소아 내상과 골절 치료를 위한 깁스 또는 수술 (COMET)

소개

내측 상과의 골절은 흔한 소아 손상으로, 연간 발생률은 40-60/100,000으로 추정됩니다. 전형적인 메커니즘은 뻗은 손으로 넘어져 팔꿈치에 외반 부하를 생성하여 굴근-회내근 덩어리 또는 척골 측부 인대의 당김으로 인한 상과 탈구로 이어지는 것입니다. 이 부상은 9세에서 14세 사이의 어린이에게 가장 흔하며 남아에게는 4배 더 많습니다. 내측 상과 골절은 약 50%의 경우에서 팔꿈치 탈구와 관련이 있으며 척골 신경 기능 장애는 거의 10%에서 발생하는 것으로 보고됩니다. 내측 상완골 골절에 대한 치료 표준은 존재하지 않습니다. 수술 및 비수술 치료 모두에 대한 관찰 연구에서 유사한 결과가 입증되었기 때문입니다. 역사적으로 대부분의 치료는 치유될 때까지 부상당한 팔꿈치를 긴 팔 깁스로 고정하는 비수술적 방법이었습니다. 그러나 이러한 부상은 점점 더 외과적 개입으로 치료되고 있으며, 대부분의 경우 뼈 조각을 상완골의 공여 부위에 다시 부착하는 단일 나사로 구성됩니다.

소아 내측 상과 골절의 치료를 평가하는 전향적 연구는 이전에 수행되지 않았습니다. 이 문제에 대한 현재의 모든 문헌은 적절한 통제의 부족, 코호트의 후향적 조립, 결과의 표준화되지 않은 평가, 부정적인 결과 및 부작용에 대한 불규칙한 평가와 같은 심각한 방법론적 한계를 가지고 있습니다. 문헌에 대한 2009년 체계적 검토에서는 어린이 또는 청소년의 내측 상과 골절의 수술적 치료와 비수술적 치료를 비교한 14개의 연구를 확인했습니다. 이들 중 모두는 본질적으로 회고적이고 관찰적이며 결과 표시에 다양한 결과 측정이 활용되었습니다.

내측 상완골 골절의 최적 관리에 대해 임상의들 사이에 상당한 논쟁이 있지만 이점에 대한 명확한 증거가 부족함에도 불구하고 점차 이러한 손상을 수술적으로 관리하고 있습니다. 수술 경향에 대한 설명은 어린이와 청소년의 운동 요구와 환자, 부모 및 코치의 조기 동원 및 스포츠 복귀에 대한 기대에 초점을 맞춥니다. 모범 사례에 대한 지속적인 불확실성으로 인해 무작위 시험은 윤리적이고 유용합니다. 수술에 관한 결정을 더 잘 알리고 안전하고 효과적인 치료를 보장하려면 고품질 데이터가 필요합니다.

안전 감독

안전 감독은 일반적으로 공인된 소아 정형외과 휄로우십을 통해 얻은 소아 정형외과 수술에 대한 적절한 전문성과 지식을 가진 개인으로 구성된 데이터 및 안전 모니터링 위원회(DSMB)의 지시에 따릅니다. DSMB의 구성원은 연구 수행으로부터 독립적이어야 하고 이해 상충이 없어야 하며, 그렇지 않으면 인지된 이해 상충을 최소화하기 위한 조치가 마련되어야 합니다. DSMB는 연구의 각 부문에 대한 안전성 데이터를 평가하기 위해 적어도 반기마다 회의를 가질 것입니다. DMSB는 DSMB 조직 회의에서 작성 및 검토될 승인된 헌장의 규칙에 따라 운영됩니다. 이때 DSMB가 평가해야 하는 각 데이터 요소가 명확하게 정의됩니다. DSMB는 NIAMS에 입력을 제공합니다.

품질 보증 및 품질 관리

품질 관리(QC) 절차는 데이터 입력 시스템을 시작으로 구현되며 데이터베이스에서 실행될 데이터 QC 검사가 생성됩니다. 누락된 데이터 또는 데이터 이상은 설명/해결을 위해 사이트에 전달됩니다.

서면 표준 운영 절차(SOP)에 따라 모니터는 임상 시험이 수행되고 데이터가 생성되며 생물학적 표본이 수집, 문서화(기록) 및 프로토콜, 국제 조화 우수 임상 관리 회의(International Conference on Good Clinical Practice) 프로토콜에 따라 보고되는지 확인합니다. ICH GCP) 및 적용 가능한 규제 요건(예: GLP(Good Laboratory Practices), GMP(Good Manufacturing Practices)).

조사 사이트는 의뢰자의 모니터링 및 감사와 지역 및 규제 당국의 검사를 목적으로 모든 시험 관련 사이트, 소스 데이터/문서 및 보고서에 대한 직접 액세스를 제공합니다.

데이터 취급 및 기록 보관

데이터 수집 및 관리 책임

데이터 수집은 현장 조사자의 감독 하에 현장에서 임상 시험 직원의 책임입니다. 조사자는 보고된 데이터의 정확성, 완전성, 가독성 및 적시성을 보장할 책임이 있습니다.

임상 데이터 및 환자 보고 결과는 DCRI에서 제공하는 21 CFR Part 11 준수 데이터 캡처 시스템인 REDCap에 입력됩니다. 데이터 시스템에는 자동 범위 검사와 같은 암호 보호 및 내부 품질 검사가 포함되어 있어 일관성이 없거나 불완전하거나 부정확해 보이는 데이터를 식별합니다. 임상 데이터는 원본 문서에서 직접 입력됩니다.

통계적 가설

• 1차 효능 종점(들):

시험은 우월성 프레임워크를 사용할 것입니다. 구체적으로 귀무가설은 1년 시점에서 두 군 사이에 PROMIS UE(CAT)의 차이가 없다는 것입니다. 대안 가설은 팔 사이에 차이가 있다는 것입니다.

샘플 크기 결정

샘플 크기 계산은 PROMIS(Patient Reported Outcomes Measurement Information System) 상지 컴퓨터 적응 검사(CAT) 4점에서 임상적으로 의미 있는 차이를 감지하는 것을 기반으로 했습니다. PROMIS 측정은 참조 모집단에서 평균이 50이고 표준 편차가 10인 T-점수 메트릭을 사용합니다. 오전당 133개의 표본 크기는 양면 제1종 오류율을 0.05로 가정하고 4포인트의 팔 사이의 차이를 감지하는 데 90% 검정력을 제공합니다.

20%의 후속 조치 실패 또는 12개월의 주요 결과에 대한 누락 데이터를 설명하기 위해 우리는 샘플 크기를 팔당 167개로 확장하여 총 대상 등록 334개를 만들었습니다.

참가자의 50%가 6개월 후속 조치를 완료한 후 기본 결과의 표준 편차를 기반으로 블라인드 샘플 크기 재추정이 수행됩니다.

분석을 위한 모집단

1차 분석은 ITT(Intention-to-treat) 원칙을 기반으로 합니다. ITT 분석의 견고성을 평가하기 위해 프로토콜별 분석이 수행됩니다. 최소(<5%) 누락된 결과 데이터의 경우, 1차 분석은 수정된 치료 의도 분석(mITT)을 반영하는 완전한 사례를 기반으로 합니다.

통계 분석

일반적인 접근

설명 통계는 모든 기본 변수를 팔별로 요약합니다. 구체적으로 연속 변수는 정규 분포 변수의 경우 평균 및 표준 편차를 사용하고 비정규 분포 변수의 경우 중앙값 및 IQR을 사용하여 요약합니다. 범주형 변수는 빈도와 백분율로 요약됩니다. 치료 부문 간의 기준선 특성을 비교하기 위한 공식적인 가설 테스트는 없습니다.

1년 시점의 1차 결과에 대한 1차 분석은 0.05의 양측 유형 I 오류율로 평가됩니다. FDR(False Discovery Rate) 보정은 다중성을 설명하기 위해 모든 2차 결과 분석에 적용됩니다.

일차 효능 종점(들)의 분석

일차 목표에 대한 분석은 일차 결과에 대한 혼합 효과 모델인 치료군에 대한 고정 효과와 부위에 대한 무작위 효과가 있는 6개월의 PROMIS 상지 기능을 활용합니다. 고정 효과에는 디자인과 분석 모두에서 불균형을 제어하기 위해 무작위화(팔꿈치 탈구 상태, 연령, 성별)에서 고려되는 변수도 포함됩니다. 무작위 중심 효과를 통합하면 사이트 간 분산 구성 요소와 사이트 내 분산 구성 요소를 분리할 수 있습니다. 분포 가정을 평가하고, 적절한 경우 고차 항의 변환 또는 포함을 고려할 수 있습니다.

2차 종말점 분석

2차 분석은 모든 2차 연속 결과에 대해 유사한 방법을 사용합니다. 일반화된 선형 혼합 모델링 접근법은 적절한 연결 및 분포 가정과 함께 2차 바이너리 및 카운트 결과에 사용됩니다. 모든 모델은 위에서 설명한 대로 무작위화에서 고려되는 추가 공변량에 대한 무작위 중심 효과 및 고정 효과를 통합합니다.

탐색적 분석은 또한 시간 경과에 따라 측정된 주요 결과의 궤적을 고려할 수 있습니다. 기준선 PROMIS 상지 기능, 시간, 치료군 및 상호작용에 대한 고정 효과는 무작위 환자가 중앙 효과에 내포된 선형 혼합 효과 모델에 포함됩니다.

FDR(False Discovery Rate) 수정은 다중성을 설명하기 위해 모든 2차 분석에 적용됩니다.