Comment gérer la multiplicité des données de l'essai clinique

Chaque fois que vous effectuez un test de signification statistique, vous courez la chance de se laisser berner par les fluctuations aléatoires en pensant que quelque effet réel est présent dans vos données, alors qu'en fait, il n'y en a.

Ce scénario est appelé Erreur de type I. Quand vous dites que vous avez besoin de p lt; 0,05 pour la signification, vous testez au 0,05 (soit 5 pour cent) niveau alpha ou de dire que vous voulez limiter votre taux d'erreur de type I à 5 pour cent. Mais ce taux d'erreur de 5 pour cent applique à chaque test statistique vous exécutez.

Le plus analyses que vous effectuez sur un ensemble de données, plus globaux vos augmentations de niveau d'alpha: Effectuez deux tests et vos chances d'au moins un d'entre eux sortir faussement importante est d'environ 10 pourcentage exécuter 40 tests, et le niveau d'alpha globale saute à 87 pour cent. Ceci est désigné sous le nom de problème Multiplicjety, ou que Erreur de type I inflation.

Certaines méthodes statistiques impliquant des comparaisons multiples (comme les tests post-hoc suite à une analyse de variance pour comparer plusieurs groupes) intègrent un ajustement intégré pour maintenir le coefficient alpha global à seulement 5 pour cent dans toutes les comparaisons. Mais quand vous testez différentes hypothèses, comme comparer différentes variables à différents points dans le temps entre les différents groupes, il est à vous de décider quel genre de stratégie de contrôle de l'alpha (le cas échéant) que vous souhaitez mettre en œuvre.

Vous avez plusieurs choix, dont les suivantes:

• Ne pas contrôler la multiplicité et accepter la probabilité que certains de vos résultats "significatifs" aura tort significatif. Cette stratégie est souvent utilisé avec des hypothèses liées à l'enseignement secondaire et exploratoire objectifs- le protocole stipule habituellement qu'aucune inférence finales seront prises à partir de ces essais exploratoires. Tous les résultats «significatifs» ne sera considérée que "signaux" d'effets réels possibles et devront être confirmés par des études ultérieures avant que des conclusions finales sont tirées.

• Contrôler le niveau d'alpha à travers que des hypothèses les plus importantes. Si vous avez deux objectifs de co-primaire, vous pouvez contrôler l'alpha à travers les essais de ces deux objectifs.

  Vous pouvez contrôler alpha à 5 pour cent (ou à tout niveau que vous voulez) sur un ensemble de n tests d'hypothèses dans plusieurs façons-suivantes sont certains plus populaires:

• L'ajustement de Bonferroni: Tester chaque hypothèse à 0,05 /n niveau alpha. Donc, pour un contrôle global alpha à 0,05 sur deux critères principaux, vous devez p lt; 0,025 pour la signification lors de l'essai chacun.

• Une stratégie de test hiérarchique: Classez vos paramètres en ordre décroissant d'importance. Testez la plus importante en premier, et si elle donne p lt; 0,05, conclure que l'effet est réel. Puis tester la suivante la plus importante, à nouveau en utilisant la p lt; 0,05 pour signification.

  Continuez jusqu'à ce que vous obtenez un résultat non significatif (p> 0,05) - arrêter puis à tester (ou d'envisager toutes les autres tests pour être uniquement exploratoire et ne pas tirer des conclusions formelles à leur sujet).

• Contrôler le taux de fausse découverte (FDR): Cette approche est devenu populaire ces dernières années pour faire face à la multiplicité de grande envergure, qui se pose dans des domaines tels que les tests génomiques et l'analyse d'image numérique qui peut impliquer plusieurs milliers de tests (comme un par gène ou un par pixel) à la place de quelques-uns .

  Au lieu d'essayer d'éviter même un unique fausse conclusion sur l'importance (comme l'Bonferroni et d'autres méthodes de contrôle classique alpha font), vous souhaitez simplement de contrôler la proportion de tests qui sortent faussement positif, ce qui limite le taux de découverte qui fausse une certaine fraction raisonnable de tous les tests. Ces résultats positifs peuvent ensuite être testées dans une étude de suivi.