199. Minimalnie istotna klinicznie różnica a wielkość próby

W poprzednich lekcjach omawialiśmy, jak obliczać wielkość próby dla różnych typów zmiennych i analiz. Sam wybór wzoru nie odpowiada jednak na najważniejsze pytanie projektowe: jak duża różnica między grupami byłaby rzeczywiście ważna dla pacjenta, klinicysty lub systemu ochrony zdrowia? Odpowiedzią jest minimalnie istotna klinicznie różnica, często oznaczana skrótem MCID od angielskiego minimal clinically important difference. Jej właściwe określenie jest jednym z kluczowych etapów planowania badania, ponieważ bezpośrednio wpływa na wymaganą wielkość próby i moc statystyczną.

Czym jest minimalnie istotna klinicznie różnica?

Minimalnie istotna klinicznie różnica to najmniejsza zmiana wyniku, którą można uznać za ważną z perspektywy pacjenta, profesjonalisty medycznego albo procesu podejmowania decyzji klinicznych. Nie chodzi więc o dowolną różnicę możliwą do wykrycia za pomocą testu statystycznego, lecz o efekt mający znaczenie praktyczne.

Przykładowo, jeżeli skala bólu ma zakres od 0 do 10 punktów, zmiana o 0,1 punktu może być wykrywalna w bardzo dużym badaniu, ale najprawdopodobniej nie będzie zauważalna przez większość pacjentów. Z kolei spadek bólu o 2 punkty może być odczuwalny i uzasadniać zmianę postępowania terapeutycznego. To właśnie różnica tego drugiego rodzaju może stanowić kandydatkę na MCID.

Pojęcie MCID zostało wprowadzone do dyskusji o pomiarze stanu zdrowia przez Jaeschkego, Singera i Guyatta (1989). Współczesna literatura podkreśla jednak, że nie istnieje jedna uniwersalna wartość MCID dla każdej skali, populacji i sytuacji klinicznej. Wartość ta zależy między innymi od:

• rodzaju mierzonego wyniku;
• ciężkości choroby i charakterystyki badanej populacji;
• punktu wyjścia i zmienności wyników;
• perspektywy pacjenta, klinicysty lub płatnika;
• kosztów, ryzyka i uciążliwości interwencji;
• tego, czy analizujemy zmianę wewnątrz osoby, czy różnicę między grupami.

Z tego powodu w literaturze spotyka się także terminy minimal important difference (MID), minimal clinically important change oraz smallest worthwhile effect. Nie zawsze są one idealnymi synonimami, ale wszystkie odnoszą się do problemu praktycznego znaczenia obserwowanego efektu. W tym artykule używamy określenia MCID w szerokim, dydaktycznym sensie.

MCID a istotność statystyczna

MCID nie jest wartością p i nie zastępuje hipotezy statystycznej. Są to dwa różne elementy oceny wyniku.

Istotność statystyczna informuje, na ile dane są zgodne z określonym modelem zerowym, zwykle zakładającym brak różnicy lub brak związku. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej i nie mówi, czy zaobserwowany efekt jest ważny dla pacjenta.

MCID określa próg znaczenia praktycznego. Pozwala zapytać, czy efekt jest wystarczająco duży, aby mógł uzasadniać zmianę decyzji klinicznej lub organizacyjnej.

Możliwe są zatem cztery podstawowe sytuacje:

Wynik statystyczny	Relacja do MCID	Interpretacja
Istotny statystycznie	Poniżej MCID	Różnica prawdopodobnie istnieje, ale może być zbyt mała, aby mieć znaczenie praktyczne.
Istotny statystycznie	Co najmniej MCID	Wynik wskazuje zarówno na wiarygodną statystycznie, jak i potencjalnie ważną klinicznie różnicę.
Nieistotny statystycznie	Przedział obejmuje MCID	Badanie może być zbyt małe, aby wykluczyć istotny klinicznie efekt.
Nieistotny statystycznie	Cały przedział poniżej MCID	Dane są bardziej zgodne z brakiem efektu o znaczeniu praktycznym, choć zawsze trzeba uwzględnić jakość pomiaru i projekt badania.

Najważniejszym uzupełnieniem wartości p jest przedział ufności dla oszacowanej różnicy. Pozwala on ocenić zarówno kierunek efektu, jak i zakres wartości zgodnych z danymi. CONSORT zaleca, aby planowanie wielkości próby opierać na klinicznie ważnym efekcie, a wyniki przedstawiać wraz z oszacowaniem efektu i jego niepewnością (CONSORT Group, 2010).

Dlaczego MCID wpływa na wielkość próby?

Wielkość próby zależy między innymi od tego, jak małą różnicę chcemy wykryć. Im mniejsza zakładana różnica, tym większej próby potrzeba, aby odróżnić ją od losowej zmienności danych.

Dla dwóch niezależnych średnich, przy założeniu jednakowych liczebności w grupach i przybliżenia normalnego, często stosuje się wzór:

n = 2 × (z1−α/2 + z1−β)² × σ² / Δ²

gdzie:

• n – wymagana liczebność jednej grupy;
• α – poziom błędu pierwszego rodzaju, na przykład 0,05 dla testu dwustronnego;
• β – prawdopodobieństwo błędu drugiego rodzaju;
• 1−β – moc statystyczna, na przykład 0,80 lub 0,90;
• z_1−α/2 – kwantyl standardowego rozkładu normalnego odpowiadający dwustronnemu poziomowi α;
• z_1−β – kwantyl odpowiadający wymaganej mocy;
• σ – przewidywane odchylenie standardowe wyniku;
• Δ – różnica, którą badanie ma wykryć; w planowaniu klinicznym często przyjmuje się ją jako MCID.

Wzór pokazuje dwie ważne zależności. Po pierwsze, liczebność rośnie proporcjonalnie do kwadratu zmienności σ². Po drugie, liczebność rośnie odwrotnie proporcjonalnie do kwadratu zakładanej różnicy Δ². Jeżeli chcemy wykryć efekt o połowę mniejszy, teoretycznie potrzebujemy około czterokrotnie większej próby, przy niezmienionych pozostałych założeniach.

W praktyce nie zawsze korzysta się dokładnie z tego wzoru. Dla proporcji, danych czasu do zdarzenia, analiz klastrowych, badań nie gorszości lub modeli wieloczynnikowych stosuje się odpowiednie procedury obliczeniowe. Zasada pozostaje jednak taka sama: MCID jest docelowym efektem, który powinien być wykrywalny z ustaloną mocą.

Jak wyznaczyć MCID?

Metody oparte na kotwicy

Metody kotwicowe odnoszą zmianę wyniku liczbowego do zewnętrznego kryterium, zwanego kotwicą. Może nim być na przykład odpowiedź pacjenta na pytanie: „Czy odczuwa Pan/Pani niewielką, ale ważną poprawę?”. Następnie sprawdza się, jaka średnia zmiana wyniku kwestionariusza odpowiada tej deklaracji.

Zaletą metod kotwicowych jest bezpośrednie odwołanie do znaczenia dla pacjenta. Ograniczeniem pozostaje wybór kotwicy, podatność na błąd pamięci oraz fakt, że deklarowana poprawa może zależeć od aktualnego stanu zdrowia i oczekiwań.

Metody oparte na rozkładzie wyników

W metodach dystrybucyjnych MCID wiąże się ze zmiennością pomiaru, na przykład z odchyleniem standardowym, błędem standardowym pomiaru lub współczynnikiem rzetelności. Przykładowo można rozważać efekt równy 0,5 odchylenia standardowego.

Takie podejście jest użyteczne, gdy brak odpowiedniej kotwicy, ale samo w sobie nie dowodzi, że uzyskana wartość jest ważna klinicznie. Zmienność statystyczna i znaczenie dla pacjenta nie są tym samym.

Łączenie wielu źródeł

Najbardziej przekonujące uzasadnienie MCID zwykle powstaje przez połączenie kilku informacji: wcześniejszych badań, opinii ekspertów, danych od pacjentów, właściwości pomiarowych skali oraz konsekwencji decyzji klinicznej. Copay i współpracownicy (2007) podkreślają, że wartości MCID należy interpretować w kontekście konkretnego narzędzia, populacji i projektu badania.

Przykład 1: badanie leczenia bólu pooperacyjnego

Załóżmy, że zespół chce porównać dwa sposoby leczenia bólu po zabiegu. Głównym wynikiem jest ból oceniany w skali od 0 do 10 po 24 godzinach. Na podstawie wcześniejszych danych badacze przyjmują odchylenie standardowe równe 2,5 punktu. Uznają, że różnica 1 punktu jest minimalnie istotna klinicznie, ponieważ odpowiada zmianie zauważalnej przez pacjenta i może wpływać na zapotrzebowanie na leki ratunkowe.

Przy dwustronnym α = 0,05 i mocy 80% przybliżone obliczenie daje:

n ≈ 2 × (1,96 + 0,84)² × 2,5² / 1² ≈ 98,0

Potrzeba zatem około 98 osób w każdej grupie, czyli 196 osób z kompletnym wynikiem. Jeżeli badacze przewidują 15% utraty danych lub wycofania uczestników, liczebność należy zwiększyć:

nrekrutacja = 196 / (1 − 0,15) ≈ 231

W praktyce oznacza to rekrutację około 116 osób na grupę. Ważne jest, że nie należy zwiększać próby dlatego, że „jeden punkt wygląda rozsądnie”. Wartość ta powinna mieć uzasadnienie kliniczne i metodologiczne, na przykład w badaniach walidacyjnych skali, wcześniejszych pracach lub danych pilotażowych.

Przykład 2: program zdrowia psychicznego

Wyobraźmy sobie badanie programu krótkiej interwencji psychologicznej dla studentów z objawami lęku. Wynik główny stanowi wynik kwestionariusza, którego wyższe wartości oznaczają większe nasilenie objawów. Zespół uznaje, że spadek o 4 punkty jest najmniejszą zmianą, która uzasadniałaby wdrożenie programu na szerszą skalę. Odchylenie standardowe wyniku wynosi około 8 punktów.

Standaryzowana różnica wynosi:

d = Δ / σ = 4 / 8 = 0,50

Jest to umiarkowany efekt w skali standaryzowanej, ale jego interpretacja nie powinna opierać się wyłącznie na etykiecie „umiarkowany”. Najważniejsze jest to, że 4 punkty zostały wcześniej powiązane z praktycznym znaczeniem dla badanej populacji.

Jeśli w badaniu zostanie użyta mniejsza próba, statystycznie istotny może okazać się dopiero większy efekt, na przykład 6 punktów. W takim przypadku badanie może nie wykazać istotności, mimo że program rzeczywiście poprawia stan części studentów o 4 punkty. Nie oznacza to automatycznie braku działania. Przedział ufności powinien pokazać, czy dane wykluczają efekt równy MCID.

MCID dla wyników binarnych

W przypadku wyniku binarnego, na przykład „ponowna hospitalizacja w ciągu 30 dni: tak/nie”, MCID można wyrażać jako bezwzględną różnicę ryzyka. Załóżmy, że ryzyko hospitalizacji w grupie kontrolnej wynosi 20%, a klinicznie ważne byłoby zmniejszenie tego ryzyka do 15%. MCID w skali różnicy ryzyka wynosi wtedy 5 punktów procentowych.

Ta sama różnica może być opisana względnie jako redukcja ryzyka o 25%, ale oba sposoby nie są wymienne pod względem interpretacji. Wielkość próby zależy od przyjętej skali efektu, ryzyka bazowego, poziomu α, mocy i sposobu testowania. W badaniach klinicznych warto przede wszystkim określić, jaka bezwzględna różnica jest ważna dla pacjenta, a dopiero potem rozważać wskaźniki względne.

Niepewność wartości MCID

MCID nie jest zwykle znaną bezbłędnie stałą. Często jest oszacowaniem obarczonym niepewnością. Różne badania tego samego narzędzia mogą podawać odmienne wartości z powodu różnic w populacji, czasie pomiaru, ciężkości choroby i metodzie wyznaczania.

Dlatego przed obliczeniem próby warto wykonać analizę wrażliwości. Można na przykład sprawdzić, jak zmieni się liczebność dla MCID równej 3, 4 i 5 punktów. Jeśli planowana rekrutacja jest realna tylko dla największej wartości, projekt może być zbyt optymistyczny. Analiza wrażliwości ujawnia, czy wynik badania jest silnie zależny od niepewnego założenia.

W protokole należy jasno zapisać, skąd pochodzi MCID, dlaczego wybrano daną wartość oraz czy dotyczy ona zmiany wewnątrz pacjenta, różnicy między grupami, czy konkretnego punktu czasowego. Przezroczyste raportowanie założeń jest częścią oceny wiarygodności badania.

Najczęstsze błędy

• Utożsamianie MCID z istotnością statystyczną. MCID jest progiem znaczenia praktycznego, a nie poziomem p.
• Wybór najmniejszej wartości znalezionej w pojedynczym artykule. Wartość należy oceniać w odniesieniu do populacji, narzędzia i sposobu pomiaru.
• Używanie MCID dla zmiany indywidualnej jako różnicy między grupami. Te wielkości mogą wymagać odmiennej interpretacji.
• Brak uwzględnienia odchylenia standardowego. Ta sama MCID wymaga innej próby przy małej i dużej zmienności wyników.
• Planowanie na podstawie efektu większego niż klinicznie realistyczny. Zawyżona oczekiwana różnica prowadzi do zbyt małej próby.
• Pomijanie kierunku efektu i skali pomiaru. Trzeba określić, czy poprawa oznacza wzrost, czy spadek wyniku.
• Brak korekty na utratę uczestników i brak danych. Liczebność obliczona dla osób z kompletnymi obserwacjami nie musi być liczbą osób, które należy zrekrutować.
• Wnioskowanie o braku znaczenia na podstawie nieistotnego wyniku. Należy sprawdzić przedział ufności i jego relację do MCID.
• Ustalanie MCID po obejrzeniu wyników. Taka praktyka zwiększa ryzyko dopasowania interpretacji do uzyskanych danych.

Przykład praktyczny: jak zapisać założenia w protokole?

Poprawny zapis mógłby brzmieć następująco:

„Pierwszorzędowym punktem końcowym będzie różnica między grupami w zmianie wyniku skali bólu po 24 godzinach. Za minimalnie istotną klinicznie uznano różnicę 1 punktu w skali 0–10. Założono odchylenie standardowe 2,5 punktu, dwustronny poziom alfa 0,05 oraz moc 80%. Przy tych założeniach wymagane jest 98 uczestników na grupę. Uwzględniając 15% utraty danych, planuje się rekrutację 116 osób na grupę.”

Taki opis jest znacznie lepszy niż samo stwierdzenie, że „wielkość próby obliczono na podstawie wcześniejszych badań”. Umożliwia ocenę, jaki efekt badanie miało wykrywać, jakie przyjęto założenia i czy są one zgodne z pytaniem klinicznym.

W praktycznym projekcie warto także przygotować tabelę scenariuszy: dla kilku możliwych wartości MCID, odchylenia standardowego i mocy. Jeśli badanie ma więcej niż jeden ważny wynik, należy wskazać wynik główny. Obliczanie próby równocześnie dla wielu niehierarchicznych celów może prowadzić do niejasności interpretacyjnej i niekontrolowanego wzrostu liczby analiz.

Co warto zapamiętać?

• Minimalnie istotna klinicznie różnica to najmniejszy efekt uznawany za ważny praktycznie, a nie najmniejszy efekt możliwy do wykrycia statystycznie.
• MCID powinna być określona przed analizą wyników i uzasadniona na podstawie literatury, danych pacjentów, ekspertów oraz właściwości narzędzia.
• Im mniejsza MCID, tym większa wymagana próba — w wielu podstawowych sytuacjach zależność jest odwrotnie proporcjonalna do kwadratu MCID.
• Wartość p nie mówi, czy efekt jest klinicznie ważny. Należy raportować wielkość efektu i przedział ufności.
• Nieistotny statystycznie wynik nie dowodzi braku efektu o znaczeniu klinicznym, jeśli przedział ufności obejmuje MCID.
• Planowanie próby powinno uwzględniać również zmienność wyniku, poziom alfa, moc, typ analizy, utratę danych i charakter projektu.
• Dobrze określona MCID łączy metodologię statystyczną z rzeczywistym znaczeniem wyniku dla pacjenta.

W ramach publicznego szkolenia na statystyk.edu.pl ta lekcja łączy wcześniejsze zagadnienia dotyczące mocy i liczebności próby z pytaniem o praktyczną wartość efektu. To właśnie takie połączenie — między parametrami statystycznymi a sensem klinicznym — decyduje, czy planowane badanie będzie nie tylko formalnie poprawne, lecz także użyteczne.

Źródła i dalsza lektura

1. Jaeschke, R., Singer, J., & Guyatt, G. H. (1989). Measurement of health status. Ascertaining the minimal clinically important difference. Controlled Clinical Trials, 10(4), 407–415. DOI: 10.1016/0197-2456(89)90005-6.
2. Copay, A. G., Subach, B. R., Glassman, S. D., Polly, D. W. Jr., & Schuler, T. C. (2007). Understanding the minimum clinically important difference: a review of concepts and methods. The Spine Journal, 7(5), 541–546. DOI: 10.1016/j.spinee.2007.01.008.
3. Schünemann, H. J., Guyatt, G. H. (2005). Commentary—goodbye M(C)ID! Hello MID, where do you come from?. Health Services Research, 40(2), 593–597. DOI: 10.1111/j.1475-6773.2005.003 ಐ?.
4. Schulz, K. F., Altman, D. G., Moher, D., for the CONSORT Group (2010). CONSORT 2010 Statement: updated guidelines for reporting parallel group randomised trials. BMJ. BMJ Publishing Group. Źródło.
5. Moher, D., Hopewell, S., Schulz, K. F., Montori, V., Gøtzsche, P. C., Deveraux, P. J., Elbourne, D., Egger, M., & Altman, D. G. (2010). CONSORT 2010 explanation and elaboration: updated guidelines for reporting parallel group randomised trials. BMJ, 340, c869. DOI: 10.1136/bmj.c869.
6. U.S. Food and Drug Administration (2022). Patient-Focused Drug Development: Methods to Identify What Is Important to Patients. Guidance for Industry, Food and Drug Administration Staff, and Other Stakeholders. U.S. Food and Drug Administration. Źródło.