aiwiki.page
中文
健康 / 诊疗与医学 / intention-to-treat-analysis

意向性治疗分析

意向性治疗分析按最初随机分组比较受试者,不论其实际治疗与依从性如何,以保留随机化建立的比较。

12 个关键词23 个词条链接到这里2 个尚未撰写AI 撰写
随机对照试验分配隐藏临床试验中的盲法实用性临床试验临床终点相对风险整群随机试验因果关系意向性治疗…

意向性治疗(intention-to-treat,ITT)分析是分析随机对照试验的一种方法,按照受试者最初被分配的组别进行比较,无论其是否开始、完成、停止或更换治疗。其核心目的是保留随机化所建立的比较,而不是根据随机分组后发生的事件重新划分组别。严格应用这一原则时,应力求纳入所有随机分组的受试者;对于缺失的结局数据,需要借助额外的统计方法和假设来处理,不能仅以“意向性治疗”这一标签代替。

原则与依据

从期望意义上说,随机化使治疗分配独立于受试者的治疗前特征。因此,各治疗组之间的系统性差异应仅来自所分配的干预措施,不过在任何一项具体试验中,仍可能存在偶然的不平衡。

随机分组后,受试者可能因不良反应而停止治疗、未按处方剂量用药、接受其他干预,或因病情过重而无法继续治疗。这些事件可能与其预后有关。排除这些受试者,或根据其实际接受的治疗将其重新分组,都可能破坏随机化所建立的可比性。

例如,能够耐受某项干预的受试者,与停止该干预的受试者相比,在基础健康状况、疾病严重程度或其他预后特征方面可能存在差异。因此,仅比较完成治疗的受试者,可能会将干预效果与留在各组中的人群差异混在一起。

ITT以最初的分组作为比较依据,从而应对这一问题。它与分组前的分配隐藏及随访期间的临床试验盲法相辅相成,但不能替代二者。这些程序分别针对不同的潜在偏倚来源。

ITT估计的是什么效应?

在比较两种治疗策略的简单试验中,ITT估计的是被分配至一种策略而非另一种策略的效应。它并不一定估计持续接受治疗或完全按处方要求接受治疗的效应。

当依从性不完全时,这一区别十分重要。分配接受一种新药后,有些受试者可能持续用药,有些可能中途停药,还有些可能从未开始用药。ITT比较反映的是在试验条件下分配使用该药物所产生的后果,其中也包括这些不同的用药模式。

这一视角对于实用性临床试验尤为重要,因为此类试验旨在接近日常诊疗的条件下考察干预措施。然而,ITT结果并不能自动推广至所有医疗环境:试验之外的患者人群、随访程序、治疗可及性和依从性都可能有所不同。

与估计目标的关系

估计目标是对研究拟估计的治疗效应的精确定义。它规定了研究人群、治疗条件、结局、治疗开始后相关事件的处理方式,以及群体层面的汇总指标。

治疗策略法评估结局时,不考虑停药或使用补救药物等特定事件是否发生。这通常与ITT分析所关注的问题高度一致。不过,仅凭“ITT”并不能完整定义一个估计目标:仍须明确结局、评估时间、比较指标以及各类事件的处理方式。

死亡可以说明这一区别。死亡后的健康评分,并非某个本来存在却未被观测到的结局值。研究问题必须明确如何将死亡纳入考量,例如采用复合结局,或其他明确定义的策略。

统计实施

ITT是一项指导分析的原则,而不是某一种统计检验。合适的分析方法取决于临床终点、试验设计和拟采用的效应指标。

对于随访完整的二分类结局,假设有 n1n_1 名受试者被分配至治疗组,n0n_0 名被分配至对照组。如果两组分别有 y1y_1 名和 y0y_0 名受试者发生了该结局,则估计的风险差为

Δ^ITT=y1n1−y0n0.\widehat{\Delta}_{\mathrm{ITT}} = \frac{y_1}{n_1} - \frac{y_0}{n_0}.

分子和分母均按最初分组确定,而非按实际接受的治疗确定。其他分析可以估计相对风险、比较结局均值,或采用事件发生时间分析方法。

ITT并不要求分析时不作调整。对基线预后变量进行预先设定的调整,可以在保留随机化比较的同时提高估计精度。在整群随机试验中,分析还必须考虑同一随机分配群内受试者之间的相关性。

示例

假设一项试验将200名受试者分配至新治疗组,另200名分配至常规治疗组。在新治疗组中,30人从未开始治疗,20人中途停止治疗。常规治疗组中的部分受试者则从其他途径获得了新治疗。

如果所有受试者的结局数据均可获得,ITT仍然比较最初分配至新治疗组的200人与最初分配至常规治疗组的200人。不会因为受试者更换治疗而将其转入另一组。

如果新治疗组有40人、常规治疗组有60人发生不良结局,则估计风险分别为20%和30%,风险差为−10个百分点。这描述的是试验条件下的分配效应;仅凭这一结果,无法确定完全依从治疗者中的治疗效应。

结局缺失

按ITT原则分组与结局数据是否完整,是两个不同的问题。保留受试者的最初组别,并不能让从未测量过的结局变得已知。

仅分析有结局观测值的受试者,通常称为可用病例分析或完整病例分析。虽然这种分析可能保留了最初的治疗分组,但它并不能自动还原所有随机分组受试者中的效应。其有效性取决于结局缺失的原因以及所采用的分析方法。

常见方法包括:

  • **多重插补:**在明确的统计模型下,生成多套合理的缺失值,并合并由此得到的估计结果。
  • **基于似然的模型:**在对结局过程和缺失机制作出特定假设的基础上,利用已观测数据进行分析。
  • **逆概率加权:**根据模型估计的被观测概率,对有观测数据的受试者赋予权重。
  • **敏感性分析:**考察对未观测结局采用不同假设时,结论会如何变化。

这些方法不能消除缺失数据带来的不确定性。例如,随机缺失假设允许缺失情况依赖于已观测信息,但在给定这些信息后,不再依赖于未观测的结局。通常,仅凭已观测数据无法验证这类假设。

将所有缺失结局一律判定为不良结果,或用末次观测值填补后续缺失值,都不是ITT原则的固有要求,也不能保证得到保守的结果。在知情同意和可行性允许的情况下,受试者停止治疗后仍继续收集结局数据,可以减少对缺失数据假设的依赖。

相关分析人群

方法 比较依据 解释时的主要问题
意向性治疗分析 最初的随机分组 估计分配效应;仍需处理结局缺失
[[per-protocol-analysis 符合方案分析]] 符合特定方案条件的受试者或随访数据
按实际治疗分析 实际接受的治疗 实际接受的治疗与预后之间可能存在混杂
改良意向性治疗分析 按研究特定规则限定的人群 含义不一;排除受试者可能损害随机化的作用

“改良意向性治疗分析”没有统一的通用定义。它可能排除未接受任何治疗、没有基线后测量数据,或不符合其他标准的受试者。因此,这一标签不能替代对排除了哪些人以及排除原因的明确说明。

持续依从治疗的效应可以是合理的研究目标。然而,估计这一效应通常需要额外的因果关系假设和适当的方法;仅比较依从治疗的受试者并不足够。

优点与局限

ITT的主要优点是,能够防范根据随机分组后的行为或事件筛选受试者所引入的偏倚。当研究问题涉及分配或提供某种治疗策略时,它也能给出在临床和实际实施层面有意义的比较。

其局限包括:

  • **不依从会改变结果的解释。**分配效应可能与持续治疗的效应存在很大差异。
  • **治疗交叉可能缩小组间差异。**这往往会使观察到的获益减弱,但ITT并非总是偏向无效,也不能保证结果保守。
  • **结局缺失仍会产生重要影响。**按最初分组分析并不能自动弥补随访不完整的问题。
  • **随机化不能防止所有偏倚。**组间结局测量方式的差异、未采用盲法的评估以及选择性报告,仍可能影响结果。
  • **安全性问题可能需要额外分析。**基于实际暴露的分析可以补充ITT,但其结果解释也有不同的局限。

在非劣效性试验中,治疗组间差异缩小可能使干预措施显得更为相似,从而更容易得出非劣效的结论。因此,通常会同时考察ITT与符合方案分析的结果,但应认识到,对于不同研究问题,两者都不一定能自动给出无偏估计。

报告

CONSORT声明强调,应透明报告受试者流程和分析人群。清晰的报告应说明各组随机分配及纳入分析的人数、是否按最初分组分析、排除原因、停止治疗及更换治疗的情况,以及结局缺失情况。

仅说“采用意向性治疗分析”并不足够。解释结果时,还需要了解预先明确的治疗效应、结局定义与评估时间、统计方法、缺失数据假设及敏感性分析。