Saltar al contenido
Volver a los resultados

Ensayo controlado aleatorizado por conglomerados — Aleatorización a nivel de grupo

Propuesto por
Cornfield (1978); systematised by Donner and colleagues (1980s)
Año
1978–1980s
Tipo
Experimental design
Familia
Experimental design

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Un ensayo controlado aleatorizado por conglomerados (ECAC) es un diseño experimental en el que grupos sociales u organizacionales intactos —como escuelas, clínicas, pueblos o lugares de trabajo— son asignados aleatoriamente a condiciones de tratamiento, en lugar de participantes individuales.

Los resultados se siguen midiendo a nivel individual, pero la unidad de aleatorización es el conglomerado. Este diseño es esencial cuando una intervención se entrega a grupos completos, cuando existe riesgo de contaminación entre participantes en el mismo entorno, o cuando la aleatorización individual es logística o éticamente inviable.

La intuición detrás del método

Imagine probar un nuevo método de enseñanza en escuelas. No se pueden aleatorizar alumnos individuales dentro de la misma aula —el profesor inevitablemente mezclaría métodos y los niños compartirían estrategias—. En su lugar, se asignan aleatoriamente escuelas enteras para recibir el nuevo método o continuar con el currículo habitual. Los alumnos dentro de la misma escuela tienden a ser más similares entre sí que a los alumnos de otras escuelas (comparten el mismo profesor, cultura y recursos), por lo que los análisis deben tener en cuenta este agrupamiento. El diseño sacrifica cierta potencia estadística en comparación con la aleatorización individual, pero refleja cómo las intervenciones educativas y de salud pública funcionan realmente en el mundo real.

Historia

El primer tratamiento estadístico formal de la correlación intraconclomerado en diseños aleatorizados por grupos fue publicado por Jerome Cornfield en 1978, quien advirtió que los ensayos que aleatorizaban grupos pero analizaban individuos serían sistemáticamente anticonservadores. Allan Donner y sus colegas desarrollaron el marco analítico a lo largo de la década de 1980 y publicaron el libro de texto fundamental del campo en 2000. La extensión CONSORT para ECAC, publicada por primera vez por Campbell y sus colegas en 2004 y actualizada en 2012, estableció estándares de informe que ahora son requeridos por las principales revistas. Los ECAC cobraron especial relevancia en la investigación de salud global y educación durante las décadas de 1990 y 2000, a medida que los ensayos de intervención comunitaria a gran escala demostraron que el control de la contaminación era esencial para una evaluación válida de los programas de salud pública.

Cuándo usarlo

Utilice un ECAC cuando la intervención se entrega inherentemente a un grupo (por ejemplo, una política, un programa de capacitación, una campaña comunitaria), cuando es probable la contaminación entre participantes aleatorizados individualmente en el mismo entorno y sesgaría la estimación del efecto del tratamiento, o cuando la aleatorización individual sería logísticamente imposible o éticamente inaceptable. El diseño requiere un número suficiente de conglomerados —un mínimo de 6 por brazo, e idealmente 20 o más por brazo— para proporcionar una potencia adecuada y respaldar una inferencia robusta. NO utilice un ECAC cuando la aleatorización individual sea factible y no exista riesgo de contaminación, porque el diseño por conglomerados reduce la potencia y complica el análisis. Evítelo también cuando el número de conglomerados disponibles sea muy pequeño (menos de 6 por brazo), ya que la estimación del ICC y la varianza a nivel de conglomerado no serán fiables y los errores estándar se subestimarán incluso con análisis corregidos por agrupamiento.

Limitaciones y consideraciones

  • Potencia estadística reducida en comparación con la aleatorización individual para el mismo número total de participantes; se necesitan más participantes para compensar el efecto de diseño.
  • Requiere un número significativo de conglomerados (típicamente 20+ por brazo) para una potencia adecuada y una estimación fiable del ICC; los ensayos con pocos conglomerados tienen poca potencia y son analíticamente frágiles.
  • Logísticamente complejo: coordinar la aleatorización, la entrega de la intervención y la recopilación de datos en múltiples sitios requiere una infraestructura sustancial.
  • El abandono de conglomerados (la retirada de una escuela o clínica entera) puede comprometer gravemente la potencia e introducir sesgos que el abandono individual no provoca.
  • El ICC debe estimarse o asumirse a priori para los cálculos del tamaño muestral; una suposición incorrecta del ICC conduce a un estudio con potencia excesiva o insuficiente.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Previene la contaminación entre condiciones cuando la intervención opera a nivel de grupo, preservando la integridad de la comparación.
  • Permite la evaluación de intervenciones que son logística o éticamente imposibles de entregar a nivel individual.
  • Apoya la generalización a contextos de implementación en el mundo real: las intervenciones se prueban en los entornos donde finalmente se desplegarán.
  • La aleatorización por conglomerados estratificada o emparejada puede lograr un buen equilibrio de covariables incluso con un número modesto de conglomerados.
  • Cuando se analiza correctamente, proporciona estimaciones imparciales de los efectos de la intervención que tienen en cuenta la correlación intraconclomerado.

Aplicaciones

  • Evaluar intervenciones escolares como programas contra el acoso o nuevos currículos, donde el aula o la escuela es la unidad de entrega.
  • Probar campañas de salud pública a nivel comunitario (por ejemplo, prevención del VIH, saneamiento, extensión de la vacunación) aleatorizadas a nivel de pueblo o distrito.
  • Evaluar iniciativas de mejora de la calidad en entornos de atención médica, con consultorios de médicos de cabecera, clínicas o salas de hospital como los conglomerados aleatorizados.
  • Evaluar programas de bienestar o seguridad en el lugar de trabajo entregados a equipos o departamentos completos.
  • Probar reformas de políticas o gobernanza en servicios sociales donde la unidad administrativa (por ejemplo, una autoridad local) es el conglomerado natural.

Cómo funciona

Cómo funciona

1

Identifique los grupos que ocurren naturalmente o que están definidos administrativamente y que servirán como unidad de aleatorización —por ejemplo, escuelas, consultorios de médicos de cabecera, pueblos o salas de hospital—. Los conglomerados deben ser lo más similares posible en tamaño y características basales relevantes. Se recomienda encarecidamente la estratificación o el emparejamiento de conglomerados antes de la aleatorización para mejorar el equilibrio y la potencia.

2

Las fórmulas estándar de cálculo del tamaño muestral para ensayos aleatorizados individualmente subestiman sistemáticamente el número requerido de participantes porque las observaciones dentro del mismo conglomerado están correlacionadas. El efecto de diseño (DEFF) infla el tamaño muestral requerido: DEFF = 1 + (m − 1) × ICC, donde m es el tamaño promedio del conglomerado e ICC (coeficiente de correlación intraclase) es la proporción de la varianza total atribuible a las diferencias entre conglomerados. Tanto el número de conglomerados como el número de participantes por conglomerado deben planificarse explícitamente.

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

Los conglomerados —no los individuos— se asignan aleatoriamente a los brazos de tratamiento o control. La aleatorización puede ser simple, estratificada por covariables a nivel de conglomerado (por ejemplo, urbano/rural, rendimiento basal) o emparejada. Dado que el número de conglomerados suele ser pequeño (10-100), la aleatorización estratificada o emparejada reduce sustancialmente la probabilidad de desequilibrio en los principales factores de confusión.

4

La intervención se administra a nivel de conglomerado (por ejemplo, un programa de capacitación entregado a todo el personal de una clínica). Los procedimientos deben prevenir la contaminación cruzada —la fuga de la intervención de los conglomerados tratados a los de control—, que a menudo es la razón principal para elegir este diseño sobre la aleatorización individual.

5

Los resultados a nivel individual se recopilan de los participantes anidados dentro de cada conglomerado. Las características basales y los resultados deben registrarse para todos los individuos que consienten dentro de los conglomerados muestreados. La pérdida de seguimiento tanto a nivel de conglomerado como individual debe rastrearse e informarse por separado, ya que el abandono de conglomerados es especialmente perjudicial para la potencia y la validez.

6

Los análisis de regresión o pruebas t estándar que ignoran el agrupamiento producen errores estándar demasiado pequeños, inflando el error de Tipo I. Los análisis válidos incluyen: (1) resúmenes a nivel de conglomerado analizados como la unidad (análisis de medias de conglomerados); (2) modelos de efectos mixtos a nivel individual con una intercepción aleatoria para el conglomerado; (3) ecuaciones de estimación generalizadas (GEE) con una estructura de correlación de trabajo a nivel de conglomerado. El ICC estimado a partir de los datos debe informarse para orientar futuros ensayos.

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

Errores comunes

  • Analizar como si los participantes fueran aleatorizados individualmente —ignorar la estructura de agrupamiento produce errores estándar que son demasiado pequeños e infla las tasas de error de Tipo I, a veces drásticamente—. Utilice siempre un método analítico que tenga en cuenta el agrupamiento.
  • Demasiados pocos conglomerados —los ensayos con solo 4-6 conglomerados por brazo tienen una potencia muy baja y pueden producir estimaciones engañosas del ICC—; considere si vale la pena realizar el estudio sin más conglomerados.
  • Tamaños de conglomerados desiguales sin ajuste —una gran variación en el tamaño de los conglomerados reduce la eficiencia y complica el análisis—; tenga esto en cuenta en la planificación del tamaño muestral y utilice análisis ponderados o de modelos mixtos.
  • No informar el ICC —sin el ICC observado, los investigadores posteriores no pueden utilizar el ensayo para informar los cálculos del tamaño muestral para futuros ECAC en el mismo dominio—.
  • Aleatorizar después del reclutamiento —seleccionar participantes antes de la aleatorización por conglomerados y permitirles conocer su asignación crea un fallo en el ocultamiento de la asignación y un sesgo de selección—.

Preguntas frecuentes

¿En qué se diferencia un ECAC de un ECA estándar?

En un ECA estándar, los participantes individuales son asignados aleatoriamente a tratamiento o control. En un ECAC, grupos enteros (conglomerados) —como escuelas o clínicas— son asignados aleatoriamente. Los resultados se siguen midiendo en individuos, pero la unidad de aleatorización y la principal fuente de varianza para los cálculos de potencia es el conglomerado, no la persona. Esta distinción cambia fundamentalmente los requisitos del tamaño muestral y el enfoque analítico correcto.

¿Qué es el coeficiente de correlación intraclase (ICC) y por qué es importante?

El ICC (rho) mide la proporción de la varianza total del resultado que es atribuible a las diferencias entre conglomerados en lugar de las diferencias entre individuos dentro de los conglomerados. Incluso un ICC pequeño (por ejemplo, 0.05) puede inflar en gran medida el tamaño muestral requerido. La fórmula del efecto de diseño DEFF = 1 + (m − 1) × ICC muestra que con 50 participantes por conglomerado e ICC = 0.05, se necesitan 3.45 veces más participantes de los que requeriría un ensayo aleatorizado individualmente.

¿Cuántos conglomerados necesito?

Un mínimo común es de alrededor de 6 conglomerados por brazo para un ensayo válido, pero esto proporciona una potencia muy baja para la mayoría de los ICC y tamaños de efecto realistas. Veinte o más conglomerados por brazo es un objetivo práctico ampliamente citado para una inferencia fiable. El tamaño muestral debe calcularse formalmente utilizando el ICC esperado, el tamaño promedio del conglomerado, la potencia deseada y el tamaño del efecto anticipado. Software como PASS, clustersampsi de Stata, o los paquetes de R clusterPower o CRTpowerPack pueden ayudar.

¿Qué método de análisis debo usar?

Los dos enfoques principales son: (1) análisis a nivel de conglomerado —calcular una estadística resumida (por ejemplo, la media del resultado) para cada conglomerado y analizar estos resúmenes con una prueba t o ANCOVA, tratando el conglomerado como la unidad—; y (2) regresión de efectos mixtos a nivel individual con una intercepción aleatoria para el conglomerado, o GEE con una correlación de trabajo intercambiable. Los modelos de efectos mixtos y GEE son preferibles cuando se necesita ajustar covariables o cuando los tamaños de los conglomerados son desiguales. Todos los enfoques deben tener en cuenta el agrupamiento; los análisis que lo ignoran no son válidos.

¿Cuándo es la contaminación una preocupación real?

La contaminación es más grave cuando los participantes en los conglomerados de control podrían acceder o adoptar de manera realista el tratamiento —por ejemplo, si los participantes de la intervención comparten el mismo espacio físico, red social o canal de información que los participantes de control—. Ejemplos clásicos: una intervención motivacional entregada a algunas enfermeras en una sala, donde otras enfermeras la observan e imitan; o un ensayo de folletos de educación para la salud donde los folletos circulan entre hogares en el mismo vecindario. Si la contaminación es poco probable (por ejemplo, una técnica quirúrgica aleatorizada entre hospitales que no comparten personal), la aleatorización individual suele ser preferible.

Métodos relacionados

Fuentes

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

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

    ISBN: 978-1498728225
    Copiado.