我是一项临床试验的共同研究者，我们正在研究干预的效果。该研究能够检测某些主要终点的临床意义变化。我的问题是围绕计划的次要终点。
有两个次要终点：1）在试验中随机分配的个体是否服用处方药（在这种情况下是他汀类药物）和 2）在服用处方药的人群中，个体是否坚持服用这些药物。第一个次要终点是主要终点，我们决定使用回归模型来估计干预效果。后一个次要终点取决于第一个终点的结果。PI 想了解干预措施是否对处方者的他汀类药物依从性产生影响。具体来说，他想使用回归模型来做到这一点。
我的担忧是 1）通过对该组进行子集化，我们不再对干预进行随机化，因此“干预对依从性的影响”是没有意义的，并且 2）根据第一点，潜在的机制可能主要次要结局和依从性结局之间存在差异。换句话说，我们可能有许多不可测量的因素。我的建议是保持分析的描述性：通过二元干预将二元依从性结果制成表格，并将分析限制在服用处方药的人群中。然而，一位评论者（非统计学家）坚持认为我们仍然可以使用回归。
有什么我可以添加的，以便为保持描述性提供令人信服的理由吗？
你是对的，指定的分析在一个非随机集合中。但是你错了，因为我们将分析限制在这个非随机集合上，所以干预是没有意义的。但是，确实需要针对可能的混杂因素进行调整。事实上，这种分析并不像人们想象的那样“依赖”第一个次要假设的重要性。鉴于他汀类药物是最广泛使用的处方药（期间），我认为这个问题与是否有人开始使用他汀类药物无关，而是与干预未能延迟有关开始服用他汀类药物的时间。未能声明第一个次要终点的统计显着性仅意味着您没有足够的能力来检测是否有变化。因此，第二个次要假设需要考虑干预可能会影响依从性。在分析中确定要调整的正确混淆是一个严重的统计障碍，需要在协议（通过修改）或 SAP（如果尚未实现数据库锁定）中仔细考虑。
您绝对正确，干预可能对开始用药的风险与坚持服药的风险产生相反的影响。我能想到很多例子。考虑水的氟化：它抵消了牙齿携带的时间，但它对改善牙齿卫生没有任何作用，因此牙龈凹陷、牙龈炎等，因此可能根本不会影响主要的牙科手术不良事件。换句话说：这就是为什么我们需要一套完整的次要终点，否则我们就是在做意大利腊肠科学。