Uji coba terkontrol secara acak adalah standar emas untuk mengevaluasi kemanjuran pengobatan, namun efektivitas di dunia nyata mungkin berbeda. Salah satu alasannya adalah uji klinis seringkali memiliki kriteria inklusi yang lebih ketat dibandingkan populasi target yang diterapi. Para pembuat kebijakan, pembayar, dan dokter mungkin bertanya-tanya seberapa baik hasil dari populasi uji klinis terbatas dapat diterapkan pada populasi 'target' di dunia nyata.
Ini adalah pertanyaan dari makalah Lugo-Palacios dkk. (2024) bertujuan untuk menjawab. Tujuan dari penelitian mereka adalah untuk menentukan pengobatan lini kedua untuk diabetes tipe 2 mana yang paling efektif di dunia nyata. Untuk melakukan hal ini, penulis memperkirakan efek pengobatan rata-rata (ATEs) dan efek pengobatan rata-rata bersyarat (CATEs) untuk penggunaan inhibitor dipeptidyl peptidase-4 (DPP4i) dan sulfonilurea (SU) sebagai terapi 'tambahan' pada metformin untuk pengobatan. . pasien dengan diabetes tipe 2 di Inggris. Tujuan utama yang menjadi perhatian adalah pengendalian glikemik. Salah satu tantangannya adalah laporan RCT yang diterbitkan tidak memiliki rekomendasi konsensus; beberapa menemukan peningkatan yang lebih baik dengan SU dan lainnya dengan DPP4i. Seperti disebutkan di atas, salah satu masalahnya adalah RCT yang mengevaluasi pengobatan ini sering kali mengecualikan pasien dengan kontrol glikemik yang sangat buruk sehingga sejauh mana berbagai jenis pasien di dunia nyata akan mendapatkan manfaat dari setiap pengobatan masih belum jelas.
Pendekatan studi ini mengidentifikasi sub-populasi dari dalam populasi target menjadi dua kelompok: mereka yang memenuhi kriteria kelayakan RCT yang dipublikasikan (“memenuhi syarat RCT”) dan mereka yang tidak memenuhi kriteria tersebut (“RCT tidak memenuhi syarat”). Para penulis membandingkan ATE untuk 'RCT yang memenuhi syarat' dengan RCT yang memiliki kriteria kelayakan yang sama (“RCT patokan”) untuk menguji seberapa baik data dunia nyata mereplikasi data RCT. Selanjutnya, penulis membandingkan CATEs untuk keseluruhan populasi sasaran (yaitu, kelompok yang 'memenuhi syarat RCT' dan 'tidak memenuhi syarat RCT'). CATE diperkirakan secara terpisah berdasarkan usia, etnis, HbA1c dasar, dan indeks massa tubuh (BMI). Kovariat yang digunakan dalam analisis mencakup faktor demografi dan klinis (yaitu, HbA1c awal, tekanan darah sistolik (SBP), tekanan darah diastolik (DBP), perkiraan laju filtrasi glomerulus (eGFR), dan BMI)
Pendekatan ekonometrika yang digunakan adalah dengan menggunakan variabel instrumental lokal (LIV). Instrumen yang digunakan adalah
…kecenderungan kelompok komisioning klinis (CCGs) untuk meresepkan (TTP) DPP4i sebagai pengobatan lini kedua. Selama periode penelitian, dokter umum (GP) bekerja di CCG untuk menginformasikan keputusan pendanaan kesehatan untuk wilayah geografis masing-masing. Misalnya, beberapa CCG cenderung merekomendasikan – kepada dokter afiliasinya – resep DPP4i atau SU
Dengan menggunakan instrumen ini, penulis memperkirakan LIV sebagai berikut:
…model tahap pertama memperkirakan kemungkinan bahwa setiap orang diberi resep DDP4i berdasarkan kovariat dasar dan CCG TTP mereka. Model hasil tahap kedua kemudian mencakup prediksi probabilitas dari model tahap pertama (skor kecenderungan), kovariat, dan interaksinya. Model regresi probit digunakan untuk memperkirakan skor kecenderungan awal (tahap pertama), sedangkan model linier umum diterapkan pada data hasil, dengan fungsi keluarga yang paling sesuai (gaussian) dan fungsi tautan (identitas) dipilih berdasarkan akarnya. mean square error, dengan Hosmer Test -Lemeshow dan Pregibon juga digunakan untuk memeriksa fit dan kesesuaian model.
Dengan menggunakan pendekatan ini penulis menemukan hal berikut:
IV adalah kecenderungan kelompok komisioning klinis (CCG) untuk meresepkan (TTP) DPP4i sebagai pengobatan lini kedua. Selama periode penelitian, dokter umum (GP) bekerja di CCG untuk menginformasikan keputusan pendanaan kesehatan untuk wilayah geografis masing-masing. Misalnya, beberapa CCG cenderung merekomendasikan – kepada dokter terkait – resep DPP4i atau SU sebagai pengobatan lini kedua.
Penulis menggunakan pendekatan ini dan menemukan bahwa:
Estimasi ATE untuk populasi yang 'memenuhi syarat RCT' serupa dengan estimasi RCT yang dipublikasikan. Perkiraan CATE berada pada arah yang sama untuk subpopulasi yang termasuk dan tidak termasuk dalam RCT, namun berbeda dalam besarannya. Variasi dalam perkiraan dampak pengobatan individu lebih besar pada sampel yang lebih luas yaitu orang-orang yang tidak memenuhi kriteria inklusi RCT dibandingkan pada mereka yang memenuhi kriteria inklusi RCT.
Grafik tersebut menunjukkan hasil keseluruhan untuk RCT yang memenuhi syarat dan tidak memenuhi syarat serta subkelompok minat tertentu.
Poin Pembelajaran
Sebutkan 4 syarat yang harus dipenuhi agar suatu instrumen valid? Penulis menggambarkannya sebagai berikut.
Pertama, instrumen harus memprediksi perlakuan yang ditentukan… Kedua, instrumen harus independen terhadap kovariat tak terukur yang memprediksi hasil yang diinginkan, yang sebagian dapat dievaluasi melalui hubungannya dengan kovariat terukur… Ketiga, instrumen harus berdampak pada hasilnya. hanya melalui pengobatan yang diterima… Keempat, kami berasumsi bahwa rata-rata pilihan pengobatan harus meningkat atau menurun secara monoton dengan tingkat IV.
NewsRoom.id
