Речь об одном препарате, но думаю в описание канала тоже смотрелось бы неплохо)))
У кого-нибудь ещё есть предложения по подходящим характеристикам канала?

Он как токсичный подорожник

Вообще тут же сложность еще с непропорциональными рисками в том, что их бы заранее, на этапе планирования исследования, выбора экстиманда и, соответственно, теста/ модели, предвидеть. Причем не просто предвидеть их наличие, но и то, как эта непропорциональность может быть устроена - от этого (т.е. того, как устроена альтернатива нулевой гипотезе о равенстве выживаемости/ хазардов в группах) зависит и мощность теста, а значит, и его выбор. Все логранги, включая MaхCombo, теряют мощность при пересекающихся хазардах (именно хазардах, что может происходить и без пересечения кривых выживаемости, просто пересечение последних - это самый крайний вариант).
Вот в этой статье как раз показано, как разные тесты работают в зависимости от того, как устроен эффект. Соответственно, нужно как-то заранее предположить, как он может быть устроен - исходя, из клинических соображений (например, в зависит от различий в механизме действия, если речь о сравнении разных опций терапии). Но. Даже если клинически мы будем предполагать, что риски пропорциональны, они потом могут оказаться непропорциональными из-за интеркуррентных событий или модификатора эффекта (эффект сильно разный в подгруппах), а такое предугадать бывает сложнее... Поэтому прежде чем бросаться подбирать подходящий тест (если мы его заранее не запланировали), я бы попробовала найти причину непропорциональности, особенно если она является "неожиданной" и необъяснимой клинически. Поскольку бороться с некоторыми причинами видимой непропорциональности нужно не с помощью альтернативных тестов или моделей выживаемости.
Если же про тесты говорить, то в той же статье есть и про их недостатки. Например, при отложенном эффекте, если мы используем взвешенный логранг с большим весом более поздним событиям, мы практически не штрафуем за ранние события, т.е. как бы цена одного и того же события получается разная, что тоже вызывает вопросы, в том числе с точки зрения этики.
И там же еще одна важная мысль, что тесты тестами, но вопрос об оценке эффекта остается. Например, даже если мы посчитаем какой-нибудь взвешенный HR, то мы его интерпретировать должны уже в привязке к тому периоду, по которому мы выживаемость сравнивали + и взвешенный, и невзвешенный HR в случае непропорциональности зависят от распределения времени до цензурирования, что как бы мешает делать вывод в отношении времени до события.

Кстати, в FDA есть рабочая группа по непропорциональным рискам (Cross-Pharma Non-proportional Hazards Working Group) - можно почитать их рекомендации (нет, у них нет своей странички в интернете, я нашла их случайно, есть несколько публикаций и презентаций) - например, https://ww2.amstat.org/meetings/biop/2020/onlineprogram/handouts/SC5-Handouts.pdf или https://doi.org/10.1080/19466315.2021.1874507. Не знаю, насколько они на практике являются устоявшимся в FDA, но статьи с критикой этого подхода (рекомендуемого этой группой MaxCombo теста, в частности) тоже есть (например, https://doi.org/10.1080/19466315.2021.2008485).

ответ на эту критику от этой группы тоже есть - https://doi.org/10.1080/19466315.2022.2103180, но я не нашла его полностью )) хотя очень любопытно было бы почитать его весь

Вспомнил про этот пост и решил дополнить

В блоге я такой какой в жизни. Здесь я не учу никого как жить, думать, мыслить, что читать, кого слушать, чем заниматься. Лишь пишу то, что интересно в первую очередь мне.
Если я что-то делаю провокационное, странное, то обычно я после поясняю почему и зачем (да, я стараюсь быть честным, думаю так правильно).
Самый простой способ - это воспринимать меня как странного знакомого, с которым можно поговорить за кружкой кофе про исследования, статистические модели (или о чем-то другом умном), и который в тот же момент будет смеяться над шуткой "судак-тудак" 😁

Предлагаю всем дружно отметить день беззадачности ничегонеделанием

Опубликован мой комментарий к протоколу GRECCAR 17

Возможно он не идеален, я мог допустить ошибки, но на мой взгляд в нынешнем виде протокол не отвечает на тот вопрос, на который нацелен и интересен для остальных хирургов (и без исследования понятно, что качество жизни у людей без стомы лучше, если все без осложнений). При этом много вопросов к шкале и к подгрупповым сравнениям

Надеюсь авторы примут к сведению. Если у вас есть свое мнение, то готов к дискуссии

Full text comment и протокол GRECCAR 17 в комментариях

ОДИН В ПОЛЕ НЕ ВОИН

Я уже писал про ATE (average treatment effect), но кроме него есть ещё другие альтернативы. А в этот раз вместе с авторами Канала Влияния решили объединиться и написать не один, а целых два (!) поста! Я расскажу про ATT с его двойником ATC, а у них вы можете прочитать в одном посте краткое резюме про эффекты в causal inference (очень рекомендую всем!).

ATT (average treatment effect on the treated) - средний эффект воздействия среди тех, кому было оно назначено, по сравнению с контрфактуальной ситуацией, в которой его не было [1, 2].

ATT = 𝔼[Y(1) - Y(0)|T = 1] = 𝔼[Y(1)|T = 1] - 𝔼[Y(0)|T = 1]

Представим на секунду, что у нас есть машина времени или способность заглянуть в контрфактуальный мир. Мы отбираем пациентов/людей/субъектов, которые подверглись какому-то вмешательству в нашем мире, фиксируем их исходы. Затем подсматриваем в прошлое/другой мир, где эти же субъекты уже не подвергались воздействию, и фиксируем их исходы. Находим разницу (ITE), считаем среднее [3, 4]. Ниже будет пример (рис. 1 и 2) как это выглядит в таблицах (по ссылке тоже есть).

Если все было бы так просто, то наши таблицы выглядели бы так... Но это скорее теоретическое представление. На практике у нас нет подобных волшебных машин (у пациента можно зафиксировать только наблюдаемый исход).

Что же делать? Мы же можем воспользоваться магией математики 😎
На самом деле в подходе causal inference есть решение этой проблемы, но у него есть свои ограничения и спорные моменты. Если коротко, то с помощью мэтчинга или взвешивания создаем псевдопопуляцию без воздействия (графически показал A.Heiss, рис. 3). А затем через parametric G-formula (мне нравится поясняющий короткий гайд) воссоздаем процесс получения контрфактуальных исходов и вычисляем ATT [3].

Представим, что каким-то чудом врач-исследователь (как сказали мои коллеги-блогеры, обычно (в 95%) такой не знает регрессию, проверяет нормальность и от иронии в блогах убегает) получил заветное значение ATT. Как ему его интерпретировать?

На мой взгляд наиболее удобная и понятная: насколько изменился исход (его вероятность) у пациентов, прошедших лечение?
Или
Пациенты получили лечение, как это отразится на их исходе?

Двойником (скорее братом) ATT является ATC/ATU/ATUT.

ATC (average treatment effect on the control/untreated) - средний эффект отсутсвия воздействия среди тех, кому оно не было назначено, по сравнению с контрфактуальной ситуацией, в которой оно было [1, 2].

ATC = 𝔼[Y(1) - Y(0)|T = 0] = 𝔼[Y(1)|T = 0] - 𝔼[Y(0)|T = 0]

Рассчитывается по аналогии с ATT (теоретически и практически, рис. 4).
Он встречается реже, и его сложнее представить. Его интерпретация: какой эффект мы бы наблюдали у непролеченных пациентов, если бы они получили лечение? [5].

Интересно, что в ситуации с РКИ ATE, ATT и ATC будут примерно равны (при определенных условиях - большая выборка, случайный набор и т.п.). Острее эта проблема стоит там, где РКИ невозможно провести, т.к. люди в группы вмешательства и контроля попадают по разным причинам (например, в социальных науках или наблюдательных исследованиях в медицине), а значит и эффекты для них будут разные [1, 5].

На мой взгляд, самое интересное, что эти типы эффектов надо рассматривать с самого начала планирования исследования (в качестве estimand'а), чтобы понимать как продумать методологию и дальнейший анализ данных.

@Ebm_base