Skip to content
بازگشت به نتایج جست‌وجو

آزمایش تصادفی خوشه‌ای کنترل‌شده — تخصیص تصادفی در سطح گروه

معرفی‌شده توسط
Cornfield (1978); systematised by Donner and colleagues (1980s)
سال
1978–1980s
نوع
Experimental design
خانواده
Experimental design

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

آزمایش تصادفی خوشه‌ای کنترل‌شده (RCT خوشه‌ای) یک طرح آزمایشی است که در آن گروه‌های اجتماعی یا سازمانی یکپارچه — مانند مدارس، کلینیک‌ها، روستاها یا محیط‌های کاری — به جای شرکت‌کنندگان فردی، به طور تصادفی به شرایط درمانی تخصیص داده می‌شوند. پیامدها همچنان در سطح فردی اندازه‌گیری می‌شوند، اما واحد تخصیص تصادفی، خوشه است. این طرح زمانی ضروری است که مداخله به کل گروه‌ها ارائه می‌شود، زمانی که خطر آلودگی بین شرکت‌کنندگان در یک محیط وجود دارد، یا زمانی که تخصیص تصادفی فردی از نظر لجستیکی یا اخلاقی غیرعملی است.

شهود پشت روش

تصور کنید در حال آزمایش یک روش تدریس جدید در مدارس هستید. شما نمی‌توانید دانش‌آموزان فردی را در همان کلاس به طور تصادفی تخصیص دهید — معلم ناگزیر روش‌ها را مخلوط می‌کند و کودکان استراتژی‌ها را به اشتراک می‌گذارند. در عوض، مدارس کامل را به طور تصادفی برای دریافت روش جدید یا ادامه برنامه درسی معمول تخصیص می‌دهید. دانش‌آموزان در یک مدرسه تمایل دارند بیشتر شبیه به یکدیگر باشند تا دانش‌آموزان در مدارس دیگر (آنها معلم، فرهنگ و منابع یکسانی را به اشتراک می‌گذارند)، بنابراین تحلیل‌ها باید این خوشه‌بندی را در نظر بگیرند. این طرح نسبت به تخصیص تصادفی فردی، مقداری توان آماری را فدا می‌کند، اما نحوه عملکرد مداخلات آموزشی و بهداشت عمومی را در دنیای واقعی منعکس می‌کند.

تاریخ

اولین درمان آماری رسمی برای همبستگی درون‌خوشه‌ای در طرح‌های تصادفی گروهی در سال 1978 توسط جروم کورنفیلد منتشر شد، که هشدار داد آزمایش‌هایی که گروه‌ها را تصادفی می‌کنند اما افراد را تحلیل می‌کنند، به طور سیستماتیک محافظه‌کارانه نخواهند بود. آلن دونر و همکارانش چارچوب تحلیلی را در طول دهه 1980 توسعه دادند و کتاب درسی بنیادی این حوزه را در سال 2000 منتشر کردند. امتداد CONSORT برای RCTهای خوشه‌ای، که اولین بار توسط کمبل و همکارانش در سال 2004 منتشر شد و در سال 2012 به‌روز شد، استانداردهای گزارش‌دهی را ایجاد کرد که اکنون توسط مجلات اصلی الزامی است. RCTهای خوشه‌ای به ویژه در تحقیقات بهداشت جهانی و آموزش در دهه‌های 1990 و 2000 برجسته شدند، زیرا آزمایش‌های مداخله‌ای در مقیاس بزرگ در جامعه نشان دادند که کنترل آلودگی برای ارزیابی معتبر برنامه‌های بهداشت عمومی ضروری است.

چه زمانی استفاده شود

هنگامی که مداخله به طور ذاتی به یک گروه ارائه می‌شود (به عنوان مثال، یک سیاست، یک برنامه آموزشی، یک کمپین اجتماعی)، زمانی که آلودگی بین شرکت‌کنندگان به طور تصادفی فردی در همان محیط محتمل است و باعث سوگیری در تخمین اثر درمان می‌شود، یا زمانی که تخصیص تصادفی فردی از نظر لجستیکی غیرممکن یا از نظر اخلاقی غیرقابل قبول باشد، از RCT خوشه‌ای استفاده کنید. این طرح به تعداد کافی خوشه نیاز دارد — حداقل 6 عدد در هر بازو، و ترجیحاً 20 عدد یا بیشتر در هر بازو — برای تأمین توان کافی و پشتیبانی از استنتاج قوی. زمانی که تخصیص تصادفی فردی امکان‌پذیر است و خطر آلودگی وجود ندارد، از RCT خوشه‌ای استفاده نکنید، زیرا طرح خوشه توان را کاهش می‌دهد و تحلیل را پیچیده می‌کند. همچنین از آن زمانی که تعداد خوشه‌های موجود بسیار کم است (کمتر از 6 عدد در هر بازو) اجتناب کنید، زیرا تخمین ICC و واریانس در سطح خوشه قابل اعتماد نخواهد بود و خطاهای استاندارد حتی با تحلیل‌های تصحیح‌شده خوشه‌ای نیز کمتر از حد واقعی تخمین زده می‌شوند.

محدودیت‌ها و ملاحظات

  • کاهش توان آماری در مقایسه با تخصیص تصادفی فردی برای همان تعداد کل شرکت‌کنندگان؛ برای جبران اثر طرح به شرکت‌کنندگان بیشتری نیاز است.
  • به تعداد معنی‌داری از خوشه‌ها (معمولاً 20+ در هر بازو) برای توان کافی و تخمین قابل اعتماد ICC نیاز دارد؛ آزمایش‌ها با تعداد کمی خوشه کم‌توان و از نظر تحلیلی شکننده هستند.
  • پیچیدگی لجستیکی: هماهنگی تخصیص تصادفی، ارائه مداخله و جمع‌آوری داده‌ها در چندین سایت نیازمند زیرساخت قابل توجهی است.
  • ریزش خوشه (خروج کامل یک مدرسه یا کلینیک) می‌تواند توان را به شدت به خطر بیندازد و سوگیری ایجاد کند که ریزش فردی ایجاد نمی‌کند.
  • ICC باید برای محاسبات اندازه نمونه از قبل تخمین زده یا فرض شود؛ فرض نادرست ICC منجر به مطالعه‌ای با توان بیش از حد یا کمتر از حد می‌شود.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • از آلودگی بین شرایط جلوگیری می‌کند زمانی که مداخله در سطح گروه عمل می‌کند و یکپارچگی مقایسه را حفظ می‌کند.
  • امکان ارزیابی مداخلاتی را فراهم می‌کند که از نظر لجستیکی یا اخلاقی ارائه آنها در سطح فردی غیرممکن است.
  • از تعمیم به زمینه‌های ارائه واقعی پشتیبانی می‌کند — مداخلات در محیط‌هایی آزمایش می‌شوند که در نهایت در آنها به کار گرفته خواهند شد.
  • تخصیص تصادفی خوشه‌ای طبقه‌بندی شده یا جفت‌شده می‌تواند تعادل متغیرهای کمکی خوب را حتی با تعداد متوسطی از خوشه‌ها به دست آورد.
  • هنگامی که به درستی تحلیل می‌شود، تخمین‌های بی‌طرفانه از اثرات مداخله را که همبستگی درون‌خوشه‌ای را در نظر می‌گیرند، ارائه می‌دهد.

کاربردها

  • ارزیابی مداخلات مدرسه‌محور مانند برنامه‌های ضد قلدری یا برنامه‌های درسی جدید، که در آن کلاس درس یا مدرسه واحد ارائه است.
  • آزمایش کمپین‌های بهداشت عمومی در سطح جامعه (به عنوان مثال، پیشگیری از HIV، بهداشت، واکسیناسیون) که در سطح روستا یا منطقه به طور تصادفی تخصیص داده می‌شوند.
  • ارزیابی ابتکارات بهبود کیفیت در محیط‌های مراقبت بهداشتی، با مطب‌های پزشک عمومی، کلینیک‌ها یا بخش‌های بیمارستان به عنوان خوشه‌های تصادفی شده.
  • ارزیابی برنامه‌های سلامتی یا ایمنی در محیط کار که به کل تیم‌ها یا بخش‌ها ارائه می‌شود.
  • آزمایش اصلاحات سیاستی یا حکمرانی در خدمات اجتماعی که در آن واحد اداری (به عنوان مثال، یک مرجع محلی) خوشه طبیعی است.

چگونه کار می‌کند

چگونه کار می‌کند

1

گروه‌های طبیعی یا تعریف‌شده اداری را که به عنوان واحد تخصیص تصادفی عمل می‌کنند، شناسایی کنید — به عنوان مثال، مدارس، مطب‌های پزشک عمومی، روستاها یا بخش‌های بیمارستان. خوشه‌ها باید تا حد امکان از نظر اندازه و ویژگی‌های پایه مرتبط مشابه باشند. طبقه‌بندی یا جفت‌سازی خوشه‌ها قبل از تخصیص تصادفی برای بهبود تعادل و توان به شدت توصیه می‌شود.

2

فرمول‌های استاندارد اندازه نمونه برای آزمایش‌های تصادفی فردی، به دلیل همبستگی مشاهدات در همان خوشه، به طور سیستماتیک تعداد شرکت‌کنندگان مورد نیاز را کمتر از حد واقعی تخمین می‌زنند. اثر طرح (DEFF) اندازه نمونه مورد نیاز را افزایش می‌دهد: DEFF = 1 + (m − 1) × ICC، که در آن m اندازه متوسط خوشه و ICC (ضریب همبستگی درون‌خوشه‌ای) نسبت واریانس کل است که به تفاوت‌های بین خوشه‌ای نسبت داده می‌شود. هم تعداد خوشه‌ها و هم تعداد شرکت‌کنندگان در هر خوشه باید به طور صریح برنامه‌ریزی شوند.

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

خوشه‌ها — نه افراد — به طور تصادفی به بازوهای درمانی یا کنترلی تخصیص داده می‌شوند. تخصیص تصادفی می‌تواند ساده، طبقه‌بندی شده بر اساس متغیرهای کمکی در سطح خوشه (مانند شهری/روستایی، عملکرد پایه) یا جفت‌سازی شده باشد. از آنجایی که تعداد خوشه‌ها معمولاً کم است (10–100)، تخصیص تصادفی طبقه‌بندی شده یا جفت‌شده، احتمال عدم تعادل در عوامل مخدوش‌کننده کلیدی را به طور قابل توجهی کاهش می‌دهد.

4

مداخله در سطح خوشه اعمال می‌شود (به عنوان مثال، یک برنامه آموزشی که به تمام کارکنان یک کلینیک ارائه می‌شود). رویه‌ها باید از آلودگی متقابل جلوگیری کنند — نشت مداخله از خوشه‌های تحت درمان به خوشه‌های کنترل — که اغلب دلیل اصلی انتخاب این طرح به جای تخصیص تصادفی فردی است.

5

پیامدهای سطح فردی از شرکت‌کنندگان لانه کرده در هر خوشه جمع‌آوری می‌شوند. ویژگی‌های پایه و پیامدها باید برای تمام افراد رضایت‌دهنده در خوشه‌های نمونه‌برداری شده ثبت شوند. ریزش پیگیری در هر دو سطح خوشه و فرد باید ردیابی و به طور جداگانه گزارش شود، زیرا ریزش خوشه به ویژه برای توان و اعتبار زیان‌آور است.

6

تحلیل‌های رگرسیون استاندارد یا آزمون t که خوشه‌بندی را نادیده می‌گیرند، خطاهای استاندارد بسیار کوچکی تولید می‌کنند و خطای نوع اول را افزایش می‌دهند. تحلیل‌های معتبر عبارتند از: (1) خلاصه‌های سطح خوشه که به عنوان واحد تحلیل می‌شوند (تحلیل میانگین‌های خوشه)؛ (2) مدل‌های اثرات مختلط در سطح فردی با یک عرض از مبدأ تصادفی برای خوشه؛ (3) معادلات تخمین تعمیم‌یافته (GEE) با ساختار همبستگی کاری در سطح خوشه. ICC تخمین زده شده از داده‌ها باید برای اطلاع‌رسانی به آزمایش‌های آینده گزارش شود.

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

دام‌های رایج

  • تحلیل به گونه‌ای که گویی شرکت‌کنندگان به طور فردی تصادفی شده‌اند — نادیده گرفتن ساختار خوشه‌بندی، خطاهای استاندارد بسیار کوچکی تولید می‌کند و نرخ خطای نوع اول را افزایش می‌دهد، گاهی اوقات به طور چشمگیری. همیشه از یک روش تحلیلی آگاه از خوشه‌بندی استفاده کنید.
  • تعداد خوشه‌های بسیار کم — آزمایش‌ها با تنها 4–6 خوشه در هر بازو توان بسیار پایینی دارند و ممکن است تخمین‌های گمراه‌کننده‌ای از ICC تولید کنند؛ در نظر بگیرید که آیا مطالعه بدون خوشه‌های بیشتر ارزش انجام دادن را دارد.
  • اندازه‌های نابرابر خوشه بدون تعدیل — تنوع زیاد در اندازه خوشه کارایی را کاهش می‌دهد و تحلیل را پیچیده می‌کند؛ این را در برنامه‌ریزی اندازه نمونه در نظر بگیرید و از تحلیل‌های وزنی یا مدل‌های مختلط استفاده کنید.
  • عدم گزارش ICC — بدون ICC مشاهده شده، محققان بعدی نمی‌توانند از این آزمایش برای اطلاع‌رسانی به محاسبات اندازه نمونه برای RCTهای خوشه‌ای آینده در همان حوزه استفاده کنند.
  • تخصیص تصادفی پس از استخدام — انتخاب شرکت‌کنندگان قبل از تخصیص تصادفی خوشه و اجازه دادن به آنها برای دانستن تخصیص خود، شکست در پنهان‌سازی تخصیص و سوگیری انتخاب را ایجاد می‌کند.

پرسش‌های متداول

تفاوت RCT خوشه‌ای با RCT استاندارد چیست؟

در یک RCT استاندارد، شرکت‌کنندگان فردی به طور تصادفی به درمان یا کنترل تخصیص داده می‌شوند. در یک RCT خوشه‌ای، گروه‌های کامل (خوشه‌ها) — مانند مدارس یا کلینیک‌ها — به طور تصادفی تخصیص داده می‌شوند. پیامدها همچنان بر روی افراد اندازه‌گیری می‌شوند، اما واحد تخصیص تصادفی و منبع اصلی واریانس برای محاسبات توان، خوشه است، نه فرد. این تمایز به طور اساسی الزامات اندازه نمونه و رویکرد تحلیلی صحیح را تغییر می‌دهد.

ضریب همبستگی درون‌خوشه‌ای (ICC) چیست و چرا اهمیت دارد؟

ICC (رو) نسبت واریانس کل پیامد را که به تفاوت‌های بین خوشه‌ها نسبت داده می‌شود تا تفاوت‌های بین افراد در درون خوشه‌ها اندازه‌گیری می‌کند. حتی یک ICC کوچک (به عنوان مثال، 0.05) می‌تواند اندازه نمونه مورد نیاز را به شدت افزایش دهد. فرمول اثر طرح DEFF = 1 + (m − 1) × ICC نشان می‌دهد که با 50 شرکت‌کننده در هر خوشه و ICC = 0.05، شما به 3.45 برابر تعداد شرکت‌کنندگان بیشتری نسبت به یک آزمایش تصادفی فردی نیاز دارید.

به چند خوشه نیاز دارم؟

حداقل رایج حدود 6 خوشه در هر بازو برای یک آزمایش معتبر است، اما این توان بسیار پایینی را برای اکثر ICCهای واقع‌بینانه و اندازه‌های اثر فراهم می‌کند. بیست یا بیشتر خوشه در هر بازو یک هدف عملی پرکاربرد برای استنتاج قابل اعتماد است. اندازه نمونه باید به طور رسمی با استفاده از ICC مورد انتظار، اندازه متوسط خوشه، توان مورد نظر و اندازه اثر پیش‌بینی شده محاسبه شود. نرم‌افزارهایی مانند PASS، clustersampsi در Stata، یا بسته‌های R clusterPower یا CRTpowerPack می‌توانند کمک کنند.

از چه روش تحلیلی باید استفاده کنم؟

دو رویکرد اصلی عبارتند از: (1) تحلیل در سطح خوشه — یک معیار خلاصه (به عنوان مثال، میانگین پیامد) برای هر خوشه محاسبه کنید و این خلاصه‌ها را با یک آزمون t یا ANCOVA تحلیل کنید و خوشه را به عنوان واحد در نظر بگیرید؛ و (2) رگرسیون اثرات مختلط در سطح فردی با یک عرض از مبدأ تصادفی برای خوشه، یا GEE با همبستگی کاری قابل تبادل. مدل‌های اثرات مختلط و GEE زمانی ترجیح داده می‌شوند که نیاز به تعدیل متغیرهای کمکی باشد یا زمانی که اندازه‌های خوشه نابرابر باشند. همه رویکردها باید خوشه‌بندی را در نظر بگیرند — تحلیل‌هایی که آن را نادیده می‌گیرند نامعتبر هستند.

چه زمانی آلودگی یک نگرانی واقعی است؟

آلودگی زمانی جدی‌ترین است که شرکت‌کنندگان در خوشه‌های کنترل بتوانند به طور واقع‌بینانه‌ای به درمان دسترسی پیدا کنند یا آن را اتخاذ کنند — به عنوان مثال، اگر شرکت‌کنندگان مداخله همان فضای فیزیکی، شبکه اجتماعی یا کانال اطلاعاتی را با شرکت‌کنندگان کنترل به اشتراک بگذارند. مثال‌های کلاسیک: یک مداخله انگیزشی که به برخی از پرستاران در یک بخش ارائه می‌شود، جایی که پرستاران دیگر آن را مشاهده و تقلید می‌کنند؛ یا یک آزمایش بروشور آموزش بهداشت که در آن بروشورها بین خانوارها در همان محله توزیع می‌شوند. اگر آلودگی بعید باشد (به عنوان مثال، یک تکنیک جراحی که در بیمارستان‌هایی که کارکنان مشترک ندارند به طور تصادفی تخصیص داده می‌شود)، تخصیص تصادفی فردی معمولاً ترجیح داده می‌شود.

روش‌های مرتبط

منابع

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

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

    شابک: 978-1498728225
    کپی شد.