高影响因子期刊上发表的那些非劣效性试验性

近些年刊登的非劣效性试验性越来越多，然而，这些数据分析的机器学习能量密度如何，我们还相去甚远。已对，《Circulation》杂志刊登了一项数据分析，以冠心病应用为例，对较高影响因子学报上刊登的非劣效性试验性的构造、机器学习能量密度等顺利完成了阐释。数据分析具体了1990-2016年刊登在JAMA、Lancet和NEJM上的非劣效性试验性。两位独立评审员萃取了数据。追捧的数据属性最主要非劣效性界值，哪些数据分析的结果翻倍了非劣效性，哪些试验性假定但会影响非劣效性推断出结果的主要或次要主因。主要的机器学习即便如此主因最主要：没同时展现ITT量化（意向性量化）和PP量化（相一致数据分析拟议量化）的结果，α＞0.05，一新病人伎俩并未与最佳病人拟议顺利完成非常，没假定非劣效性界值的全面性，队列除去人口数或失访率≥10%。次要主因最主要次优盲法，是否配对除去等。数据分析结果数据分析管理人员在PubMed上顺利完成数据库，一共数据库到2，544篇篇名，其中的110篇（最主要111项试验性）相一致入围准则（详见1）。详见1 入围的非劣效试验性的基本上数据分析构造数据分析刊登的一段时间跨度从1992年到2016年。这些试验性中的，样本量可支配为3，006（IQR：1，021-6，068）。可验证到非劣效性的效能（power）可支配为86％（IQR：80％-90％）。可进入主要站起量化的患儿可支配为2，707（IQR：1，021-5，966）。9项数据分析（8.1％）原定终止（4项数据分析由于可靠度问题，3项由于入组快速，1项数据分析发掘出无益处，1项数据分析由于连续性受到破坏）。非劣效性界值60项（54.0％）试验性的非劣效性界值是基于ARD（绝对可靠度关联性，absolute risk difference）决定的，50项（45.0％）试验性基于相对关联性（29项基于HR，14项基于RR，7项试验性基于OR）。1项试验性的界值基于相对关联性但没并作进一步分并作，1项试验性没分析报告非劣效性界值。各项试验性的非劣效性界值关联性很大（ARD在0.4％~25％，HR在1.05~2.85，RR在1.1~1.8，OR在1.1~2.0）。在刊登过数据分析的设计/数据分析拟议关的机器学习篇名的试验性中的，数据分析管理人员发掘出有7篇试验性的数据分析的设计/拟议与再度刊登的论文之间假定关联性或有个人信息缺失。有的在再度刊登的篇名中的更改了非劣效性界值，有的则欠缺如何选择非劣效性界值关的的外或全部细节。主要站起的结果111项试验性中的，有2项试验性，无法评核方差。在109项相一致准则的试验性中的，86项（78.9％）的试验性推测较强非劣效性（其中的20项试验性的结果也推测出优效性）；23项（21.1％）试验性并未翻倍非劣效性（16项数据分析的结果不具体，7项数据分析推测默许举措的结局更差）。在95项（85.6％）试验性中的，主要站起量化是基于ITT量化或测量仪器ITT量化，11项（9.9％）试验性常用PP量化，5项（4.5％）常用其他或并形式化的量化型式。绝大多数（90％）试验性在简短中的适当地分析报告了数据分析结果，即都是劣效，优效或劣效性，数据分析如果没翻倍，则指出并未翻倍非劣效性。但是，还有一些试验性，要么是简短给出的个人信息和数据分析结果之间假定关联性，要么是简短获取的个人信息极低。机器学习和分析报告的即便如此70项试验性（63.1％）通过对另一个队列一些人的二次量化（例如，如果首次量化是ITT量化，则再做一次PP量化）来展现主要数据分析站起，其中的66项试验性的结果相反，而4项试验性的两次量化结果不相反。68项试验性（61.3％）获取了如何具体非劣效性界值，而43项试验性（38.7％）没。110项（99.0％）试验性的侧α≤0.05，其中的44项试验性的侧α≤0.025。几天后量化（post-hoc ysis）发掘出，与药品试验性相比，药物试验性的α高度更很低（Wilcoxon秩和验证P = 0.02）。在27项数据分析中的（24.3％），有> 10％的旁观者原定退出，最主要随访失访，原定暂时中的止默许或其他原因（详见2）。总体而言，基于所有主要的偏倚主因，27项试验性（24.3％）被看来较强很低偏倚可靠度。97项（87.3％）试验性的标题或简短中的分析报告了非劣效性的设计。67项（60.4％）试验性，除了再度的数据分析论文，还联动刊登了数据分析的设计或数据分析拟议的机器学习篇名。在这67项试验性中的，8项（11.9％）试验性的非劣效性界值在再度投稿论文与拟议之间假定关联性或在其中的一篇篇名中的并未披露。大多数试验性（n = 60，54％）是开放关键字试验性，12项试验性（10.8％）为单盲，39项（35.1％）为随机对照。100项试验性顺利完成了配对除去（90％）。91项试验性（82％）对主要站起顺利完成了盲法判定。总之，基于所有的次要偏倚主因，25项试验性（22.5％）较强很低偏倚可靠度（所示2）。根据所有主要和次要主因，有7项试验性（6.3％）较强很低偏倚可靠度。几天后量化并未推测出三种学报的篇名在主要主因（Kruskal-Wallis验证P = 0.28）或次要主因（Kruskal-Wallis验证P = 0.11）上的关联性。然而，对非劣效性试验性的数据分析的设计或数据分析拟议的可则否顺利完成评核，在三种学报中的，NEJM刊登的试验性中的，有74.2％刊登过关的的机器学习篇名或有因特网的数据分析拟议，JAMA为53.3％，Lancet为33.3%（Fisher精准验证P = 0.001）。一段时间趋势近些年，这些学报上刊登的冠心病非劣效性试验性有所增加（P人口为120人0.001 for trend，所示3）。一项几天后量化推测，在111项确立的试验性中的，刊登一段时间在2010年后的有52项（46.8%）。2010年后来刊发的试验性，假定机器学习或数据分析分析报告即便如此的可靠度有所降很低（2010年之前 vs 2010年后来，主要偏倚主因和次要主因的P = 0.03和0.002）。辩论冠心病应用中的的非劣效性试验性越来越多地刊登在较高影响力的学报上，这些试验性中的非劣效性试验性主要用于对一新默许举措的验证。并且大多数是大型多区域内数据分析。鉴于许多非劣效性试验性已带进审批一新疗法的基础，很有必要性对他们顺利完成数据分析。尽管大多数试验性坚称一新病人伎俩相比对照组的非劣效性，但很多数据分析假定较强偏倚可靠度的机器学习或数据分析分析报告即便如此，但会削减其论证的说服力。有必要性提较高对这些即便如此主因的认识，更好违背FDA和CONSORT指南关于非劣效性试验性的设计、实施和分析报告的建议。参考文献：Circulation. 2019 Jun 10. doi： 10.1161/CIRCULATIONAHA.119.040214.