Kun 100 haurasta keskosta opettaa tilastotiedettä paremmin kuin tuhat oppikirjaa

 

Ruotsalainen DROPROP-tutkimus satunnaisti 100 erittäin ennenaikaista vauvaa kortisolisilmätippoihin tai plaseboon (valelääkkeeseen). Hoitoa vaativaa retinopatiaa kehittyi tipparyhmässä 20 %:lle, plaseboryhmässä 38 %:lle. Suhteellinen riskin vähenemä oli n. 47 %. 

P-arvo oli 0,08.

Pysähdytään tähän rauhassa. Tulos ei siis ihan yltänyt perinteiseen tilastollisen merkitsevyyden rajaan (p < 0,05). Silti kliininen vaikutus oli selvä, sivuvaikutuksia ei juuri nähty, ja hoito on edullinen sekä ei-invasiivinen. Hoito todennäköisesti asetetaan parin vuoden sisällä yliopistosairaaloiden standardiarsenaaliin. Veikkasin, että valtaosa kliinikoista odottelee suurempaa, varmistavaa RCT-tasoista tutkimusdataa. Toisaalta halpa hinta ja minimaaliset haitat mainitussa käytössä laskevat rimaa olennaisella tavalla. ”Sama nakata mukaan” -tyyppinen päätös. Et taatusti halua päästellä skeptisiä höyryjä plaseboryhmän keskosten vanhemmille. Anyways, nuo jutut menevät etiikan puolelle – nyt takaisin tilastotieteisiin.   

DROPROP-tutkimus on yksi parhaista viimeaikaisista esimerkeistä siitä, miksi tilastollinen merkitsevyys ≠ kliininen merkittävyys. Selkosuomeksi: tulos voi olla tilastollisesti merkitsevä, muttei kliinisesti merkittävä – ja kääntäen. Ok? 😎

Aiemmassa kirjoituksessani (P-arvon ja Cohenin d:n filosofia) kävin läpi, miten p-arvo on puhdasta matematiikkaa laskennassaan, mutta sen tulkinta on inhimillinen konstruktio. Raja 0,05 on historiallinen sopimus, ei luonnonvakio, luonnonlaista puhumattakaan. DROPROP valottaa kupletin juonta varsin dramaattisesti.

Otetaan konkreettinen esimerkki. Oletetaan, että suhteellinen riskin vähenemä pysyy samana (n. 47 %), mutta otoskoko muuttuu:

- Jos tutkimuksessa olisi ollut vain 50 vauvaa, p-arvo olisi todennäköisesti noussut selvästi yli 0,10. 

- Jos vauvoja olisi ollut 500, sama kliininen ero olisi lähes varmasti tuottanut p < 0,001.

Efektikoko eli kliininen vaikutus pysyy samana, mutta p-arvo hyppii rajusti otoskoon mukaan. Juuri siksi pelkkään p-arvoon tuijottaminen on vaarallista: silloin sekoittuu helposti todisteiden vahvuus ja vaikutuksen koko.

Pro gradu -tasolla työskentelevän kannattaa painaa mieleen juuri tämä ero. Et välttämättä tee omaa RCT:tä, mutta lähes varmasti luet, referoit ja tulkitset p-arvoja. Kun näet p = 0,06 tai p = 0,09 tutkimuksessa, jossa efektikoko on kliinisesti relevantti ja otoskoko realistinen, älä automaattisesti leimaa tulosta “negatiiviseksi”. Kysy sen sijaan:

1. Mikä on efektikoko (risk ratio, absolute risk reduction, NNT tms.)?

2. Onko tulos kliinisesti järkevä kontekstissaan?

3. Kuinka kallis, riskialtis tai käytännöllinen interventio on?

DROPROP on konkreettinen esimerkki: 100 pientä vauvaa, selvä kliininen ero, p = 0,08. Se ei kaadu formalistiseen kynnykseen, vaan pakottaa lukijan ajattelemaan.

Alansa kehitystä seuraavat kliinikot joutuvat kiperään paikkaan tämän tyyppisissä tilanteissa: missä vaiheessa uutuushoito voidaan ottaa kliiniseen käyttöön? Milloin näyttö on ”riittävää”? Kenen mukaan? 

Siirrymme, kuin veitsellä leikaten filosofian maaperälle, mutta otamme toki vetoapua tieteiden puolelta. Näiden tippojen farmakodynamiikka ja -kinetiikka tunnetaan varsin hyvin, mutta epämiellyttäviä yllätyksiä voi ilmetä (erityisesti haurailla keskosilla, joiden sisäelimet eivät kykene tehokkaasti eliminoimaan vierasaineita). Tunnemme myös retinopatian patofysiologian ainakin pääpiirteissäin. Hinnasta ja saatavuudesta saamme objektivista tietoa. 

Hoitopäätös on loppupelissä kuitenkin aina arvoarvostelma (mielipidekysymys).

Anssi H. Manninen (aka ”Kant II”)

Lue myös: 

P-arvon ja Cohenin d:n filosofia: Matemaattisesta totuudesta tulkinnan mielivaltaan