19. As Treated (AT)
As Treated (AT): Eine Einführung
Einführung
Der As Treated (AT) Ansatz ist ein wichtiger Begriff in der klinischen Forschung und Epidemiologie. Er bezieht sich auf die Analyse von Daten basierend auf der tatsächlichen Behandlung, die die Teilnehmer in einer Studie erhalten haben, anstatt auf der Behandlung, die ihnen ursprünglich zugewiesen wurde. Diese Methode ist besonders relevant, um die Auswirkungen der tatsächlichen Behandlung zu verstehen, da sie realistischere Ergebnisse liefern kann als die Intention-to-Treat (ITT) Analyse, bei der alle Teilnehmer in ihren ursprünglich zugewiesenen Gruppen bleiben, unabhängig von der tatsächlich erhaltenen Behandlung.
Anwendung
AT-Analysen finden in verschiedenen Bereichen Anwendung, insbesondere in der klinischen Forschung und Pharmakologie. Sie sind besonders nützlich, wenn es darum geht, die Wirksamkeit und Sicherheit von Medikamenten oder Behandlungen in der realen Welt zu bewerten. Typische Beispiele sind:
- Klinische Studien: Bewertung der tatsächlichen Wirkung eines Medikaments bei Patienten, die sich nicht an das Protokoll halten.
- Gesundheitsökonomie: Analyse der Kosteneffektivität von Behandlungen basierend auf tatsächlichen Anwendungsmustern.
Aufbau / Bestandteile
Der AT-Ansatz konzentriert sich auf die Analyse der Ergebnisse basierend auf der tatsächlich erhaltenen Behandlung. Die zentralen Elemente umfassen:
- Behandlungsgruppen: Teilnehmer werden basierend auf der tatsächlich erhaltenen Behandlung gruppiert.
- Vergleich mit ITT: Während ITT die ursprüngliche Zuweisung beibehält, berücksichtigt AT die tatsächliche Durchführung, was zu anderen Ergebnissen führen kann.
- Bias und Confounding: AT-Analysen können anfälliger für Bias sein, da die Gründe für die Nicht-Einhaltung der ursprünglichen Behandlung oft mit den Ergebnissen korrelieren.
Interpretation
Die Ergebnisse einer AT-Analyse zeigen die Auswirkungen der tatsächlich erhaltenen Behandlung. Diese Ergebnisse können realistischer sein, da sie die tatsächliche Nutzung und Compliance widerspiegeln. Es ist jedoch wichtig, mögliche Verzerrungen zu berücksichtigen, da die Nicht-Einhaltung oft systematisch ist und mit den Ergebnissen zusammenhängt.
Praxisbeispiel
Betrachten wir eine klinische Studie zur Wirksamkeit eines neuen Blutdruckmedikaments. Einige Patienten wechseln während der Studie zu einem anderen Medikament. Eine AT-Analyse würde diese Patienten in die neue Medikamentengruppe verschieben.
# Beispiel in R: AT-Analyse
# Angenommene Daten
data <- data.frame(
patient_id = 1:100,
assigned_group = sample(c("NewDrug", "Placebo"), 100, replace = TRUE),
actual_treatment = sample(c("NewDrug", "Placebo", "OtherDrug"), 100, replace = TRUE),
outcome = rnorm(100, mean = 120, sd = 15)
)
# AT-Analyse
at_analysis <- subset(data, actual_treatment == "NewDrug")
mean_outcome_at <- mean(at_analysis$outcome)
print(paste("Durchschnittlicher Blutdruck in der AT-Gruppe:", mean_outcome_at))Erweiterungen
Verwandte Ansätze umfassen die Per Protocol (PP) Analyse, die nur Teilnehmer berücksichtigt, die das Studienprotokoll vollständig eingehalten haben. Moderne Weiterentwicklungen beinhalten Methoden zur Anpassung für Confounding in AT-Analysen, wie z.B. propensity score matching.
Fazit
Der As Treated Ansatz bietet wertvolle Einblicke in die tatsächlichen Auswirkungen einer Behandlung, kann jedoch durch systematische Verzerrungen beeinträchtigt werden. Eine sorgfältige Berücksichtigung von Bias und Confounding ist entscheidend. Für Forscher ist es wichtig, sowohl AT- als auch ITT-Ergebnisse zu präsentieren, um ein umfassendes Bild der Behandlungseffekte zu vermitteln.
Weiterführende Literatur
- Randomized Controlled Trials: Design, Practice and Reporting
- Propensity Score Methods for Bias Reduction in the Comparison of a Treatment to a Non-Randomized Control Group