076. Hipotezy równoważności i nie gorszej skuteczności – podstawy

W poprzednich lekcjach omawialiśmy hipotezy przewagi, związku, predykcji, mediacji i moderacji. W wielu badaniach pytanie nie brzmi jednak: „czy nowa metoda działa lepiej?”, lecz raczej: „czy działa wystarczająco podobnie?” albo „czy nie jest klinicznie gorsza od rozwiązania standardowego?”. Takie pytania wymagają innej logiki niż klasyczny test różnicy.

W tej lekcji wprowadzimy dwa ważne schematy: hipotezę równoważności oraz hipotezę nie gorszej skuteczności (ang. non-inferiority). Są one szczególnie użyteczne w badaniach medycznych, pielęgniarskich, psychologicznych i zdrowia publicznego, gdy nowa interwencja może mieć inne zalety, na przykład niższy koszt, prostsze stosowanie, mniejsze obciążenie dla pacjenta lub lepszą dostępność.

1. Dlaczego klasyczny test różnicy nie wystarcza?

Załóżmy, że porównujemy nowy lek z leczeniem standardowym. W klasycznym badaniu przewagi testujemy zwykle hipotezę zerową o braku różnicy:

H₀: δ = 0

H₁: δ ≠ 0 albo, w hipotezie kierunkowej, H₁: δ > 0.

Jeżeli nie odrzucimy H₀, nie oznacza to jednak, że obie metody są równoważne. Oznacza tylko, że dane nie dostarczyły wystarczających podstaw do stwierdzenia różnicy przy przyjętym modelu, poziomie istotności i liczebności próby. Małe badanie może nie wykryć rzeczywistej, lecz umiarkowanej różnicy. Dlatego „brak istotności statystycznej” nie jest dowodem równoważności.

Właśnie ten problem wskazywał Blackwelder: jeśli celem jest wykazanie, że nowa terapia jest co najmniej wystarczająco dobra w porównaniu ze standardem, zwykła hipoteza o równości nie odpowiada logicznie celowi badania (Blackwelder, 1982). ([pubmed.ncbi.nlm.nih.gov](https://pubmed.ncbi.nlm.nih.gov/7160191/?utm_source=openai))

2. Równoważność a nie gorsza skuteczność

2.1. Hipoteza równoważności

Badanie równoważności ma wykazać, że różnica między dwiema interwencjami mieści się w z góry ustalonym, praktycznie akceptowalnym przedziale. Nie chodzi o dosłowną identyczność efektów. W praktyce „równoważne” oznacza: różniące się na tyle mało, że różnica nie ma istotnego znaczenia klinicznego, organizacyjnego lub praktycznego.

Niech:

• δ oznacza prawdziwą różnicę efektów między interwencją badaną a referencyjną;
• Δ oznacza margines równoważności;
• −Δ i +Δ wyznaczają granice akceptowalnego przedziału.

Hipotezy można zapisać następująco:

H₀: δ ≤ −Δ lub δ ≥ +Δ

H₁: −Δ < δ < +Δ

Hipoteza zerowa obejmuje więc wszystkie różnice, które są zbyt duże, aby uznać interwencje za równoważne. Hipoteza alternatywna mówi, że różnica mieści się wewnątrz ustalonego przedziału równoważności.

2.2. Hipoteza nie gorszej skuteczności

W badaniu nie gorszej skuteczności interesuje nas zwykle tylko jedna strona różnicy. Chcemy wykazać, że nowa metoda nie jest gorsza od referencyjnej o więcej niż ustalony margines.

Przyjmijmy, że większa wartość wyniku oznacza lepszy efekt, a różnicę definiujemy jako:

δ = efekt interwencji badanej − efekt interwencji referencyjnej.

Jeżeli zatem ujemna różnica oznacza pogorszenie, hipotezy przyjmują postać:

H₀: δ ≤ −Δ

H₁: δ > −Δ

Odrzucenie H₀ pozwala wnioskować, że nowa interwencja nie jest gorsza od standardu o więcej niż Δ. Nie pozwala automatycznie stwierdzić, że jest równoważna ani lepsza. Jeżeli wynik wskazuje także na przewagę, można rozważyć dodatkowe, wcześniej zaplanowane wnioskowanie o wyższości.

W badaniach nie gorszej skuteczności kluczowe znaczenie ma wiarygodność aktywnego komparatora. Jeżeli standard w danym badaniu nie działał tak, jak powinien, na przykład z powodu słabego przestrzegania protokołu, brak wykazanej różnicy może być mylący. FDA zwraca uwagę między innymi na dobór marginesu, czułość badania i możliwość interpretacji wyników (FDA, 2016). ([fda.gov](https://www.fda.gov/regulatory-information/search-fda-guidance-documents/non-inferiority-clinical-trials?utm_source=openai))

3. Margines równoważności i margines nie gorszej skuteczności

Margines Δ nie jest parametrem wyznaczanym po analizie danych. Powinien zostać ustalony przed rozpoczęciem badania, na podstawie wiedzy klinicznej, wcześniejszych badań, znaczenia praktycznego wyniku oraz konsekwencji błędnej decyzji.

Margines nie powinien oznaczać „dowolnej różnicy, którą badacz uzna za wygodną”. Zbyt szeroki margines ułatwia uzyskanie wniosku o nie gorszej skuteczności, ale może prowadzić do zaakceptowania klinicznie ważnego pogorszenia. Zbyt wąski margines może natomiast wymagać nierealistycznie dużej próby i być nieproporcjonalny do precyzji pomiaru.

Przykładowo, jeżeli w badaniu ciśnienia tętniczego przyjmujemy, że różnica większa niż 5 mmHg w niekorzystnym kierunku ma znaczenie kliniczne, margines może wynosić Δ = 5 mmHg. Wartość ta musi jednak wynikać z uzasadnienia merytorycznego, a nie z samego faktu, że jest wygodna obliczeniowo.

4. Przedział ufności jako podstawowe narzędzie interpretacji

W badaniach równoważności i nie gorszej skuteczności szczególnie czytelna jest interpretacja przedziału ufności dla oszacowanej różnicy. Dla równoważności sprawdzamy, czy cały odpowiedni przedział ufności mieści się pomiędzy −Δ a +Δ.

Jeżeli uzyskano:

95% CI dla δ: −2,1 do 1,8, przy Δ = 5,

to cały przedział mieści się w zakresie od −5 do +5. Wynik wspiera wniosek o równoważności.

Jeżeli jednak uzyskano:

95% CI dla δ: −6,4 do 1,2,

to przedział przekracza dolną granicę −5. Nie można stwierdzić równoważności, ponieważ dane są zgodne z pogorszeniem większym niż dopuszczalny margines.

W badaniu nie gorszej skuteczności interesuje nas zwykle dolna granica przedziału. Przykład:

95% CI dla δ: −3,2 do 2,4, przy marginesie −5.

Ponieważ dolna granica −3,2 jest wyższa niż −5, wynik wspiera nie gorszą skuteczność. Nie oznacza to jednak, że interwencja jest równoważna w obu kierunkach ani że jej efekt jest identyczny ze standardem.

5. Test TOST w badaniach równoważności

Klasycznym podejściem do testowania równoważności jest procedura TOST (two one-sided tests), czyli dwa testy jednostronne. Jej idea polega na rozbiciu hipotezy o braku równoważności na dwa osobne zagadnienia:

1. czy nowa metoda nie jest zbyt gorsza od standardu?
2. czy nowa metoda nie jest zbyt lepsza od standardu, jeśli celem jest pełna równoważność?

Dla różnicy δ i marginesu Δ wykonuje się dwa testy:

H₀₁: δ ≤ −Δ przeciwko H₁₁: δ > −Δ

H₀₂: δ ≥ +Δ przeciwko H₁₂: δ < +Δ

Równoważność stwierdza się wtedy, gdy oba testy jednostronne są istotne statystycznie przy ustalonym poziomie α. Równoważnie można sprawdzić, czy dwustronny przedział ufności 100(1 − 2α)% mieści się całkowicie w granicach −Δ i +Δ. Dla α = 0,05 odpowiada to zwykle 90% przedziałowi ufności.

Procedura TOST została zaproponowana i rozwinięta w kontekście oceny równoważności, między innymi w badaniach biodostępności (Schuirmann, 1987). ([pubmed.ncbi.nlm.nih.gov](https://pubmed.ncbi.nlm.nih.gov/3450848/?utm_source=openai))

6. Przykład praktyczny: krótszy program rehabilitacji

Załóżmy, że porównujemy standardowy, ośmiotygodniowy program rehabilitacji z nowym programem trwającym cztery tygodnie. Nowy program jest tańszy i łatwiejszy do wdrożenia, ale chcemy sprawdzić, czy nie zapewnia istotnie gorszej poprawy sprawności.

Wynik oceniamy za pomocą skali, w której wyższy wynik oznacza większą poprawę. Różnicę definiujemy jako:

δ = średnia poprawa w programie krótszym − średnia poprawa w programie standardowym.

Eksperci uznają, że pogorszenie większe niż 4 punkty byłoby praktycznie nieakceptowalne. Ustalamy więc margines nie gorszej skuteczności Δ = 4 punkty.

Hipotezy:

• H₀: δ ≤ −4 — krótszy program jest gorszy od standardowego o co najmniej 4 punkty;
• H₁: δ > −4 — krótszy program nie jest gorszy o 4 punkty lub więcej.

Oszacowana różnica wynosi −0,8 punktu, a 95% przedział ufności: od −2,6 do 1,1. Dolna granica przedziału wynosi −2,6, czyli jest wyższa niż −4. Możemy więc uznać, że wynik wspiera nie gorszą skuteczność krótszego programu.

Nie wolno jednak napisać: „programy są identyczne” ani „krótszy program jest równie skuteczny w każdym sensie”. Wniosek powinien być węższy: w odniesieniu do zdefiniowanego wyniku i ustalonego marginesu krótszy program spełnił kryterium nie gorszej skuteczności.

7. Przykład z medycyny: równoważność dwóch sposobów podawania leku

Rozważmy badanie porównujące doustne i dożylne podawanie leku przeciwbólowego u pacjentów po zabiegu. Droga dożylna może działać szybko, ale wymaga dostępu naczyniowego i większych zasobów personelu. Droga doustna jest prostsza i tańsza, lecz nie musi działać dokładnie tak samo.

Badacze chcą wykazać równoważność w zakresie zmniejszenia natężenia bólu po 24 godzinach. Ustalają, że różnica większa niż 1 punkt w skali bólu, w dowolnym kierunku, byłaby istotna klinicznie. Margines równoważności wynosi więc Δ = 1.

Jeżeli 90% przedział ufności dla różnicy doustne minus dożylne wynosi od −0,6 do 0,7, cały przedział znajduje się wewnątrz zakresu od −1 do +1. Wynik wspiera równoważność w odniesieniu do tego konkretnego punktu końcowego.

Nie można na tej podstawie automatycznie stwierdzić równoważności bezpieczeństwa, szybkości początku działania ani satysfakcji pacjentów. Każdy ważny punkt końcowy powinien mieć własne uzasadnienie, sposób pomiaru i, jeżeli jest to konieczne, własne kryterium akceptowalnej różnicy.

8. Analiza przypadku: kiedy „brak różnicy” wprowadza w błąd?

Badanie obejmujące 30 osób porównuje nową metodę psychoterapii z terapią standardową. Średnia różnica wynosi 3 punkty na skali objawów, ale test różnicy daje p = 0,18. Autorzy piszą: „nie stwierdzono różnicy, zatem metody są równoważne”.

To rozumowanie jest niepoprawne. Po pierwsze, p = 0,18 nie jest prawdopodobieństwem, że hipoteza zerowa jest prawdziwa. Po drugie, nie znamy jeszcze precyzji oszacowania. Załóżmy, że 95% przedział ufności wynosi od −4 do 10 punktów. Taki przedział obejmuje zarówno niewielkie pogorszenie, brak różnicy, jak i znaczącą przewagę nowej metody. Wynik jest więc nieprecyzyjny.

Aby badać równoważność, należałoby wcześniej ustalić margines, na przykład ±5 punktów, zaplanować odpowiednią liczebność próby i zastosować analizę odpowiadającą temu celowi. Zwykłe nieodrzucenie hipotezy o równości nie zastępuje badania równoważności.

9. Najczęstsze błędy

• Traktowanie p > 0,05 jako dowodu równoważności. Nieistotny wynik testu przewagi oznacza jedynie brak wystarczających dowodów na różnicę w tym badaniu.
• Ustalanie marginesu po obejrzeniu wyników. Margines powinien być zdefiniowany przed analizą główną i uzasadniony merytorycznie.
• Mylenie nie gorszej skuteczności z równoważnością. Non-inferiority dotyczy przede wszystkim jednej, niekorzystnej strony różnicy; equivalence wymaga ograniczenia różnicy z obu stron.
• Niejasne określenie kierunku różnicy. Przed analizą trzeba zapisać, czy wyższy wynik oznacza poprawę, pogorszenie, czy większe ryzyko.
• Używanie zbyt szerokiego marginesu. Margines powinien odzwierciedlać akceptowalną różnicę, a nie ułatwiać uzyskanie pozytywnego wniosku.
• Pomijanie jakości leczenia referencyjnego. W badaniu nie gorszej skuteczności słaby standard może sztucznie ułatwiać wykazanie, że nowa metoda nie jest gorsza.
• Wnioskowanie o wszystkich aspektach terapii na podstawie jednego wyniku. Równoważność skuteczności w jednym punkcie końcowym nie oznacza równoważności bezpieczeństwa, kosztu, trwałości efektu ani akceptacji pacjentów.
• Ignorowanie braków danych i odstępstw od protokołu. W badaniach nie gorszej skuteczności sposób analizowania uczestników może istotnie wpływać na wynik. Z tego powodu warto zaplanować analizę w populacji zgodnej z przyjętym estimandem oraz analizę wrażliwości.

10. Jak zapisać hipotezę w projekcie badania?

Poprawny zapis powinien obejmować co najmniej pięć elementów:

1. interwencję badaną i referencyjną;
2. główny punkt końcowy;
3. kierunek różnicy i definicję δ;
4. margines równoważności lub nie gorszej skuteczności;
5. kryterium wnioskowania, na przykład położenie przedziału ufności.

Przykładowe sformułowanie dla badania nie gorszej skuteczności:

Hipoteza zerowa zakłada, że nowy program zmniejsza wynik funkcjonowania o co najmniej 5 punktów w porównaniu z programem standardowym. Hipoteza alternatywna zakłada, że pogorszenie nie przekracza 5 punktów. Nie gorszą skuteczność uznamy za wykazaną, jeżeli dolna granica 95% przedziału ufności dla różnicy nowy program minus standard będzie większa niż −5 punktów.

Tak zapisany cel jest znacznie bardziej precyzyjny niż zdanie: „sprawdzimy, czy programy różnią się istotnie”. W publicznym szkoleniu na statystyk.edu.pl ten sposób przechodzenia od pytania merytorycznego do hipotezy statystycznej stanowi ważny element planowania analizy.

Co warto zapamiętać?

• Brak istotnej statystycznie różnicy nie dowodzi równoważności.
• Równoważność oznacza, że różnica mieści się w ustalonym przedziale od −Δ do +Δ.
• Nie gorsza skuteczność dotyczy jednej, niekorzystnej granicy — nowa metoda nie może być gorsza od standardu o więcej niż Δ.
• Margines należy uzasadnić przed rozpoczęciem analizy, najlepiej na podstawie znaczenia klinicznego lub praktycznego.
• W badaniach równoważności można stosować procedurę TOST albo interpretować odpowiedni przedział ufności.
• Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej.
• Istotność statystyczna, wielkość efektu i znaczenie praktyczne są odrębnymi kategoriami.
• Wniosek zawsze powinien odnosić się do konkretnego punktu końcowego, populacji, marginesu i sposobu analizy.

W kolejnych lekcjach można rozwinąć temat planowania liczebności próby, wyboru marginesu, interpretacji analiz per-protocol i intention-to-treat oraz raportowania badań równoważności zgodnie z rozszerzeniem CONSORT. Aktualne zalecenia CONSORT wymagają między innymi jasnego określenia, czy badanie ma wykazać przewagę, równoważność czy nie gorszą skuteczność, a także przedstawienia uzasadnienia marginesu i sposobu interpretacji wyników (Piaggio et al., 2012). ([equator-network.org](https://www.equator-network.org/reporting-guidelines/consort-non-inferiority/?utm_source=openai))

\n

Źródła i dalsza lektura

\n

1. Blackwelder, W. C. (1982). “Proving the null hypothesis” in clinical trials. Controlled Clinical Trials, 3(4), 345–353. DOI: 10.1016/0197-2456(82)90024-1.
2. Schuirmann, D. J. (1987). A comparison of the two one-sided tests procedure and the power approach for assessing the equivalence of average bioavailability. Journal of Pharmacokinetics and Biopharmaceutics, 15(6), 657–680. DOI: 10.1007/BF01068419.
3. Piaggio, G., Elbourne, D. R., Pocock, S. J., Evans, S. J. W., Altman, D. G., for the CONSORT Group (2012). Reporting of noninferiority and equivalence randomized trials: extension of the CONSORT 2010 statement. JAMA, 308(24), 2594–2604. DOI: 10.1001/jama.2012.87802.
4. U.S. Food and Drug Administration (2016). Non-Inferiority Clinical Trials to Establish Effectiveness: Guidance for Industry. U.S. Food and Drug Administration. Źródło.
5. International Council for Harmonisation of Technical Requirements for Pharmaceuticals for Human Use (1998). ICH E9: Statistical Principles for Clinical Trials. International Council for Harmonisation of Technical Requirements for Pharmaceuticals for Human Use. Źródło.
6. Rousson, V., and others (2020). Methodological aspects of superiority, equivalence, and non-inferiority trials. Journal of Clinical Medicine, 9(8), 2463. DOI: 10.3390/jcm9082463.

\n