Słownik metodologiczny · Projekt badania

Złożony punkt końcowy – większa moc, ale czego właściwie dotyczy efekt?

Złożony punkt końcowy łączy kilka zdarzeń, np. zgon, zawał i hospitalizację, w jedną zmienną. Pokazujemy, dlaczego efekt bywa napędzany przez najmniej ważną składową, przykład w R i jak raportować składowe w pracy.

Strona główna / Słownik / Złożony punkt końcowy
W skrócie: Złożony punkt końcowy (composite endpoint) łączy kilka zdarzeń w jedną zmienną – pacjent ma zdarzenie, jeśli wystąpi którakolwiek składowa. Zwiększa to moc badania, ale efekt bywa napędzany przez najczęstszą i najmniej ważną składową, dlatego każdą trzeba raportować osobno.

Co to jest złożony punkt końcowy?

Złożony punkt końcowy (ang. composite endpoint, composite outcome) łączy kilka zdarzeń w jedną zmienną: pacjent ma zdarzenie, jeśli wystąpi u niego którakolwiek składowa, np. zgon, zawał lub hospitalizacja. Zdarzeń jest wtedy więcej, więc rośnie moc i precyzja, a badanie może być mniejsze (Freemantle i in., 2003). Ceną jest trudniejsza interpretacja. Złożony punkt końcowy bywa łączony z zastępczym punktem końcowym, ale to inne pojęcie: składowe mogą być w pełni klinicznymi zdarzeniami.

Na czym polega problem

Ferreira-González i in. (2007) przeanalizowali 114 badań kardiologicznych. Najważniejsze składowe (zgon) występowały rzadziej i miały mniejsze efekty, a mniej ważne – częściej i z większymi efektami: względna redukcja ryzyka wynosiła 8% dla zgonu i 33% dla składowych mało ważnych. Wynik złożony jest więc często napędzany przez najłagodniejsze zdarzenia. Freemantle i in. (2003) wykazali, że w 36% badań istotny był wynik złożony, ale nie śmiertelność.

Przykład w R

W symulacji badania z 2000 osób na grupę lek nie wpływa na zgon, nieznacznie na zawał i wyraźnie na hospitalizację. Ryzyko względne dla punktu złożonego wynosi 0.82 (95% CI 0.71–0.94, p = .004), ale dla zgonu 1.12 (0.79–1.60), dla zawału 0.98 (0.75–1.28), a dla hospitalizacji 0.64 (0.53–0.78). Cały efekt pochodzi z hospitalizacji, a zdanie „lek zmniejsza ryzyko zgonu, zawału lub hospitalizacji” sugerowałoby więcej.

Jak dobrze używać punktu złożonego

  • Łącz składowe o podobnej wadze dla pacjenta i podobnym oczekiwanym efekcie.
  • Zdefiniuj punkt złożony z góry w rejestracji badania i nie zmieniaj go.
  • Raportuj każdą składową osobno, zgodnie z CONSORT. Testy dla składowych traktuj jako drugorzędowe, pamiętając o wielokrotnych porównaniach.
  • Gdy zgon wyklucza późniejsze zdarzenia, rozważ ryzyka konkurencyjne.

Cordoba i in. (2010) w przeglądzie 40 badań stwierdzili, że w 11 z 16 badań z istotnym wynikiem złożonym wniosek w streszczeniu błędnie sugerował efekt także dla najważniejszej składowej.

Jak opisać w pracy

Lek zmniejszał ryzyko złożonego punktu końcowego (zgon, zawał lub hospitalizacja; RR = 0.82, 95% CI 0.71–0.94). Efekt wynikał głównie z mniejszej liczby hospitalizacji (RR = 0.64, 95% CI 0.53–0.78); dla zgonu (RR = 1.12, 95% CI 0.79–1.60) i zawału (RR = 0.98, 95% CI 0.75–1.28) nie stwierdzono różnic.

Na co uważać

Nie przypisuj efektu punktu złożonego każdej składowej i nie konstruuj punktu złożonego po zobaczeniu danych.

Przykład reprodukowalny

Złożony punkt końcowy w R

Kod symuluje badanie z trzema składowymi o różnych prawdziwych efektach i liczy ryzyko względne z 95% CI (przedział na skali logarytmu RR) oraz p z prop.test() dla każdej składowej i punktu złożonego.

Składowe a punkt złożony

Dane wejściowe: 2000 osób na grupę; ryzyko w grupie kontrolnej: zgon 3%, zawał 5%, hospitalizacja 12%; prawdziwe RR 1.00, 0.90 i 0.65; dane symulowane, set.seed(536).

Co odczytać: RR punktu złożonego 0.816 (0.711–0.936, p = .004); zgon 1.123, zawał 0.981, hospitalizacja 0.643 (0.529–0.781, p < .001).

R
# Złożony punkt końcowy: zgon, zawał lub hospitalizacja (dane symulowane)
set.seed(536)
n <- 2000                                    # osób na grupę
p_kon <- c(zgon = 0.03, zawal = 0.05, hospitalizacja = 0.12)
rr    <- c(zgon = 1.00, zawal = 0.90, hospitalizacja = 0.65)   # prawdziwe RR
los <- function(p) sapply(p, function(pi) rbinom(n, 1, pi))
kon <- los(p_kon); lecz <- los(p_kon * rr)
kon <- cbind(kon, zlozony = as.numeric(rowSums(kon) > 0))
lecz <- cbind(lecz, zlozony = as.numeric(rowSums(lecz) > 0))
wynik <- t(sapply(colnames(kon), function(k) {
  a <- sum(lecz[, k]); b <- sum(kon[, k])
  RR <- (a / n) / (b / n); se <- sqrt(1/a - 1/n + 1/b - 1/n)
  c(kontrola = b, leczenie = a, RR = RR,
    dolna = exp(log(RR) - 1.96 * se), gorna = exp(log(RR) + 1.96 * se),
    p = prop.test(c(a, b), c(n, n))$p.value)
}))
round(wynik, 3)
Wynik w R
               kontrola leczenie    RR dolna gorna     p
zgon                 57       64 1.123 0.790 1.596 0.580
zawal               104      102 0.981 0.752 1.280 0.943
hospitalizacja      235      151 0.643 0.529 0.781 0.000
zlozony             375      306 0.816 0.711 0.936 0.004

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (bez dodatkowych pakietów). W pracy podaj wersje faktycznie użytych 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/

Najczęstsze pytania

Dlaczego badacze stosują złożony punkt końcowy?

Bo łączenie zdarzeń zwiększa ich liczbę, a więc moc i precyzję badania. Przy rzadkich zdarzeniach, takich jak zgon, pozwala to prowadzić mniejsze lub krótsze badanie.

Czy istotny złożony punkt końcowy oznacza, że lek zmniejsza śmiertelność?

Nie. Efekt może wynikać tylko z częstszej i mniej poważnej składowej, np. hospitalizacji. O śmiertelności mówi dopiero osobna analiza zgonów, zwykle o mniejszej mocy.

Jak dobrać składowe złożonego punktu końcowego?

Wybierz zdarzenia o podobnej wadze dla pacjenta, podobnej częstości i podobnym oczekiwanym wpływie leczenia. Zdefiniuj je przed zebraniem danych i uzasadnij wybór w protokole.

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. Cordoba, G., Schwartz, L., Woloshin, S., Bae, H., & Gøtzsche, P. C. (2010). Definition, reporting, and interpretation of composite outcomes in clinical trials: Systematic review. BMJ, 341, Article c3920. https://doi.org/10.1136/bmj.c3920 ● Otwarty dostęp
  2. Ferreira-González, I., Permanyer-Miralda, G., Domingo-Salvany, A., Busse, J. W., Heels-Ansdell, D., Montori, V. M., Akl, E. A., Bryant, D. M., Alonso-Coello, P., Alonso, J., Worster, A., Upadhye, S., Jaeschke, R., Schünemann, H. J., Pacheco-Huergo, V., Wu, P., Mills, E. J., & Guyatt, G. H. (2007). Problems with use of composite end points in cardiovascular trials: Systematic review of randomised controlled trials. BMJ, 334(7597), 786. https://doi.org/10.1136/bmj.39136.682083.ae ● Otwarty dostęp
  3. Freemantle, N., Calvert, M., Wood, J., Eastaugh, J., & Griffin, C. (2003). Composite outcomes in randomized trials: Greater precision but with greater uncertainty? JAMA, 289(19), 2554–2559. https://doi.org/10.1001/jama.289.19.2554

Cytowania BibTeX

@article{cordoba2010definition, author={Cordoba, G. and Schwartz, L. and Woloshin, S. and Bae, H. and Gøtzsche, P. C.}, title={{Definition, reporting, and interpretation of composite outcomes in clinical trials: Systematic review}}, journal={BMJ}, year={2010}, volume={341}, eid={c3920}, doi={10.1136/bmj.c3920}}
@article{ferreiragonzalez2007problems, author={Ferreira-González, Ignacio and Permanyer-Miralda, Gaiet and Domingo-Salvany, Antònia and Busse, Jason W. and Heels-Ansdell, Diane and Montori, Victor M. and Akl, Elie A. and Bryant, Dianne M. and Alonso-Coello, Pablo and Alonso, Jordi and Worster, Andrew and Upadhye, Suneel and Jaeschke, Roman and Schünemann, Holger J. and Pacheco-Huergo, Valeria and Wu, Ping and Mills, Edward J. and Guyatt, Gordon H.}, title={{Problems with use of composite end points in cardiovascular trials: Systematic review of randomised controlled trials}}, journal={BMJ}, year={2007}, volume={334}, number={7597}, pages={786}, doi={10.1136/bmj.39136.682083.ae}}
@article{freemantle2003composite, author={Freemantle, Nick and Calvert, Melanie and Wood, John and Eastaugh, Joanne and Griffin, Carl}, title={{Composite outcomes in randomized trials: Greater precision but with greater uncertainty?}}, journal={JAMA}, year={2003}, volume={289}, number={19}, pages={2554--2559}, doi={10.1001/jama.289.19.2554}}
R