gms | German Medical Science

Kongress Medizin und Gesellschaft 2007

17. bis 21.09.2007, Augsburg

Number Needed to Treat (NNT) – Schätzung aus Überlebenszeiten mit variablen Beobachtungszeiten

Meeting Abstract

Search Medline for

  • Mandy Hildebrandt - Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG), Köln
  • Ralf Bender - Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG), Köln
  • Maria Blettner - Institut für Medizinische Biometrie, Epidemiologie und Informatik (IMBEI), Johannes-Gutenberg-Universität Mainz, Mainz

Kongress Medizin und Gesellschaft 2007. Augsburg, 17.-21.09.2007. Düsseldorf: German Medical Science GMS Publishing House; 2007. Doc07gmds154

The electronic version of this article is the complete one and can be found online at: http://www.egms.de/en/meetings/gmds2007/07gmds154.shtml

Published: September 6, 2007

© 2007 Hildebrandt et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Einführung: Die Number Needed to Treat (NNT) ist ein beliebtes Maß, um den absoluten Effekt einer neuen im Vergleich zu einer Standardbehandlung in klinischen Studien mit binärem Zielereignis zu beschreiben. Etablierte Methoden zur Schätzung von NNTs gibt es bislang nur für Studien mit identischer Beobachtungszeit für alle Patienten. In diesem Fall lässt sich NNT einfach durch den Kehrwert der absoluten Risikoreduktion berechnen. In der Situation von Überlebenszeiten mit variablen Follow-up-Zeiten muss jedoch die Zeitabhängigkeit der Risikoreduktion beachtet werden.

Methoden: Altman und Andersen schlugen bereits 1999 vor, bei Studien mit variablen Follow-Up-Zeiten NNTs aus den geschätzten Risiken der Kaplan Meier Kurve zu berechnen (AA-Methode) [1]. Lubsen et al. [3] sowie Mayne et al. [4] schlugen vor, zur Schätzung von NNTs den Kehrwert von Hazard-Differenzen zu verwenden (LM-Methode). Diese beiden Ansätze werden mit Hilfe simulierter Überlebenszeiten untersucht, wobei wir die Exponentialverteilung sowie die Gompertz-Verteilung [2] zur Erzeugung von Überlebenszeiten betrachten. Wir berechnen die Überdeckungswahrscheinlichkeit der 95% Konfidenzintervalle sowie den relativen Bias der Punktschätzer.

Ergebnisse: Während die AA-Methode in allen Situationen eine Überdeckungswahrscheinlichkeit von ca. 95% aufweist, liefert die LM-Methode häufig deutlich geringere Werte, vor allem bei Gompertz-verteilten Überlebenszeiten. Die LM-Methode weist nur bei starken Effekten, kleinem Basisrisiko sowie exponentialverteilten Überlebenszeiten einen vernachlässigbaren Bias (< 5%) auf, in allen anderen Situationen ist der Bias beträchtlich. Die AA-Methode weist einen deutlichen Bias bei geringen Effekten und kleinem Stichprobenumfang auf, ansonsten ist der Bias bei beiden Verteilungen jedoch vernachlässigbar.

Schlussfolgerung: Die LM-Methode ist nicht dazu geeignet, NNTs aus Überlebenszeiten mit variablem Follow-Up zu schätzen. Im Fall von kleinen Effekten und geringem Stichprobenumfang ist auch bei der Methode nach Altman und Andersen mit einem deutlichen Bias zu rechnen. Im Allgemeinen besitzt die AA-Methode jedoch gute Überdeckungs- und Schätzeigenschaften und kann daher zur Berechnung von NNTs in Studien mit Überlebenszeiten empfohlen werden.


Literatur

1.
Altman D, Andersen PK. Calculating the number needed to treat for trials where the outcome is time to an event. BMJ. 1999;319:1492-5.
2.
Bender R, Augustin T, Blettner M. Generating survival times to simulate Cox proportional hazards models. Stat Med. 2005;24:1713-23.
3.
Lubsen J, Hoes A, Grobbee D. Implications of trial results: the potentially misleading notions of number needed to treat and average duration of life gained. Lancet. 2005;356:1757-9.
4.
Mayne TJ, Whalen E, Vu A. Annualized was found better than absolute risk reduction in the calculation of number needed to treat in chronic conditions. J Clin Epidemiol. 2006;59:217-23.