Zum Inhalt springen
Zurück zu den Suchergebnissen

Cluster-Randomisierte Kontrollierte Studie — Randomisierung auf Gruppenebene

Eingeführt von
Cornfield (1978); systematised by Donner and colleagues (1980s)
Jahr
1978–1980s
Typ
Experimental design
Familie
Experimental design

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Eine Cluster-Randomisierte Kontrollierte Studie (Cluster-RCT) ist ein experimentelles Design, bei dem intakte soziale oder organisationale Gruppen — wie Schulen, Kliniken, Dörfer oder Arbeitsplätze — anstelle einzelner Teilnehmer zufällig Behandlungsbedingungen zugewiesen werden.

Ergebnisse werden immer noch auf individueller Ebene gemessen, aber die Einheit der Randomisierung ist der Cluster. Dieses Design ist unerlässlich, wenn eine Intervention an ganze Gruppen geliefert wird, wenn ein Kontaminationsrisiko zwischen Teilnehmern in derselben Umgebung besteht oder wenn eine individuelle Randomisierung logistisch oder ethisch unpraktisch ist.

Die Intuition hinter der Methode

Stellen Sie sich vor, Sie testen eine neue Lehrmethode in Schulen. Sie können nicht einzelne Schüler innerhalb desselben Klassenzimmers randomisieren — der Lehrer würde unweigerlich Methoden mischen und die Kinder würden Strategien austauschen. Stattdessen weisen Sie zufällig ganze Schulen der neuen Methode zu oder lassen sie den üblichen Lehrplan fortsetzen. Schüler innerhalb derselben Schule neigen dazu, ähnlicher zueinander zu sein als Schüler in anderen Schulen (sie teilen denselben Lehrer, dieselbe Kultur und dieselben Ressourcen), daher müssen Analysen dieses Clustering berücksichtigen. Das Design opfert etwas statistische Aussagekraft im Vergleich zur individuellen Randomisierung, spiegelt aber wider, wie Bildungs- und Public-Health-Interventionen in der realen Welt tatsächlich funktionieren.

Geschichte

Die erste formale statistische Behandlung der Intra-Cluster-Korrelation in Group-Randomized Designs wurde 1978 von Jerome Cornfield veröffentlicht, der warnte, dass Studien, die Gruppen randomisieren, aber Individuen analysieren, systematisch anticonservativ wären. Allan Donner und Kollegen entwickelten den analytischen Rahmen in den 1980er Jahren und veröffentlichten das grundlegende Lehrbuch des Feldes im Jahr 2000. Die CONSORT-Erweiterung für Cluster-RCTs, die erstmals 2004 von Campbell und Kollegen veröffentlicht und 2012 aktualisiert wurde, legte Berichtsstandards fest, die nun von großen Fachzeitschriften verlangt werden. Cluster-RCTs wurden in der globalen Gesundheits- und Bildungsforschung während der 1990er und 2000er Jahre besonders prominent, als groß angelegte gemeinschaftliche Interventionsstudien zeigten, dass die Kontrolle von Kontaminationen für die gültige Bewertung von Public-Health-Programmen unerlässlich war.

Wann wird sie eingesetzt?

Verwenden Sie eine Cluster-RCT, wenn die Intervention inhärent an eine Gruppe geliefert wird (z. B. eine Richtlinie, ein Schulungsprogramm, eine Gemeinschaftskampagne), wenn eine Kontamination zwischen individuell randomisierten Teilnehmern in derselben Umgebung wahrscheinlich ist und die Schätzung des Behandlungseffekts verzerren würde, oder wenn eine individuelle Randomisierung logistisch unmöglich oder ethisch inakzeptabel wäre. Das Design erfordert eine ausreichende Anzahl von Clustern — mindestens 6 pro Arm und idealerweise 20 oder mehr pro Arm —, um eine angemessene Aussagekraft zu gewährleisten und robuste Schlussfolgerungen zu unterstützen. Verwenden Sie KEINE Cluster-RCT, wenn eine individuelle Randomisierung machbar ist und kein Kontaminationsrisiko besteht, da das Cluster-Design die Aussagekraft reduziert und die Analyse erschwert. Vermeiden Sie es auch, wenn die Anzahl der verfügbaren Cluster sehr klein ist (weniger als 6 pro Arm), da die Schätzung des ICC und der Varianz auf Clusterebene unzuverlässig ist und die Standardfehler auch bei Clustering-korrigierten Analysen unterschätzt werden.

Grenzen und Hinweise

  • Reduzierte statistische Aussagekraft im Vergleich zur individuellen Randomisierung bei gleicher Gesamtzahl von Teilnehmern; es werden mehr Teilnehmer benötigt, um den Designeffekt zu kompensieren.
  • Erfordert eine aussagekräftige Anzahl von Clustern (typischerweise 20+ pro Arm) für ausreichende Aussagekraft und zuverlässige ICC-Schätzung; Studien mit wenigen Clustern sind unterpowered und analytisch fragil.
  • Logistisch komplex: Die Koordination von Randomisierung, Intervention und Datenerfassung über mehrere Standorte hinweg erfordert erhebliche Infrastruktur.
  • Cluster-Ausfälle (ein gesamtes Schul- oder Klinik-Aussteigen) können die Aussagekraft erheblich beeinträchtigen und Verzerrungen einführen, die individuelle Ausfälle nicht verursachen.
  • Der ICC muss für die Stichprobengrößenberechnung geschätzt oder a priori angenommen werden; eine falsche ICC-Annahme führt zu einer über- oder unterpowerten Studie.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Verhindert Kontamination zwischen Bedingungen, wenn die Intervention auf Gruppenebene wirkt, und bewahrt die Integrität des Vergleichs.
  • Ermöglicht die Bewertung von Interventionen, die logistisch oder ethisch unmöglich auf individueller Ebene durchzuführen sind.
  • Unterstützt die Generalisierung auf reale Anwendungskontexte — Interventionen werden in den Umgebungen getestet, in denen sie letztendlich eingesetzt werden.
  • Stratifizierte oder gepaarte Cluster-Randomisierung kann auch bei einer bescheidenen Anzahl von Clustern eine gute Kovariatenbalance erreichen.
  • Bei korrekter Analyse liefert sie unverzerrte Schätzungen von Interventionseffekten, die die Korrelation innerhalb von Clustern berücksichtigen.

Anwendungen

  • Bewertung von schulbasierten Interventionen wie Anti-Mobbing-Programmen oder neuen Lehrplänen, bei denen das Klassenzimmer oder die Schule die Einheit der Verabreichung ist.
  • Testen von Public-Health-Kampagnen auf Gemeindeebene (z. B. HIV-Prävention, Sanitärversorgung, Impfkampagnen), die auf Dorf- oder Bezirksebene randomisiert werden.
  • Bewertung von Qualitätsverbesserungsinitiativen im Gesundheitswesen, wobei Arztpraxen, Kliniken oder Krankenhausstationen die randomisierten Cluster sind.
  • Bewertung von betrieblichen Wellness- oder Sicherheitsprogrammen, die an ganze Teams oder Abteilungen geliefert werden.
  • Testen von Politik- oder Reformen im Bereich der sozialen Dienste, bei denen die Verwaltungseinheit (z. B. eine lokale Behörde) der natürliche Cluster ist.

So funktioniert es

So funktioniert es

1

Identifizieren Sie die natürlich vorkommenden oder administrativ definierten Gruppen, die als Randomisierungseinheit dienen — zum Beispiel Schulen, Arztpraxen, Dörfer oder Krankenhausstationen. Cluster sollten in Größe und relevanten Basismerkmalen so ähnlich wie möglich sein. Stratifizierung oder Paarung von Clustern vor der Randomisierung wird dringend empfohlen, um Ausgewogenheit und Aussagekraft zu verbessern.

2

Standardformeln für die Stichprobengröße für individuell randomisierte Studien unterschätzen systematisch die erforderliche Anzahl von Teilnehmern, da Beobachtungen innerhalb desselben Clusters korreliert sind. Der Designeffekt (DEFF) bläht die erforderliche Stichprobengröße auf: DEFF = 1 + (m − 1) × ICC, wobei m die durchschnittliche Clustergröße und ICC (Intraclass-Korrelationskoeffizient) der Anteil der Gesamtvarianz ist, der auf Unterschiede zwischen Clustern zurückzuführen ist. Sowohl die Anzahl der Cluster als auch die Anzahl der Teilnehmer pro Cluster müssen explizit geplant werden.

Formel
n = n_{ind} \times (1 + (m-1)\rho)
3

Cluster — nicht Individuen — werden zufällig den Behandlungs- oder Kontrollarmen zugewiesen. Die Randomisierung kann einfach, stratifiziert nach Kovariaten auf Clusterebene (z. B. städtisch/ländlich, Basisleistung) oder paarweise abgeglichen sein. Da die Anzahl der Cluster typischerweise klein ist (10–100), reduziert die stratifizierte oder abgeglichene Randomisierung die Wahrscheinlichkeit von Ungleichgewichten bei wichtigen Störfaktoren erheblich.

4

Die Intervention wird auf Clusterebene verabreicht (z. B. ein Schulungsprogramm für alle Mitarbeiter einer Klinik). Verfahren müssen Kreuzkontaminationen verhindern — das Austreten der Intervention von behandelten zu Kontrollclustern —, was oft der Hauptgrund für die Wahl dieses Designs gegenüber der individuellen Randomisierung ist.

5

Ergebnisse auf individueller Ebene werden von Teilnehmern gesammelt, die in jedem Cluster verschachtelt sind. Basismerkmale und Ergebnisse sollten für alle zustimmenden Personen innerhalb der ausgewählten Cluster erfasst werden. Verlust der Nachbeobachtung sowohl auf Cluster- als auch auf individueller Ebene muss verfolgt und separat berichtet werden, da Cluster-Ausfälle die Aussagekraft und Gültigkeit besonders beeinträchtigen.

6

Standard-Regressions- oder t-Test-Analysen, die das Clustering ignorieren, erzeugen Standardfehler, die zu klein sind, was die Fehler erster Art aufbläht. Gültige Analysen umfassen: (1) Zusammenfassungen auf Clusterebene, die als Einheit analysiert werden (Analyse von Cluster-Mittelwerten); (2) Mixed-Effects-Modelle auf individueller Ebene mit einem zufälligen Achsenabschnitt für den Cluster; (3) Generalisierte Schätzgleichungen (GEE) mit einer Korrelationsstruktur der Arbeitsweise auf Clusterebene. Der aus den Daten geschätzte ICC sollte berichtet werden, um zukünftige Studien zu informieren.

Formel
\text{SE}_{adj} = \text{SE}_{naive} \times \sqrt{1 + (m-1)\rho}

Häufige Fallstricke

  • Analyse, als wären die Teilnehmer individuell randomisiert — das Ignorieren der Clustering-Struktur führt zu viel zu kleinen Standardfehlern und erhöht die Fehler erster Art, manchmal dramatisch. Verwenden Sie immer eine Clustering-bewusste Analysemethode.
  • Zu wenige Cluster — Studien mit nur 4–6 Clustern pro Arm haben eine sehr geringe Aussagekraft und können irreführende ICC-Schätzungen liefern; prüfen Sie, ob die Studie überhaupt lohnenswert ist, ohne mehr Cluster.
  • Ungleiche Clustergrößen ohne Anpassung — große Variationen in der Clustergröße verringern die Effizienz und erschweren die Analyse; berücksichtigen Sie dies bei der Planung der Stichprobengröße und verwenden Sie gewichtete oder gemischte Modellanalysen.
  • Fehlende Berichterstattung des ICC — ohne den beobachteten ICC können nachfolgende Forscher die Studie nicht zur Information von Stichprobengrößenberechnungen für zukünftige Cluster-RCTs in demselben Bereich verwenden.
  • Randomisierung nach der Rekrutierung — die Auswahl von Teilnehmern vor der Cluster-Randomisierung und die Zulassung, dass sie ihre Zuweisung kennen, führt zu einem Versagen der Zuweisungsverschleierung und zu Selektionsverzerrungen.

Häufig gestellte Fragen

Wie unterscheidet sich eine Cluster-RCT von einer Standard-RCT?

In einer Standard-RCT werden einzelne Teilnehmer zufällig einer Behandlung oder Kontrolle zugewiesen. In einer Cluster-RCT werden ganze Gruppen (Cluster) — wie Schulen oder Kliniken — zufällig zugewiesen. Ergebnisse werden immer noch bei Individuen gemessen, aber die Einheit der Randomisierung und die primäre Varianzquelle für die Aussagekraftberechnungen ist der Cluster, nicht die Person. Dieser Unterschied verändert grundlegend die Anforderungen an die Stichprobengröße und den korrekten analytischen Ansatz.

Was ist der Intraclass-Korrelationskoeffizient (ICC) und warum ist er wichtig?

Der ICC (rho) misst den Anteil der gesamten Ergebnisvarianz, der auf Unterschiede zwischen Clustern und nicht auf Unterschiede zwischen Individuen innerhalb von Clustern zurückzuführen ist. Selbst ein kleiner ICC (z. B. 0,05) kann die erforderliche Stichprobengröße erheblich erhöhen. Die Designeffektformel DEFF = 1 + (m − 1) × ICC zeigt, dass bei 50 Teilnehmern pro Cluster und ICC = 0,05 3,45-mal so viele Teilnehmer benötigt werden wie bei einer individuell randomisierten Studie.

Wie viele Cluster benötige ich?

Ein üblicher Mindestwert ist etwa 6 Cluster pro Arm für eine gültige Studie, aber dies bietet für die meisten realistischen ICCs und Effektgrößen eine sehr geringe Aussagekraft. Zwanzig oder mehr Cluster pro Arm sind ein weit verbreitetes praktisches Ziel für zuverlässige Schlussfolgerungen. Die Stichprobengröße sollte formal unter Verwendung des erwarteten ICC, der durchschnittlichen Clustergröße, der gewünschten Aussagekraft und der erwarteten Effektgröße berechnet werden. Software wie PASS, Stata's clustersampsi oder R-Pakete clusterPower oder CRTpowerPack kann dabei helfen.

Welche Analysemethode sollte ich verwenden?

Die beiden Hauptansätze sind: (1) Analyse auf Clusterebene — berechnen Sie eine zusammenfassende Statistik (z. B. mittleres Ergebnis) für jeden Cluster und analysieren Sie diese Zusammenfassungen mit einem t-Test oder ANCOVA, wobei der Cluster als Einheit behandelt wird; und (2) gemischte Regressionsmodelle auf individueller Ebene mit einem zufälligen Achsenabschnitt für den Cluster oder GEE mit einer austauschbaren Arbeitskorrelationsstruktur. Gemischte Modelle und GEE werden bevorzugt, wenn Kovariaten angepasst werden müssen oder wenn die Clustergrößen ungleich sind. Alle Ansätze müssen das Clustering berücksichtigen — Analysen, die es ignorieren, sind ungültig.

Wann ist Kontamination ein echtes Problem?

Kontamination ist am schwerwiegendsten, wenn Teilnehmer in Kontrollclustern realistischerweise Zugang zur Behandlung erhalten oder diese annehmen könnten — zum Beispiel, wenn Interventions-Teilnehmer denselben physischen Raum, dasselbe soziale Netzwerk oder denselben Informationskanal wie Kontroll-Teilnehmer teilen. Klassische Beispiele: eine Motivationsintervention, die einigen Krankenschwestern auf einer Station verabreicht wird, wo andere Krankenschwestern sie beobachten und nachahmen; oder eine Studie zu Gesundheitsaufklärungsmaterialien, bei der Flugblätter zwischen Haushalten in derselben Nachbarschaft zirkulieren. Wenn eine Kontamination unwahrscheinlich ist (z. B. eine chirurgische Technik, die über Krankenhäuser randomisiert wird, die kein Personal teilen), ist eine individuelle Randomisierung in der Regel vorzuziehen.

Verwandte Methoden

Quellen

  1. Donner, A., & Klar, N. (2000). Design and Analysis of Cluster Randomization Trials in Health Research. Arnold.

    ISBN: 978-0340652978
    Kopiert.
  2. Hayes, R. J., & Moulton, L. H. (2017). Cluster Randomised Trials (2nd ed.). CRC Press / Chapman & Hall.

    ISBN: 978-1498728225
    Kopiert.