Авторы: Сюзанна Макдональд, Джеймс МакГри и Джейн Никлс

Нам было интересно увидеть ссылку на испытания N-из-1 в статье Wilkinson et al. (2020) Пора претворить в жизнь обещания точной медицины на основе машинного обучения, недавно опубликованной в журнале The Lancet Digital Health. Авторы одобрили использование испытаний N-из-1 в качестве прагматичного метода для понимания того, работают ли методы лечения для отдельных людей — цель прецизионной медицины. Исследования N-из-1 являются одним из немногих научных методов, которые предоставляют информацию об ответе на лечение на уровне отдельных пациентов. В исследованиях N-из-1 пациенты получают вмешательство и контроль. Пациенты получают повторные введения лечения с течением времени. Это более адекватно учитывает возможную внутрииндивидуальную вариабельность ответа, которая не учитывается в планах, основанных на небольшом количестве измерений результатов (Senn, 2018).

Применимость испытаний N-из-1

Уилкинсон и др. заявляют, что испытания N из 1 правдоподобны только при определенных обстоятельствах (например, когда симптомы и обстоятельства участников стабильны с течением времени, а лечение не имеет долгосрочных эффектов). Действительно, исследованияN из 1 по своей природе лучше всего подходят для следующих контекстов: (1) состояние является стабильным/хроническим, (2) лечение оказывает различный эффект на разных пациентов, (3 ) лечение имеет быстрое начало и завершение эффекта и не является излечивающим, и (4) лечение требует минимального периода вымывания (Nikles, 2015). Тем не менее, симптоматическое лечение хронических состояний очень распространено в медицине, и на сегодняшний день исследования N-из-1 были применены во многих различных областях, включая нейропсихиатрию, медицину опорно-двигательного аппарата, пульмонологию, гастроэнтерологию, психологию, сердечно-сосудистые заболевания, аллергию и многое другое. Поэтому мы считаем, что испытания N-из-1 имеют более широкое применение, чем это обычно считается.

Апелляция N-из 1 испытаний

Испытания N-из-1 предлагают возможности, выходящие за рамки определения индивидуальных эффектов лечения. Их можно использовать для сравнения профилей побочных эффектов при различных видах лечения, для отмены назначений текущих методов лечения, которые не показывают клинической пользы, для сравнения различных доз/комбинаций лечения и для изучения того, что важно для пациента, путем включения исходов, ориентированных на пациента. в их дизайн. Данные нескольких исследований N-из-1 с одним и тем же протоколом могут быть статистически агрегированы для получения информации об эффектах лечения на индивидуальном и групповом уровне. Агрегированные испытания N из 1 могут генерировать доказательства, эквивалентные рандомизированным контролируемым испытаниям с параллельными группами и перекрестным испытаниям с меньшими размерами выборки благодаря статистической мощности, полученной в результате повторных наблюдений за каждым человеком (Blackston, Chapple, McGree, McDonald & Nikles ).

Испытания N из 1 для оценки подгрупп

Уилкинсон и др. считают, что «более прагматичный путь к большей персонализации может состоять в том, чтобы сместить цель в сторону стратифицированной медицины (т. е. выявить и прогнозировать подгруппы с лучшим и худшим ответом)». Мы хотели бы предположить, что это потенциально может быть решено в рамках схемы N-из-1. Если бы подгруппы были предложены априори, агрегированные исследования N из 1 могли бы быть использованы для оценки различий между подгруппами. Этого можно достичь, включив коварианту в линейный предиктор модели и оценив доказательства того, что эффект отличается от 0. Например, если пол считается подгруппой и предполагается размер эффекта, то анализ мощности может быть проведено, чтобы определить, какой размер выборки необходим для определения значимости этого эффекта. Затем нам нужно будет набрать минимальное количество женщин/мужчин для участия в испытании. Это подчеркивает, что исследования N-из-1 могут оценивать эффекты лечения на отдельных людях и в популяции, а также исследовать, выявлять и оценивать подгруппы.

Планирование испытаний N-из-1

Испытания N-из-1 не являются панацеей, и их разработка требует тщательного рассмотрения, чтобы избежать методологических проблем, которые могут ослабить внутреннюю валидность. Например, решения о продолжительности периодов в исследовании N-из-1 необходимо принимать с осторожностью, чтобы учесть потенциальные эффекты переноса, а также непосредственность или продолжительность эффекта лечения (McDonald, McGree & Bazzano, 2019). »). Международная совместная сеть клинических испытаний N-of-1 и дизайнов для отдельных случаев (ICN) — это глобальная сеть клиницистов, исследователей и потребителей медицинских услуг, заинтересованных в этих дизайнах. ICN предлагает экспертные советы и помощь исследователям и клиницистам, чтобы помочь в разработке высококачественных, научно обоснованных испытаний N-из-1.

Мы были рады увидеть поддержку использования испытаний N-из-1 в прецизионной медицине. Наша миссия состоит в том, чтобы продолжать продвигать и выступать за более широкое признание их ценности в многочисленных подходящих контекстах.

Об авторах

Доктор Сюзанна Макдональд — координатор клинических испытаний в Центре клинических исследований Университета Квинсленда, Брисбен, Австралия. Электронная почта: [email protected]

Профессор Джеймс МакГри — профессор Школы математических наук Квинслендского технологического университета, Брисбен, Австралия. Электронная почта: [email protected]

Адъюнкт-профессор Джейн Никлс является главным научным сотрудником Центра клинических исследований Университета Квинсленда, Брисбен, Австралия. Электронная почта: [email protected]

Ссылки

Блэкстон Дж. В., Чаппл А. Г., МакГри Дж. М., Макдональд С., Никлс Дж. (2019). Сравнение агрегированных испытаний N из 1 с параллельными и перекрестными рандомизированными контролируемыми испытаниями с использованием симуляционных исследований. Здравоохранение, 7, 137.

Макдональд С., МакГри Дж., Баззано Л. (2019). Обнаружение пользы в испытаниях n из 1. JAMA Internal Medicine, 1, 454–5.

Никлс Дж. N-из-1 Что такое испытания N-из-1. В Никлс Дж. и Митчелл Г. (2015). Основное руководство по испытаниям N-of-1 в области здравоохранения. СпрингерЛинк.

Сенн С. Статистические ловушки персонализированной медицины (2018). Природа, 563, 619–62.

Уилкинсон Дж., Арнольд К.Ф., Мюррей Э.Дж., ван Смеден М., Карр К., Сиппи Р., де Кампс М., Бим А., Конигорски С., Липперт С., Гилторп М.С. (2020). Пришло время проверить обещания точной медицины на основе машинного обучения. Цифровое здоровье Lancet. (сначала онлайн).

Первоначально опубликовано на https://www.nof1sced.org 30 ноября 2020 г.