Evidensbaserad medicin: randomiserade kontrollerade studier

Sammanfattning

En randomiserad kontrollerad studie, RCT, jämför interventioner genom att deltagare eller grupper fördelas slumpmässigt. Korrekt randomisering skapar jämförbara grupper i förväntan och ger möjlighet att tolka en skillnad i utfall som en kausal behandlingseffekt. Detta förutsätter att tilldelningssekvensen är oförutsägbar, att avvikelser och bortfall hanteras korrekt, att utfallen mäts utan systematiska skillnader och att resultaten inte väljs ut efter vad analyserna visar.

Vid kritisk granskning bör klinikern först identifiera studiens fråga och estimand, alltså vilken behandlingseffekt som faktiskt avses. Därefter granskas randomisering och dold tilldelning, blindning, bortfall, utfallsmått, analysprincip och selektiv rapportering. Resultatet ska bedömas med effektstorlek och 95-procentigt konfidensintervall, inte endast med P-värde. För binära utfall behövs både relativa och absoluta effekter. Slutligen värderas klinisk betydelse, säkerhet och överförbarhet till den aktuella patienten.

CONSORT 2025 anger vad en publicerad RCT minst bör redovisa, medan SPIRIT 2025 gäller studieprotokoll. Checklistorna förbättrar transparensen men är inte instrument för att poängsätta metodologisk kvalitet [1,2]. Risk för bias bör i stället bedömas per utfall med ett strukturerat verktyg, exempelvis Cochrane RoB 2 [3].

RCT-studiens roll i evidensbaserad medicin

Vad randomisering åstadkommer

I en RCT bestäms behandlingen av en slumpmekanism. Till skillnad från en observationsstudie påverkas tilldelningen därför inte systematiskt av prognos, behandlarens bedömning eller patientens preferens. Randomiseringen balanserar i förväntan både kända och okända prognostiska faktorer. Detta är den viktigaste anledningen till att en väl genomförd RCT vanligen ger säkrare kausal evidens om interventionseffekter än en icke-randomiserad jämförelse.

Randomisering garanterar däremot inte att grupperna blir identiska. Slumpmässiga skillnader, även kliniskt stora sådana, kan uppstå, särskilt i små studier. Baslinjeskillnader är därför inte i sig bevis på misslyckad randomisering. Signifikanstest av baslinjevariabler är olämpligt eftersom alla skillnader, givet korrekt randomisering, har uppkommit genom slumpen.

En RCT skyddar inte heller automatiskt mot bias efter randomiseringen. Effekten kan snedvridas genom exempelvis:

• kännedom om kommande tilldelning innan patienten inkluderas
• olika tilläggsbehandlingar eller uppföljning i grupperna
• bortfall som beror på både behandling och prognos
• subjektiv utfallsmätning utan blindning
• analys i annan grupp än den deltagaren randomiserades till
• selektiv rapportering av utfall, tidpunkter eller analyser

Metaepidemiologisk forskning har funnit att bristfällig eller oklart beskriven sekvensgenerering, dold tilldelning och blindning är associerade med större skattade behandlingseffekter. Sambandet är särskilt tydligt för subjektiva utfall. Små studier tenderar också att rapportera större effekter än större studier [4].

Vad en RCT kan och inte kan besvara

RCT lämpar sig främst för frågor om nytta och skada av förebyggande, terapeutiska, diagnostiska eller organisatoriska interventioner. Den kan uppskatta effekt under idealiserade förhållanden, efficacy, eller effekt i rutinsjukvård, effectiveness.

RCT är mindre lämpad när:

• sällsynta eller mycket sena skador är huvudfrågan
• exponeringen inte kan tilldelas etiskt
• lång latenstid gör studien orimligt stor eller lång
• prognos, prevalens, etiologi eller diagnostisk noggrannhet är den egentliga frågan
• interventionen redan är så etablerad att randomisering mot utebliven behandling är oetisk

Säkerhetsdata från RCT begränsas ofta av urval, uppföljningstid och stickprovsstorlek. Frånvaro av en statistiskt säkerställd skillnad i biverkningar visar därför inte att interventionen är säker. Randomiserade data behöver ofta kompletteras med register, farmakovigilans och andra observationsdata.

Från klinisk fråga till studiedesign

Formulera frågan och behandlingseffekten

Studien bör utgå från en explicit klinisk fråga:

• population
• intervention
• jämförelse
• utfall
• relevant tidpunkt
• vårdkontext

Det räcker inte att ange att två behandlingar ska jämföras. Protokollet behöver precisera vilken effekt som ska uppskattas. Ett estimand beskriver i praktiken:

1. populationen
2. interventionerna
3. utfallet
4. hur händelser efter randomiseringen ska hanteras
5. effektmåttet på populationsnivå

Händelser efter randomiseringen kan vara utsättning, behandlingsbyte, tilläggsbehandling, transplantation eller död före planerad mätning. Olika sätt att hantera dem besvarar olika kliniska frågor. En behandlingsstrategisk effekt kan exempelvis inkludera alla händelser efter randomiseringen, medan en hypotetisk effekt försöker uppskatta vad som hade hänt om behandlingsbyten inte förekommit.

Ett detaljerat protokoll och en statistisk analysplan bör vara offentligt tillgängliga. SPIRIT 2025 anger 34 minimipunkter för protokoll och betonar bland annat registrering, primära utfall, harms, analyspopulation, bortfall, datadelning och patientmedverkan [5].

Val av kontrollgrupp

Kontrollgruppen avgör vilken fråga studien besvarar.

Placebokontroll är metodologiskt värdefull men inte alltid kliniskt relevant. En aktiv kontroll kan bättre stödja behandlingsval, men resultatet beror på att kontrollbehandlingen ges på ett adekvat sätt och har förväntad effekt i den studerade kontexten.

Val av utfall

Det primära utfallet bör vara kliniskt relevant, väldefinierat, validerat och möjligt att mäta med tillräcklig precision. Definitionen ska omfatta mätmetod, tidpunkt, analysform och hur konkurrerande händelser hanteras.

Patientviktiga utfall, exempelvis överlevnad, symtom, funktion och livskvalitet, är i regel mer direkt användbara än laboratorievärden. Surrogatutfall kan förkorta studier men kan vara missvisande om sambandet med patientviktiga utfall inte är validerat för samma sjukdom, intervention och kontext. Rapportering av studier med surrogatutfall bör tydligt motivera surrogatets biologiska och empiriska validitet [6].

Sammansatta utfall ökar ofta antalet händelser men kan dölja att effekten huvudsakligen drivs av en mindre viktig och vanlig komponent. Bedöm därför:

• om komponenterna har liknande klinisk betydelse
• om deras förväntade frekvens är jämförbar
• om behandlingseffekten rimligen är likartad
• om varje komponent redovisas separat

Flera primära utfall, tidpunkter och analysmetoder skapar multiplicitet. Om varje test genomförs på 5-procentsnivån ökar risken för minst ett falskt positivt fynd. Strategin för att kontrollera typ 1-fel bör vara förhandsdefinierad, exempelvis hierarkisk testning eller justerad signifikansnivå.

Stickprovsstorlek och målskillnad

Stickprovsberäkningen bör baseras på det primära utfallet och en kliniskt relevant målskillnad, inte på den största effekt som gör studien ekonomiskt möjlig. Den kräver vanligen antaganden om:

• signifikansnivå, ofta tvåsidig 5 procent
• statistisk styrka, ofta 80 eller 90 procent
• kliniskt relevant målskillnad
• kontrollgruppens händelserisk eller utfallens standardavvikelse
• bortfall
• allokeringsförhållande
• korrelation vid upprepade mätningar eller klusterdesign

Om den målskillnad som ska kunna upptäckas halveras behöver en tvåarmad studie med kontinuerligt, normalfördelat utfall ungefär fyra gånger så många deltagare, om övriga antaganden är oförändrade. Valet av målskillnad har därför både vetenskapliga och etiska konsekvenser [7].

En liten studie kan ge ett korrekt men mycket oprecist resultat. Att ett resultat inte är statistiskt signifikant betyder inte att behandlingarna är likvärdiga. Konfidensintervallet visar vilka kliniskt viktiga effekter som fortfarande är förenliga med data.

Randomisering, tilldelning och blindning

Generering av randomiseringssekvens

En korrekt sekvens kan skapas med datorgenererade slumptal. Systematisk växling, födelsedatum, journalnummer eller veckodag är inte randomisering eftersom nästa tilldelning kan förutsägas.

Vanliga metoder är:

• enkel randomisering
• blockrandomisering för ungefär jämnstora grupper
• stratifierad randomisering för balans inom ett fåtal viktiga prognostiska faktorer
• minimering, vanligen med ett slumpmoment, vid flera balanseringsfaktorer

Små och fasta block kan göra kommande tilldelning förutsägbar. Blockstorlekar bör därför ofta varieras och döljas för rekryterande personal.

Dold tilldelning

Dold tilldelning, allocation concealment, innebär att nästa behandling inte kan förutses innan deltagaren har inkluderats definitivt. Detta är skilt från blindning, som gäller kännedom om behandling efter tilldelningen.

Robusta metoder är exempelvis:

• central webbaserad randomisering
• central telefonrandomisering
• apoteksstyrd tilldelning
• sekventiellt numrerade, ogenomskinliga, förseglade kuvert med manipulationsskydd, om processen genomförs strikt

Formuleringar som "deltagarna randomiserades" eller "förseglade kuvert användes" är otillräckliga. Rapporten bör beskriva sekvensgenerering, vem som skapade sekvensen, vem som inkluderade deltagarna och hur tilldelningen hölls dold. Brister i detta steg kan göra det möjligt att påverka vilka patienter som får respektive behandling och därmed omintetgöra randomiseringen [4].

Blindning

Blindning minskar risken för att kännedom om behandling påverkar beteende, samsjukvård, rapportering, mätning eller analys. Rapporten bör ange vilka som var blindade:

• deltagare
• behandlande personal
• övrig vårdpersonal
• utfallsbedömare
• datagranskare och adjudiceringskommitté
• statistiker

Begreppen enkelblind och dubbelblind är tvetydiga och bör undvikas.

Blindning är särskilt viktig för subjektiva utfall såsom smärta, funktion och kliniska bedömningar. Vid objektiva utfall som totalmortalitet är risken för mätbias mindre, men kännedom om behandling kan fortfarande påverka tilläggsbehandling och uppföljning.

Om deltagare eller behandlare inte kan blindas bör studien överväga:

• blindad utfallsbedömning
• standardiserad samsjukvård
• objektiva eller centralt bedömda utfall
• förhandsdefinierade kriterier för behandlingsbyte
• blindad statistisk analys när detta är möjligt

Vanliga studiedesigner

Klusterrandomisering

Vid klusterrandomisering tilldelas exempelvis vårdcentraler, sjukhus eller kommuner snarare än individer. Designen används när interventionen riktas mot en organisation eller när individuell randomisering skulle ge betydande kontamination.

Deltagare inom samma kluster är korrelerade. Effektivt informationsinnehåll är därför mindre än vid lika många oberoende individer. Stickprovsberäkning och analys måste ta hänsyn till intraklusterkorrelationen. I en granskning av 300 klusterstudier redovisade endast 55 procent en stickprovsberäkning och 35 procent angav ett mått på korrelation inom kluster [8].

Särskild selektionsbias kan uppstå om individer identifieras efter att klustrets tilldelning blivit känd. I en systematisk granskning av klusterstudier var ungefär en fjärdedel potentiellt påverkade av rekryteringsförfarandet [9]. Behörighetskriterier och rekrytering bör därför om möjligt fastställas före randomisering eller utföras av personer utan kännedom om tilldelningen. CONSORT har en särskild utvidgning för klusterrandomiserade studier [10].

Överkorsningsstudier

I en överkorsningsstudie får varje deltagare flera interventioner i randomiserad ordning. Designen kan vara effektiv vid stabila kroniska tillstånd, snabbt reversibel behandlingseffekt och utfall som kan mätas upprepade gånger.

Den är olämplig vid botande behandling, irreversibla utfall, snabbt progredierande sjukdom eller långvarig behandlingseffekt. Period- och sekvenseffekter måste beaktas. En washout-period kan minska carryover men garanterar inte att den elimineras.

Kluster kan också randomiseras till olika behandlingssekvenser över tid. Detta kan öka statistisk effektivitet men kräver analys av korrelation inom kluster, periodeffekter och carryover på både individ- och klusternivå [11].

Pragmatisk eller explanatorisk inriktning

Pragmatisk och explanatorisk är ändpunkter på ett kontinuum. En explanatorisk studie frågar främst om interventionen fungerar under kontrollerade förhållanden. En pragmatisk studie frågar om den fungerar när den införs i vanlig vård.

Pragmatisk inriktning omfattar ofta bredare inklusionskriterier, sedvanlig vård som kontroll, flexibel behandling, rutinmässig samsjukvård och patientviktiga utfall. Begreppet pragmatisk innebär dock inte lägre metodkrav. Randomisering, tilldelning, utfallsmätning och analys måste fortfarande vara robusta.

En systematisk granskning av 57 pragmatiska smärtstudier fann att interventionernas flexibilitet och utfallens kliniska relevans ofta var god, medan rekryteringen och den extra uppföljning som studien krävde var mindre representativa för rutinsjukvård [12].

Adaptiva studier och plattformsstudier

En adaptiv studie kan enligt förhandsdefinierade regler ändra exempelvis stickprovsstorlek, randomiseringsförhållande eller vilka behandlingsarmar som fortsätter. En plattformsstudie kan lägga till och avsluta behandlingar inom ett fortlöpande protokoll.

Dessa designer kan använda resurser effektivt men ställer särskilda krav på:

• simulationsbaserad planering
• kontroll av typ 1-fel
• oberoende datamonitorering
• tydliga stoppregler
• jämförbarhet mellan samtidiga grupper
• hantering av tidsmässiga förändringar i population och vård
• transparens kring alla adaptationer

En icke-samtida kontrollgrupp kan vara missvisande om prognos, diagnostik eller standardbehandling förändras över tid. Analysen måste därför skilja randomiserad samtidig jämförelse från jämförelse med historiska eller icke-samtida kontroller.

Pilot- och genomförbarhetsstudier

En pilotstudies huvudfråga är om en framtida definitiv studie kan och bör genomföras, och i så fall hur. Relevanta utfall är rekrytering, retention, acceptans, följsamhet, datainsamling och förhandsdefinierade kriterier för fortsatt utveckling.

Pilotstudier är normalt för små för tillförlitlig hypotesprövning av klinisk effekt. Avsaknad av statistisk signifikans visar inte utebliven effekt, och ett nominellt signifikant fynd har ofta låg reproducerbarhet. CONSORT-utvidgningen för pilotstudier avråder därför från formell hypotesprövning av effekt när studien inte dimensionerats för detta [13].

Analys av randomiserade studier

Intention-to-treat och analys enligt randomiserad grupp

Grundprincipen i en superiority-studie är att deltagarna analyseras i den grupp de randomiserades till, oavsett följsamhet, behandlingsbyte eller felaktigt given behandling. Detta bevarar randomiseringens prognostiska balans och uppskattar ofta effekten av att tilldelas en behandlingsstrategi.

Benämningen intention-to-treat används inkonsekvent. Rapporten bör därför exakt ange:

• vilka randomiserade deltagare som ingick
• vilken grupp de analyserades i
• hur saknade utfall hanterades
• om några deltagare uteslöts och varför

En per-protokollanalys inkluderar endast deltagare som uppfyllt vissa protokollkrav. Den kan vara kliniskt relevant men är inte längre skyddad av randomiseringen. Följsamhet kan bero på prognos, biverkningar och tidigt behandlingssvar. Per-protokollanalysen blir därför en icke-randomiserad jämförelse om inte avancerade kausala metoder används.

Saknade utfallsdata

Bortfall orsakar främst problem när sannolikheten att ett utfall saknas är relaterad till det verkliga utfallet, behandlingen eller båda. Bortfallsandel ensam räcker därför inte för att bedöma bias.

Vanliga antaganden är:

• MCAR, bortfallet är helt oberoende av observerade och oobserverade data
• MAR, bortfallet kan förklaras av observerade data
• MNAR, bortfallet beror även på oobserverade värden

Komplettfallsanalys kräver ofta MCAR eller andra starka villkor. Multipel imputering kan vara rimlig under MAR om imputationsmodellen inkluderar behandlingsgrupp, prognostiska variabler och faktorer som förutsäger bortfall och utfall. Ingen statistisk metod kan utan antaganden återställa information som aldrig observerats.

En metodologisk översikt identifierade 101 arbeten om bortfall. Flertalet behandlade metoder under MAR eller MNAR, medan många publicerade RCT fortfarande använder metoder som i praktiken kräver det starkare MCAR-antagandet [14]. Huvudanalysen bör därför kompletteras med känslighetsanalyser under kliniskt rimliga MNAR-scenarier.

Justerade analyser

Justering för starka prognostiska baslinjevariabler kan öka precisionen. Variablerna och modellerna bör förhandsdefinieras. Justering efter variabler som uppstått efter randomisering, exempelvis följsamhet eller behandlingssvar, kan introducera bias och ändra den fråga som analysen besvarar.

Vid kontinuerliga utfall är justering för baslinjevärdet ofta effektivare än analys av förändring från baslinjen. Vid stratifierad randomisering bör stratifieringsfaktorerna vanligen beaktas i analysen.

Subgruppsanalyser

En subgruppseffekt innebär att behandlingseffekten skiljer sig mellan grupper, inte att effekten är signifikant i en grupp men icke-signifikant i en annan. Den relevanta analysen är ett interaktionstest.

Trovärdigheten ökar om:

• hypotesen och effektens riktning specificerades i förväg
• endast ett fåtal subgrupper prövades
• indelningen bygger på baslinjevariabler
• interaktionen är statistiskt övertygande
• samma mönster ses i närliggande utfall och andra studier
• det finns en stark biologisk eller klinisk förklaring

Subgruppsanalyser har ofta låg statistisk styrka samtidigt som många analyser ger hög risk för falskt positiva fynd. I en granskning av RCT vid pulmonell hypertension använde endast 37 procent interaktionstest. De flesta påståenden om subgruppseffekter uppfyllde högst fyra av tio trovärdighetskriterier [15].

Superiority, non-inferiority och ekvivalens

Superiority

En superiority-studie prövar om en intervention är bättre än kontrollen. Om konfidensintervallet inkluderar nolleffekt kan man inte dra slutsatsen att behandlingarna är likvärdiga. Ett icke-signifikant resultat kan bero på verklig likhet, otillräcklig precision, dålig följsamhet eller stort bortfall.

Non-inferiority

En non-inferiority-studie prövar om den nya behandlingen inte är oacceptabelt sämre än en etablerad behandling. Marginalen måste bestämmas före studien och ange den största effektförlust som kan accepteras. Den bör motiveras både kliniskt och utifrån tidigare evidens om kontrollbehandlingens effekt [16].

Den nya behandlingen bör erbjuda en annan fördel, exempelvis:

• färre allvarliga biverkningar
• enklare administration
• lägre kostnad
• bättre tillgänglighet
• mindre invasiv behandling

Dålig följsamhet, behandlingsbyte och ospecifik utfallsmätning kan göra grupperna mer lika och därmed artificiellt gynna slutsatsen non-inferiority. Både analys enligt randomiserad grupp och per-protokollanalys bör normalt redovisas, med likartade slutsatser.

En systematisk granskning av 823 non-inferiority-studier fann att marginalen angavs i cirka 95 procent men motiverades i endast 57 procent av studierna från 2019. Färre än hälften använde både intention-to-treat-liknande och per-protokollanalys, och mer än hälften var öppna studier [17].

Ekvivalens

En ekvivalensstudie prövar om behandlingseffekten ligger inom ett förhandsdefinierat intervall på båda sidor om nolleffekt. Ekvivalens kan därför inte visas med ett icke-signifikant superiority-test. Hela konfidensintervallet måste ligga inom båda ekvivalensgränserna.

Tolkning av resultat

Effektmått

För ett binärt utfall kan följande beräknas:

• risk i interventionsgruppen, EER
• risk i kontrollgruppen, CER
• riskkvot, RR = EER / CER
• absolut riskskillnad, RD = EER minus CER
• relativ riskreduktion = 1 minus RR, när risken minskar
• number needed to treat, NNT = 1 / absolut riskreduktion

NNT ska avrundas uppåt till närmaste heltal och måste anges tillsammans med utfall, tidsperiod, kontrollrisk och konfidensintervall. NNT är inte en konstant läkemedelsegenskap. Samma relativa effekt ger större absolut nytta och lägre NNT vid högre baslinjerisk.

Oddskvot kan överskatta intrycket av en riskkvot när utfallet är vanligt. Hazardkvot beskriver en relativ momentan händelseintensitet och är inte direkt liktydig med riskkvot eller skillnad i medianöverlevnad. Proportionalitetsantagandet bör vara rimligt.

För kontinuerliga utfall bör medelvärdesskillnaden tolkas mot skalans kliniskt viktiga skillnad. Standardiserad medelvärdesskillnad underlättar jämförelse mellan olika skalor men uttrycks i standardavvikelser och är mindre intuitiv.

P-värde och konfidensintervall

P-värdet är sannolikheten, under den statistiska modellen och nollhypotesen, att få ett resultat minst lika extremt som det observerade. Det är inte sannolikheten att nollhypotesen är sann och anger inte effektens storlek eller kliniska betydelse.

Ett 95-procentigt konfidensintervall visar både effektens riktning och precision. Vid granskning bör man fråga:

1. Inkluderar intervallet nolleffekt?
2. Inkluderar det en kliniskt viktig nytta?
3. Inkluderar det en kliniskt viktig skada?
4. Är intervallet tillräckligt smalt för beslut?

Dikotomisering vid P = 0,05 är ofta missvisande. Resultat med P = 0,049 och P = 0,051 är inte principiellt olika. Fokus bör ligga på skattning, precision, studiekvalitet och samstämmighet med övrig evidens.

Rapporteringen är ofta sämre än rekommenderat. I en granskning av 88 kirurgiska RCT rapporterade 68 procent endast P-värde och inte 95-procentigt konfidensintervall för nytta. Endast 6 procent redovisade NNT, och ingen redovisade number needed to harm [18].

Nytta och skada

Alla relevanta utfall måste vägas samman. En måttlig minskning av ett vanligt lindrigt utfall kan vara mindre betydelsefull än en liten ökning av en sällsynt allvarlig skada.

Bedöm:

• hur biverkningar definierades och efterfrågades
• om insamlingen var aktiv eller passiv
• uppföljningstid
• antal deltagare som exponerades
• behandlingsavbrott på grund av biverkningar
• allvarliga händelser och mortalitet
• absoluta risker och konfidensintervall

CONSORT Harms rekommenderar transparent redovisning av hur harms definierades, samlades in, kodades och analyserades [19]. RCT är ofta dimensionerad för effekt, inte för ovanliga skador, vilket gör osäkerheten i säkerhetsutfall stor.

Kritisk granskning i klinisk praxis

flowchart TD
A["Definiera klinisk fråga<br>och relevant estimand"] --> B["Jämför protokoll, register<br>och publikation"]
B --> C["Granska randomisering<br>och dold tilldelning"]
C --> D["Granska avvikelser,<br>blindning och samsjukvård"]
D --> E["Granska bortfall<br>och utfallsmätning"]
E --> F["Kontrollera analysgrupp,<br>multiplicitet och selektion"]
F --> G["Tolka effektstorlek<br>och 95-procentigt KI"]
G --> H["Väg absolut nytta<br>mot skada"]
H --> I["Bedöm överförbarhet<br>till patient och vårdkontext"]

Steg 1: Är frågan relevant?

Identifiera population, intervention, jämförelse, utfall och tidpunkt. Kontrollera om studiens primära fråga motsvarar ditt kliniska beslut. En välgjord studie kan vara irrelevant om kontrollbehandlingen, dosen eller vårdkontexten inte motsvarar svensk praxis.

Steg 2: Var metoderna förhandsdefinierade?

Sök registreringsnummer, protokoll och statistisk analysplan. Jämför:

• primärt utfall
• tidpunkt
• stickprovsstorlek
• subgrupper
• analyspopulation
• stoppregler
• non-inferiority-marginal

Ändringar kan vara berättigade, men deras tidpunkt och skäl ska anges. Ändringar som gjorts efter tillgång till utfallsdata har större risk att vara resultatstyrda.

Steg 3: Finns risk för bias?

RoB 2 bedömer fem huvudområden:

1. randomiseringsprocessen
2. avvikelser från avsedda interventioner
3. saknade utfallsdata
4. mätning av utfall
5. selektion av rapporterat resultat

Bedömningen ska gälla ett specifikt resultat, eftersom risken kan skilja mellan exempelvis mortalitet och självrapporterad smärta. RoB 2 ger kategorierna låg risk, vissa farhågor och hög risk, inte en numerisk kvalitetspoäng [3].

Steg 4: Är resultatet kliniskt viktigt?

Utgå från den förhandsdefinierade primäranalysen. Sök absoluta händelsetal, riskskillnad och konfidensintervall. Bedöm om effektens storlek når en kliniskt viktig tröskel och om den motiverar kostnader, behandlingsbörda och skador.

Var vaksam på spin. I en granskning av 93 kardiovaskulära RCT med icke-signifikant primärt utfall förekom positivt vinklad rapportering i 57 procent av abstrakten och 67 procent av huvudtexterna [20]. Vanliga strategier var fokus på signifikanta sekundära utfall, subgrupper eller förändringar inom behandlingsgruppen.

Steg 5: Är resultatet överförbart?

Intern validitet besvarar om resultatet är trovärdigt i den studerade populationen. Extern validitet gäller om resultatet kan tillämpas på andra patienter och vårdmiljöer.

Granska särskilt:

• ålder och skörhet
• kön och etnicitet
• samsjuklighet och polyfarmaci
• sjukdomsgrad och baslinjerisk
• tidigare behandling
• vårdnivå och behandlarens kompetens
• följsamhet och tillgång till monitorering
• interventionens faktiska dos och intensitet

En systematisk översikt av 305 RCT fann en median exklusionsandel på 77,1 procent när studiernas kriterier tillämpades på kliniska populationer. Vanliga orsaker var ålder, samsjuklighet och samtidig medicinering [21]. Relativa effekter kan ibland överföras mellan risknivåer, men absoluta effekter och harms förändras när baslinjerisken skiljer sig.

Steg 6: Passar resultatet med övrig evidens?

En enskild RCT är sällan ensam avgörande. Bedöm studien tillsammans med:

• andra RCT
• systematiska översikter och metaanalyser
• biologisk rimlighet
• säkerhetsdata
• patientpreferenser
• resursåtgång och genomförbarhet

Stora effekter i en liten, tidigt stoppad eller metodologiskt svag studie kräver särskild försiktighet. Replikation i oberoende studier och konsekventa absoluta effekter stärker tillförlitligheten.

Rapportering och forskningsintegritet

CONSORT 2025 omfattar en 30-punktschecklista och deltagarflöde. Nyare inslag gäller bland annat datadelning, intressekonflikter, patientmedverkan, harms, analysgrupper, saknade data och hur interventionen faktiskt genomfördes [1]. CONSORT ska användas tillsammans med relevanta utvidgningar för exempelvis klusterstudier, non-inferiority, adaptiva designer och pilotstudier.

En fullständig CONSORT-rapport är inte nödvändigtvis en välgjord studie. Checklistan anger vad som ska redovisas, inte vilka metodval som alltid är korrekta. Omvänt kan en metodologiskt robust studie vara omöjlig att värdera om rapporteringen är ofullständig.

Tillförlitlig rapportering kräver:

• prospektiv registrering före första randomiseringen
• offentligt protokoll och analysplan
• redovisning av alla viktiga protokolländringar
• CONSORT-flödesschema
• resultat för alla förhandsdefinierade primära och sekundära utfall
• absoluta och relativa effekter med konfidensintervall
• transparent harmsrapportering
• finansiering och intressekonflikter
• information om tillgång till avidentifierade data och analyskod

CONSORT 2025 ersätter CONSORT 2010. Äldre publikationer behöver naturligtvis värderas utifrån tillgänglig information, men vid planering, rapportering och granskning av nya RCT bör 2025 års version användas [1,2].

Källor

1. Hopewell S m.fl. CONSORT 2025 statement: updated guideline for reporting randomised trials. BMJ 2025. PMID: 40228833
2. Hopewell S m.fl. CONSORT 2025 explanation and elaboration: updated guideline for reporting randomised trials. BMJ 2025. PMID: 40228832
3. Sterne JAC m.fl. RoB 2: a revised tool for assessing risk of bias in randomised trials. BMJ 2019. PMID: 31462531
4. Wang H m.fl. Trial-level characteristics associate with treatment effect estimates: a systematic review of meta-epidemiological studies. BMC Medical Research Methodology 2022. PMID: 35705904
5. Chan AW m.fl. SPIRIT 2025 statement: updated guideline for protocols of randomised trials. BMJ 2025. PMID: 40294953
6. Manyara AM m.fl. Reporting of surrogate endpoints in randomised controlled trial reports (CONSORT-Surrogate): extension checklist with explanation and elaboration. BMJ 2024. PMID: 38981645
7. Cook JA m.fl. Choosing the target difference ('effect size') for a randomised controlled trial: DELTA2 guidance protocol. Trials 2017. PMID: 28606102
8. Rutterford C m.fl. Reporting and methodological quality of sample size calculations in cluster randomized trials could be improved: a review. Journal of Clinical Epidemiology 2015. PMID: 25523375
9. Eldridge S m.fl. Internal and external validity of cluster randomised trials: systematic review of recent trials. BMJ 2008. PMID: 18364360
10. Campbell MK m.fl. Consort 2010 statement: extension to cluster randomised trials. BMJ 2012. PMID: 22951546
11. McKenzie JE m.fl. Reporting of cluster randomised crossover trials: extension of the CONSORT 2010 statement with explanation and elaboration. BMJ 2025. PMID: 39761979
12. Hohenschurz-Schmidt D m.fl. Pragmatic trials of pain therapies: a systematic review of methods. Pain 2022. PMID: 34490854
13. Eldridge SM m.fl. CONSORT 2010 statement: extension to randomised pilot and feasibility trials. BMJ 2016. PMID: 27777223
14. Medcalf E m.fl. Addressing missing outcome data in randomised controlled trials: A methodological scoping review. Contemporary Clinical Trials 2024. PMID: 38857674
15. Rodríguez-Ramallo H m.fl. Subgroup Analysis in Pulmonary Hypertension-Specific Therapy Clinical Trials: A Systematic Review. Journal of Personalized Medicine 2022. PMID: 35743648
16. Piaggio G m.fl. Reporting of noninferiority and equivalence randomized trials: extension of the CONSORT 2010 statement. JAMA 2012. PMID: 23268518
17. Sengul A m.fl. Non-Inferiority Trials: A Systematic Review on Methodological Quality and Reporting Standards. Journal of General Internal Medicine 2024. PMID: 38954320
18. Stubenrouch FE m.fl. Systematic review of reporting benefits and harms of surgical interventions in randomized clinical trials. BJS Open 2020. PMID: 32207574
19. Junqueira DR m.fl. CONSORT Harms 2022 statement, explanation, and elaboration: updated guideline for the reporting of harms in randomised trials. BMJ 2023. PMID: 37094878
20. Khan MS m.fl. Level and Prevalence of Spin in Published Cardiovascular Randomized Clinical Trial Reports With Statistically Nonsignificant Primary Outcomes: A Systematic Review. JAMA Network Open 2019. PMID: 31050775
21. He J m.fl. Exclusion rates in randomized controlled trials of treatments for physical conditions: a systematic review. Trials 2020. PMID: 32102686