I grafici a imbuto vengono utilizzati per endpoint continui, binari e di conteggio al fine di valutare le prestazioni di sottogruppi mutuamente esclusivi rispetto all'intera popolazione (Spiegelhalter, 2005). Nell'ambito degli studi clinici, i grafici a imbuto sono spesso utilizzati per valutare le prestazioni dei centri di ricerca e per stabilire se siano necessari ulteriori interventi di formazione e supervisione per mantenere la qualità dei dati (Zink et al., 2018).
Ad esempio, si consideri il grafico a barre a sinistra della Figura 1, che riassume la percentuale di decessi di pazienti verificatisi nei vari centri partecipanti allo studio clinico sulla nicardipina (Haley et al., 1993). Il grafico è annotato con un tasso di mortalità complessivo di circa il 25%. In caso di preoccupazione per la sicurezza, la reazione naturale sarebbe quella di effettuare un'indagine nei centri che presentano i tassi di mortalità più elevati per determinare se vi siano fattori che contribuiscono a un numero eccessivo di decessi.
Figure 1. Nicardipine exampleFigura 1. Esempio di nicardipina.
Tuttavia, un tasso di mortalità estremamente elevato potrebbe non essere motivo di allarme. Si consideri, ad esempio, un centro che ha arruolato un solo paziente. Il tasso di mortalità in questo centro ha due possibilità: 100% e 0%. Con un tasso di mortalità complessivo del 25%, un tasso di mortalità del 100% in un centro con un solo paziente arruolato non richiede necessariamente ulteriori approfondimenti. Il grafico a barre potrebbe riportare il campione del centro come etichette, ma questo non risolve il problema per i centri con più di un paziente arruolato. Idealmente, l'obiettivo è individuare i centri in cui il tasso di mortalità è insolito rispetto al numero di pazienti arruolati in quel centro.
Si consideri il funnel plot, presentato nella parte destra della Figura 1. Questo grafico mostra la proporzione di decessi in ciascun sito in base alla dimensione del campione di pazienti trattati in quel sito. Una linea di riferimento verticale (rossa) riassume il tasso di mortalità complessivo, mentre le linee curve collegano i limiti superiore e inferiore degli intervalli di confidenza (IC) al 99,8% e al 95% calcolati per ogni dimensione del campione rappresentata sull'asse X. Le regioni delineate da queste linee di riferimento possono essere utilizzate per categorizzare i marcatori dei siti e per definire gli interventi necessari. Ad esempio, i marcatori nel pannello di destra della Figura 1 sono:
- Verde, se il tasso di mortalità era inferiore al tasso di mortalità complessivo (rischio lieve).
- Giallo se il tasso di mortalità è superiore al tasso di mortalità generale (rischio moderato).
- Rosso, se il tasso di mortalità supera il limite superiore del 99,8%, che corrisponde a circa tre errori standard al di sopra della risposta complessiva (rischio elevato).
Le barre corrispondenti nel pannello di sinistra sono colorate di conseguenza, il che evidenzia come affidarsi esclusivamente a tassi di mortalità eccessivamente elevati non sia sufficiente per identificare i siti problematici.
Sono possibili ulteriori categorizzazioni. Ad esempio, si considerino le seguenti:
- Verde se il tasso di mortalità rientra nei limiti dell'intervallo di confidenza del 95% (rischio lieve).
- Giallo, se il tasso di mortalità supera l'intervallo di confidenza del 95% ed è compreso nell'intervallo di confidenza del 99,8% (rischio moderato), con tassi superiori alla media generale (che indicano un eccesso di decessi) e tassi inferiori alla media (che indicano scarsità).
- Rosso, se il tasso di mortalità supera l'intervallo di confidenza del 99,8% (rischio grave), con tassi superiori al limite superiore (che indicano un eccesso di decessi) e inferiori al limite inferiore (che indicano scarsità).
Certo, sebbene un minor numero di decessi sia in definitiva un fatto positivo, l'assenza di decessi può essere motivo di preoccupazione (ad esempio, ritardi nella segnalazione, cattiva condotta).
Il componente aggiuntivo Funnel Plot nel JMP Marketplace semplifica la creazione di grafici a imbuto, consentendo di generare grafici per endpoint continui, binari e di conteggio, con la possibilità di regolare gli intervalli dei risultati binari in base alla durata del follow-up (Liu et al., 2006). Gli utenti definiscono gli intervalli in base a specifici limiti di confidenza o multipli dell'errore standard (Figura 2).
Figure 2. Funnel Plot dialogFigura 2. Finestra di dialogo del grafico a imbuto.
Ad esempio, la Figura 3 riassume i tassi di incidenza delle trasfusioni di sangue, aggiustati in base all'esposizione, ogni 100 giorni.
Figure 3. Exposure-adjusted incidence rates of blood transfusion per 100 daysFigura 3. Tassi di incidenza di trasfusione di sangue aggiustati per l'esposizione ogni 100 giorni
Il manuale descrive i possibili miglioramenti futuri del componente aggiuntivo. Se lo trovate utile, condividete le vostre opinioni con me tramite il JMP Marketplace!
Riferimenti
- Hayley EC, Kassell NF e Torner JC. (1993). Uno studio clinico randomizzato controllato sull'uso di nicardipina endovenosa ad alto dosaggio nell'emorragia subaracnoidea aneurismatica . Rivista di Neurochirurgia 78: 537-547.
- Liu GF, Wang J, Liu K e Snavely DB. (2006). Intervalli di confidenza per una differenza di tasso di incidenza aggiustata per l'esposizione con applicazioni agli studi clinici . Statistica in medicina 25: 1275-1286.
- Spiegelhalter DJ. (2005). Funnel plots per il confronto delle prestazioni istituzionali . Statistica in medicina 24: 1185-1202.
- Zink RC, Dmitrienko A e Dmitrienko A. (2018). Ripensare le soglie basate sulla clinica di TransCelerate BioPharma per il monitoraggio basato sul rischio . Therapeutic Innovation & Regulatory Science 5: 560-571.
