más error de tipo 1 en las pruebas de tales que sería si todos los experimentos se realizaron a una conclusión. Pero eso no significaba en la práctica que está mal; el costo del error de tipo 1, moralmente hablando, podría ser menor que la de negar el tratamiento tan pronto como uno de otra manera sería para los tratamientos que realmente se demostrara que el trabajo al final de la versión de prueba completa.