Uji coba terkontrol secara acak adalah standar emas untuk mengevaluasi kemanjuran pengobatan, namun efektivitas di dunia nyata mungkin berbeda-beda. Salah satu alasannya adalah uji klinis sering kali memiliki kriteria inklusi yang lebih ketat dibandingkan populasi target yang diobati. Para pembuat kebijakan, pembayar, dan dokter mungkin bertanya-tanya seberapa baik hasil dari populasi uji klinis yang terbatas dapat diterapkan pada populasi ‘target’ di dunia nyata.
Ini adalah pertanyaan makalah oleh 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 (CATE) 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 dipublikasikan tidak memiliki rekomendasi konsensus; beberapa menemukan peningkatan yang lebih baik dengan SU dan yang lainnya dengan DPP4i. Seperti disebutkan di atas, salah satu permasalahannya 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 (“RCT memenuhi syarat”) dan mereka yang tidak memenuhi kriteria tersebut (“RCT tidak memenuhi syarat”). Para penulis membandingkan ATE untuk ‘yang memenuhi syarat RCT’ dengan RCT yang memiliki kriteria kelayakan yang sama (‘benchmark RCT’) untuk menguji seberapa baik data dunia nyata meniru data RCT. Selanjutnya, penulis membandingkan CATEs untuk keseluruhan populasi sasaran (yaitu, kelompok ‘yang memenuhi syarat RCT’ dan ‘yang 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 ekonometrik yang digunakan adalah dengan menggunakan variabel instrumental lokal (LIV). Instrumen yang digunakan adalah
…kecenderungan kelompok komisioning klinis (CCG) untuk meresepkan (TTP) DPP4i sebagai pengobatan lini kedua. Selama jangka waktu penelitian, dokter umum (GP) bekerja dalam CCG yang memberikan informasi terhadap 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 melakukan estimasi LIV sebagai berikut:
…model tahap pertama memperkirakan kemungkinan bahwa setiap orang diberi resep DDP4i berdasarkan kovariat dasar dan TTP CCG 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 (gaussian) dan fungsi tautan (identitas) yang paling sesuai dipilih berdasarkan kesalahan akar rata-rata kuadrat, dengan Tes Hosmer-Lemeshow dan Pregibon juga digunakan untuk memeriksa kesesuaian 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 jangka waktu penelitian, dokter umum (GP) bekerja dalam CCG yang memberikan informasi terhadap keputusan pendanaan kesehatan untuk wilayah geografis masing-masing. Misalnya, beberapa CCG cenderung merekomendasikan –kepada dokter umum yang terafiliasi – resep DPP4i atau SU sebagai pengobatan lini kedua.
Penulis menggunakan pendekatan ini dan menemukan bahwa:
Perkiraan ATE untuk populasi yang ‘memenuhi syarat RCT’ serupa dengan perkiraan RCT yang dipublikasikan. Perkiraan CATE berada pada arah yang sama untuk subpopulasi yang disertakan dan yang tidak disertakan dalam RCT, namun besarnya berbeda. Variasi dalam perkiraan dampak pengobatan individu lebih besar pada sampel yang lebih luas yaitu orang-orang yang tidak memenuhi kriteria inklusi RCT dibandingkan mereka yang memenuhi kriteria inklusi RCT.
Grafik menunjukkan hasil keseluruhan untuk RCT yang memenuhi syarat dan tidak memenuhi syarat serta untuk subkelompok minat tertentu.
Poin Pembelajaran
Sebutkan 4 syarat yang harus dipenuhi agar instrumen valid? Para penulis menggambarkannya sebagai berikut.
Pertama, instrumen harus memprediksi pengobatan 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 mempunyai dampak terhadap hasil. hanya melalui pengobatan yang diterima… Keempat, kita berasumsi bahwa rata-rata pilihan pengobatan harus meningkat atau menurun secara monoton dengan tingkat IV.
BN Nasional
