Słownik metodologiczny · Wielkość efektu

Indeks kruchości (fragility index)

Indeks kruchości mówi, ilu pacjentom wystarczy zmienić wynik, by istotny wynik badania przestał być istotny. Pokazujemy, jak go policzyć testem Fishera, jak go czytać i dlaczego nie mierzy siły efektu.

Strona główna / Słownik / Indeks kruchości
W skrócie: Indeks kruchości (fragility index) to najmniejsza liczba pacjentów w grupie z mniejszą liczbą zdarzeń, którym trzeba zmienić wynik z „bez zdarzenia” na „zdarzenie”, aby istotny wynik badania (test dokładny Fishera, p < .05) przestał być istotny. Mała wartość oznacza wynik kruchy.

Co to jest indeks kruchości?

Indeks kruchości (fragility index, FI) to najmniejsza liczba pacjentów, którym trzeba zmienić wynik, aby istotny wynik badania z wynikiem dwuwartościowym przestał być istotny. Walsh i in. (2014) zdefiniowali go tak: w grupie z mniejszą liczbą zdarzeń zamienia się kolejnych pacjentów bez zdarzenia na pacjentów ze zdarzeniem, licząc za każdym razem test dokładny Fishera, aż wartość p przekroczy 0.05. W 399 badaniach z czołowych czasopism medycznych mediana FI wyniosła 8, co czwarte badanie miało FI ≤ 3, a w 53% badań FI było mniejsze niż liczba osób utraconych z obserwacji.

Przykład

W symulowanym badaniu po 150 osób w ramieniu zdarzenie wystąpiło u 11 leczonych (7.3%) i 32 osób z grupy kontrolnej (21.3%). Ryzyko względne wynosi 0.34, NNT po zaokrągleniu w górę 8, a test Fishera daje p = .0008. Mimo tak małego p wystarczy 8 dodatkowych zdarzeń w grupie leczonej, by p wzrosło do .064. Iloraz kruchości (FI podzielone przez liczbę uczestników) to 8/300 = 0.027. Jeśli wyniku nie znamy u 9 osób, FI jest mniejszy od utraty uczestników i nieznane wyniki tych osób mogłyby zmienić wniosek.

Ograniczenia

Carter, McKie i Storlie (2017) w symulacjach pokazali, że FI jest prawie odwrotnością logarytmu p (ρ Spearmana = −0.94), czyli w dużej mierze przepakowaną wartością p. Przy stałym efekcie FI rośnie z liczebnością: w kodzie poniżej przy ryzyku 8% wobec 20% wynosi 5, 18 i 46 dla 150, 300 i 600 osób w ramieniu. FI nie mierzy więc siły efektu, a badania planowane na moc 80% z natury mają mały FI.

Na rysunku

Pierwszy rysunek pokazuje samą procedurę na danych z przykładu (set.seed(7281)), drugi – zależność z części o ograniczeniach.

Wartość p testu Fishera na skali logarytmicznej rośnie od .0008 przy 11 zdarzeniach na 150 leczonych do .043 przy 18 zdarzeniach; przy 19 zdarzeniach przekracza linię .05 i wynosi .064. Strzałka od 0 do 8 przeniesionych osób oznacza indeks kruchości 8.
Rysunek 1. Wartość p testu dokładnego Fishera po kolejnych zmianach wyniku w grupie leczonej. Obliczenia: R, pakiet ggplot2 (dane symulowane).

Co widać. Każdy krok to jedna osoba z grupy leczonej, której wynik zmieniamy z „bez zdarzenia” na „zdarzenie” (liczby pod punktami to zdarzenia na 150 leczonych). Na skali logarytmicznej p rośnie prawie liniowo: z .0008 do .043 po siedmiu zmianach i .064 po ósmej. Stąd FI = 8.

Na co uważać. Odległość od .0008 do .05 wygląda na dużą, a to tylko 8 osób z 300. Wykres nie mówi, czy taka zmiana jest prawdopodobna – to zależy od tego, ilu wyników nie znamy (tu 9) i dlaczego.

Rysunek 1. Wartość p testu dokładnego Fishera po kolejnych zmianach wyniku jednej osoby z grupy leczonej z braku zdarzenia na zdarzenie (n = 150 w każdym ramieniu). Uwaga. Liczby przy punktach – liczba zdarzeń w grupie leczonej; linia przerywana – p = .05; FI – indeks kruchości. Oś pionowa w skali logarytmicznej.
Schodkowa, niemal prosta linia: indeks kruchości rośnie od 0 przy 50 osobach w ramieniu do 46 przy 600 osobach, przy stałym ryzyku 8% wobec 20%. Zaznaczone punkty: FI = 5 przy 150, 18 przy 300 i 46 przy 600 osobach.
Rysunek 2. Indeks kruchości w zależności od liczebności ramion przy tym samym ryzyku zdarzenia (8% wobec 20%). Obliczenia: R, pakiet ggplot2.

Co widać. Efekt jest wszędzie ten sam (RR = 0.4), a FI rośnie razem z liczebnością: od 0 przy 50 osobach w ramieniu (wynik nieistotny), przez 5 przy 150, do 46 przy 600. Tak jak p, FI mierzy głównie, jak daleko wynik jest od progu .05.

Na co uważać. Wysokiego FI w dużym badaniu nie czytaj jako silnego efektu, a niskiego w małym – jako słabego. Ryzyka zaokrąglono do pełnych zdarzeń, stąd schodki. Jak przy tym samym efekcie liczebność zmienia szansę na istotny wynik, pokazuje wpis Moc testu w obrazkach.

Rysunek 2. Indeks kruchości w zależności od liczby osób w każdym ramieniu badania przy ryzyku zdarzenia 8% w grupie leczonej i 20% w grupie kontrolnej. Uwaga. Liczby zdarzeń zaokrąglono do całości; FI = 0 oznacza wynik nieistotny (test dokładny Fishera, p ≥ .05).

Kod poniżej odtwarza dane z przykładu i oba wykresy (tylko funkcje bazowe R i ggplot2). Rysunki na stronie różnią się od wyniku kodu tylko motywem (czcionka, siatka).

Kod R rysunków 1 i 2
library(ggplot2)
kol <- c(akcent = "#D55E00", drugi = "#0072B2")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(legend.position = "bottom", panel.grid.minor = element_blank())
set.seed(7281)                                          # dane z przykładu: po 150 osób w ramieniu
n <- 150
zdarz_L <- rbinom(1, n, 0.08)
zdarz_K <- rbinom(1, n, 0.20)
p_fisher <- function(a, b, n1, n2) fisher.test(matrix(c(a, n1 - a, b, n2 - b), 2))$p.value
indeks_kruchosci <- function(a, b, n1, n2, alfa = 0.05) {
  if (p_fisher(a, b, n1, n2) >= alfa) return(0)
  fi <- 0
  while (p_fisher(a, b, n1, n2) < alfa) { if (a <= b) a <- a + 1 else b <- b + 1; fi <- fi + 1 }
  fi
}
# Rysunek 1: p po kolejnych zmianach wyniku w grupie leczonej
kroki <- data.frame(k = 0:10)
kroki$p <- sapply(kroki$k, function(k) p_fisher(zdarz_L + k, zdarz_K, n, n))
kroki$zdarzenia <- paste0(zdarz_L + kroki$k, "/", n)
FI <- min(kroki$k[kroki$p >= .05])
kroki$stan <- factor(ifelse(kroki$p < .05, "p < .05", "p ≥ .05"), c("p < .05", "p ≥ .05"))
c(zdarz_L = zdarz_L, zdarz_K = zdarz_K, FI = FI)
print(transform(kroki[, c("k", "zdarzenia")], p = round(kroki$p, 4)), row.names = FALSE)
p1 <- ggplot(kroki, aes(k, p)) +
  geom_hline(yintercept = 0.05, colour = "grey40", linetype = "dashed") +
  annotate("text", x = 0, y = 0.062, label = "p = .05", hjust = 0, size = 3.6, colour = "grey30") +
  geom_line(colour = "grey60") +
  geom_point(aes(shape = stan, fill = stan), size = 3.4) +
  geom_text(aes(label = zdarzenia), angle = 90, hjust = 1.25, size = 3.2) +
  annotate("segment", x = 0, xend = FI, y = 0.00012, yend = 0.00012, colour = kol[["drugi"]], linewidth = 1,
           arrow = arrow(length = unit(0.18, "cm"), ends = "both")) +
  annotate("text", x = FI / 2, y = 0.00018, label = paste("FI =", FI), colour = kol[["drugi"]], size = 4.2) +
  scale_shape_manual(values = c(21, 24), name = NULL) +
  scale_fill_manual(values = c(kol[["akcent"]], "white"), name = NULL) +
  scale_y_log10(limits = c(0.0001, 0.5), breaks = c(0.001, 0.01, 0.05, 0.1, 0.5), labels = c(".001", ".01", ".05", ".10", ".50")) +
  scale_x_continuous(breaks = 0:10) +
  labs(x = "liczba osób z grupy leczonej przeniesionych z „bez zdarzenia” do „zdarzenie”",
       y = "p (test dokładny Fishera, skala log)") + motyw
# Rysunek 2: ten sam efekt (8% wobec 20%), rosnąca liczebność – FI rośnie
siatka <- data.frame(n = seq(50, 600, by = 10))
siatka$FI <- sapply(siatka$n, function(m) indeks_kruchosci(round(0.08 * m), round(0.20 * m), m, m))
siatka[siatka$n %in% c(50, 100, 150, 300, 600), ]
p2 <- ggplot(siatka, aes(n, FI)) +
  geom_step(colour = kol[["drugi"]], linewidth = 1) +
  geom_point(data = subset(siatka, n %in% c(150, 300, 600)), shape = 21, fill = kol[["akcent"]], size = 3) +
  geom_text(data = subset(siatka, n %in% c(150, 300, 600)), aes(label = paste("FI =", FI)), hjust = 1.2, vjust = -0.6,
            size = 3.6) +
  labs(x = "liczba osób w każdym ramieniu (ryzyko 8% wobec 20%)", y = "indeks kruchości") + motyw
# print(p1); print(p2)   # albo: ggsave("rysunek-1.svg", p1, width = 7, height = 5.6)
Wynik w R
zdarz_L zdarz_K      FI 
     11      32       8 
  k zdarzenia      p
  0    11/150 0.0008
  1    12/150 0.0017
  2    13/150 0.0033
  3    14/150 0.0060
  4    15/150 0.0105
  5    16/150 0.0175
  6    17/150 0.0280
  7    18/150 0.0433
  8    19/150 0.0644
  9    20/150 0.0927
 10    21/150 0.1295
     n FI
1   50  0
6  100  2
11 150  5
26 300 18
56 600 46

Jak opisać w pracy

Zdarzenie wystąpiło u 11 ze 150 osób w grupie leczonej i 32 ze 150 w grupie kontrolnej (RR = 0.34, test dokładny Fishera, p < .001). Indeks kruchości wyniósł 8 (iloraz kruchości 0.027) i był mniejszy niż liczba osób z brakującym wynikiem (9), dlatego wynik uznano za kruchy.

Na co uważać

  • Tylko istotne wyniki dwuwartościowe. Dla wyniku nieistotnego FI = 0 i nic nie mówi.
  • Brak progu. Porównuj FI z utratą uczestników, a nie z umowną granicą.
  • Uzupełnienie, nie zamiennik. Podawaj efekt z przedziałem ufności i pełną analizę wrażliwości.

Mały FI to sygnał, by ostrożnie mówić o replikowalności wyniku. Co oznacza samo p, wyjaśnia wpis Wartość p – interpretacja.

Przykład reprodukowalny

Indeks kruchości w R

Kod symuluje badanie z dwoma ramionami, liczy ryzyko, RR, NNT i test dokładny Fishera, a potem w pętli zamienia pacjentów bez zdarzenia na pacjentów ze zdarzeniem w grupie z mniejszą liczbą zdarzeń, aż p ≥ .05. Na końcu pokazuje, jak FI rośnie z liczebnością przy tym samym efekcie. Liczby w tekście pochodzą z tego kodu.

Indeks kruchości pętlą z fisher.test

Dane wejściowe: po 150 osób w ramieniu, liczba zdarzeń z rozkładu dwumianowego z prawdopodobieństwem 0.08 (leczeni) i 0.20 (kontrola) (set.seed(7281)); założone 9 osób bez danych o wyniku.

Co odczytać: liczby zdarzeń; ryzyka, RR, NNT i p; FI i liczbę utraconych; iloraz kruchości; p po kolejnych zmianach (ostatnie ≥ .05); FI dla 150, 300 i 600 osób w ramieniu przy ryzyku 8% wobec 20%.

R
set.seed(7281)
n <- 150                                              # osób w każdym ramieniu (dane symulowane)
zdarz_L <- rbinom(1, n, 0.08)                         # zdarzenia: grupa leczona
zdarz_K <- rbinom(1, n, 0.20)                         # zdarzenia: grupa kontrolna
p_fisher <- function(a, b, n1, n2) fisher.test(matrix(c(a, n1 - a, b, n2 - b), 2))$p.value
indeks_kruchosci <- function(a, b, n1, n2, alfa = 0.05) {
  if (p_fisher(a, b, n1, n2) >= alfa) return(0)
  fi <- 0
  while (p_fisher(a, b, n1, n2) < alfa) {             # w grupie z mniejszą liczbą zdarzeń
    if (a <= b) a <- a + 1 else b <- b + 1             # zmieniamy brak zdarzenia na zdarzenie
    fi <- fi + 1
  }
  fi
}
c(leczona = zdarz_L, kontrola = zdarz_K)
round(c(ryzyko_L = zdarz_L / n, ryzyko_K = zdarz_K / n, RR = (zdarz_L / n) / (zdarz_K / n),
        NNT = 1 / (zdarz_K / n - zdarz_L / n), p = p_fisher(zdarz_L, zdarz_K, n, n)), 4)
FI <- indeks_kruchosci(zdarz_L, zdarz_K, n, n)
c(FI = FI, utraceni_z_obserwacji = 9)                 # 9 osób bez danych o wyniku (założenie)
round(FI / (2 * n), 4)                                # iloraz kruchości (fragility quotient)
round(sapply(0:FI, function(k) p_fisher(zdarz_L + k, zdarz_K, n, n)), 4)  # p po kolejnych zmianach
# to samo ryzyko 8% i 20% (RR = 0.4), większe próby: FI rośnie z n
sapply(c(n150 = 150, n300 = 300, n600 = 600), function(m)
  indeks_kruchosci(round(0.08 * m), round(0.20 * m), m, m))
Wynik w R
 leczona kontrola 
      11       32 
ryzyko_L ryzyko_K       RR      NNT        p 
  0.0733   0.2133   0.3438   7.1429   0.0008 
                   FI utraceni_z_obserwacji 
                    8                     9 
[1] 0.0267
[1] 0.0008 0.0017 0.0033 0.0060 0.0105 0.0175 0.0280 0.0433 0.0644
n150 n300 n600 
   5   18   46 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko funkcje bazowe, m.in. fisher.test()); Rysunki 1 i 2 wykonano w pakiecie ggplot2. W pracy podaj wersje R i pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze pytania

Jak policzyć indeks kruchości?

Weź tabelę 2×2 z istotnym wynikiem. W grupie z mniejszą liczbą zdarzeń zamieniaj po jednym pacjencie bez zdarzenia na pacjenta ze zdarzeniem i za każdym razem licz test dokładny Fishera. Liczba zmian potrzebnych, by p ≥ .05, to indeks kruchości.

Jaki indeks kruchości jest mały?

Nie ma progu. Walsh i in. (2014) w 399 badaniach z czołowych czasopism medycznych uzyskali medianę 8, a w co czwartym badaniu indeks wynosił 3 lub mniej. Szczególnie niepokoi indeks mniejszy niż liczba osób utraconych z obserwacji.

Czy indeks kruchości mierzy siłę efektu?

Nie. Jest silnie związany z wartością p i rośnie z liczebnością próby przy tym samym efekcie. Siłę efektu opisuj ryzykiem względnym, różnicą ryzyka lub NNT z przedziałem ufności.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Carter, R. E., McKie, P. M., & Storlie, C. B. (2017). The Fragility Index: A P-value in sheep's clothing? European Heart Journal, 38(5), 346–348. https://doi.org/10.1093/eurheartj/ehw495
  2. Walsh, M., Srinathan, S. K., McAuley, D. F., Mrkobrada, M., Levine, O., Ribic, C., Molnar, A. O., Dattani, N. D., Burke, A., Guyatt, G., Thabane, L., Walter, S. D., Pogue, J., & Devereaux, P. J. (2014). The statistical significance of randomized controlled trial results is frequently fragile: A case for a Fragility Index. Journal of Clinical Epidemiology, 67(6), 622–628. https://doi.org/10.1016/j.jclinepi.2013.10.019 ● Otwarty dostęp

Cytowania BibTeX

@article{carter2017fragility, author={Carter, Rickey E. and McKie, Paul M. and Storlie, Curtis B.}, title={{The Fragility Index: A P-value in sheep's clothing?}}, journal={European Heart Journal}, year={2017}, volume={38}, number={5}, pages={346--348}, doi={10.1093/eurheartj/ehw495}}
@article{walsh2014statistical, author={Walsh, Michael and Srinathan, Sadeesh K. and McAuley, Daniel F. and Mrkobrada, Marko and Levine, Oren and Ribic, Christine and Molnar, Amber O. and Dattani, Neil D. and Burke, Andrew and Guyatt, Gordon and Thabane, Lehana and Walter, Stephen D. and Pogue, Janice and Devereaux, P. J.}, title={{The statistical significance of randomized controlled trial results is frequently fragile: A case for a Fragility Index}}, journal={Journal of Clinical Epidemiology}, year={2014}, volume={67}, number={6}, pages={622--628}, doi={10.1016/j.jclinepi.2013.10.019}}
R