Skip to content
بازگشت به نتایج جست‌وجو

آزمایش تصادفی عاملی (Factorial Randomized Controlled Trial)

معرفی‌شده توسط
R. A. Fisher (factorial design foundations); adapted into clinical trials via MOST framework (Collins et al., 2014)
سال
1926 (Fisher factorial foundations); 2000s–2010s (clinical factorial RCT formalization)
نوع
Experimental trial 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 عاملی (factorial RCT) طرح آزمایشی است که در آن شرکت‌کنندگان به طور تصادفی به هر ترکیب ممکن از دو یا چند عامل مستقل (درمان‌ها یا اجزای مداخله) به طور همزمان تخصیص داده می‌شوند. این امر به پژوهشگران اجازه می‌دهد تا اثر اصلی هر عامل و تعاملات آن‌ها را در یک کارآزمایی واحد و کارآمد تخمین بزنند، به جای اجرای آزمایش‌های جداگانه برای هر عامل.

شهود پشت روش

تصور کنید در حال آزمایش یک داروی جدید همراه با یک برنامه مشاوره رفتاری هستید. به جای اجرای دو کارآزمایی جداگانه، یک factorial RCT شرکت‌کنندگان را به طور تصادفی به چهار گروه تخصیص می‌دهد: فقط دارو، فقط مشاوره، دارو به علاوه مشاوره، و هیچ‌کدام. شما متوجه می‌شوید که آیا دارو مؤثر است، آیا مشاوره مؤثر است، و - به طور حیاتی - آیا این دو با هم بهتر از آنچه از اثرات فردی آن‌ها انتظار می‌رود، عمل می‌کنند. ساختار عاملی، سؤالات متعددی را از یک مطالعه استخراج می‌کند، به شرطی که شرکت‌کنندگان کافی برای تخمین قابل اعتماد تعاملات داشته باشید.

تاریخ

آزمایش عاملی توسط رونالد ای. فیشر در ایستگاه تحقیقاتی روتهامست در دهه 1920 به عنوان روشی برای مطالعه همزمان چندین درمان کشاورزی توسعه یافت. کتاب «طراحی آزمایش‌ها» (1935) فیشر این رویکرد را رسمی کرد. طرح‌های عاملی در اواخر قرن بیستم وارد کارآزمایی‌های بالینی شدند، به ویژه در کارآزمایی‌های بزرگ قلبی عروقی مانند ISIS-2 (1988) که از طرح عاملی 2×2 برای آزمایش مستقل آسپرین و استرپتوکیناز استفاده کرد. چارچوب MOST که توسط لیندا کالینز و همکارانش در دهه 2000 تدوین شد، نقش منظمی را برای factorial RCT در بهینه‌سازی مداخله رفتاری ایفا کرد.

چه زمانی استفاده شود

هنگامی که نیاز به ارزیابی دو یا چند جزء مداخله یا دوز به طور همزمان دارید و می‌خواهید اثرات فردی و ترکیبی آن‌ها را به طور کارآمد تخمین بزنید - یک سناریوی معمول در بهینه‌سازی مداخلات رفتاری، دارویی یا بهداشت عمومی چند جزئی - از یک factorial RCT استفاده کنید. چارچوب استراتژی بهینه‌سازی چند مرحله‌ای (MOST) به طور خاص factorial RCTها را برای مرحله غربالگری توسعه مداخله توصیه می‌کند. از factorial RCT استفاده نکنید زمانی که: (1) مطالعه برای تشخیص تعاملات توان کافی ندارد و تخمین تعامل غیرقابل اعتماد است؛ (2) عوامل دارای تعاملات قوی شناخته شده‌ای هستند که فرض جمع‌پذیری مورد نیاز برای توجیه ادعای کارایی را نقض می‌کند؛ (3) تعداد عوامل بسیار زیاد است (بیش از چهار عامل دودویی منجر به تعداد شرایط غیرقابل مدیریت و نیازهای استخدام می‌شود)؛ یا (4) محدودیت‌های اخلاقی یا لجستیکی مانع از اجرای ترکیبات خاص عامل می‌شود.

محدودیت‌ها و ملاحظات

  • الزامات حجم نمونه با تعداد عوامل و به ویژه با نیاز به توانمندسازی آزمون‌های تعاملی رشد می‌کند، که معمولاً چهار برابر حجم نمونه مورد نیاز برای اثر اصلی با همان بزرگی را می‌طلبد.
  • اجرای ترکیبات متعدد و متمایز، پیچیدگی پروتکل را افزایش می‌دهد و در صورت سردرگمی کارکنان یا شرکت‌کنندگان توسط ماتریس شرایط، می‌تواند وفاداری به مداخله را کاهش دهد.
  • تعاملات قوی پیشینی بین عوامل می‌تواند استدلال کارایی را تضعیف کند - اگر عوامل به هر حال باید با هم آزمایش شوند، یک طرح عاملی مزیت کمتری ارائه می‌دهد.
  • تفسیر زمانی که چندین تعامل معنی‌دار یافت می‌شود، پیچیده می‌شود - اثرات اصلی ساده باید به طور جداگانه برای هر سطح از عامل در حال تعامل گزارش شوند.

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

نقاط قوت

  • چندین عامل و تعاملات آن‌ها را در یک کارآزمایی ارزیابی می‌کند، که در مقایسه با اجرای کارآزمایی‌های جداگانه برای هر عامل، کل نمونه و زمان را به طور قابل توجهی کاهش می‌دهد.
  • شواهد مستقیمی از اثرات تعاملی ارائه می‌دهد - اینکه آیا عوامل اثرات یکدیگر را تقویت، تضعیف یا خنثی می‌کنند.
  • برای مرحله بهینه‌سازی توسعه مداخله چند جزئی تحت چارچوب‌هایی مانند MOST مناسب است.
  • مزایای استنتاج علی تخصیص تصادفی را حفظ می‌کند و همزمان ابهام را برای همه عوامل کنترل می‌کند.
  • انعطاف‌پذیر - می‌تواند پیامدهای پیوسته، دودویی یا ترتیبی و انواع مدل‌های تحلیلی را در خود جای دهد.

کاربردها

  • غربالگری چندین جزء از یک مداخله بهداشت رفتاری (به عنوان مثال، کدام ترکیب یادآوری‌های متنی، تماس‌های مشاوره و مشوق‌ها برای ترک سیگار مؤثرتر است).
  • بهینه‌سازی دوز و دفعات یک درمان دارویی همراه با یک مداخله روانشناختی مشترک در یک کارآزمایی بالینی واحد.
  • ارزیابی ویژگی‌های سلامت دیجیتال - آزمایش اینکه آیا اعلان‌های فشاری، گیمیفیکیشن و ویژگی‌های مقایسه اجتماعی به طور مستقل باعث بهبود تعامل با برنامه می‌شوند.
  • تحقیقات کشاورزی و علوم غذایی که ترکیبات درمان‌های خاک، انواع کود و سطوح آبیاری را بر عملکرد محصول ارزیابی می‌کنند.
  • تحقیقات آموزشی که روش‌های آموزشی و زمان‌بندی بازخورد را به طور همزمان در کلاس‌های درس تصادفی آزمایش می‌کنند.
  • کارآزمایی‌های پیشگیری بهداشت عمومی که در آن‌ها دو یا چند مداخله در سطح جامعه (به عنوان مثال، کمپین رسانه‌ای و کارکنان بهداشت جامعه) به طور مشترک ارزیابی می‌شوند.

چگونه کار می‌کند

چگونه کار می‌کند

1

پژوهشگر دو یا چند عامل مستقل (به عنوان مثال، عامل A: دارو در مقابل دارونما؛ عامل B: مشاوره در مقابل عدم مشاوره) را مشخص می‌کند که هر کدام تعداد ثابتی سطح دارند. تمام ترکیبات سطوح عامل، شرایط آزمایشی را تعریف می‌کنند - برای دو عامل دودویی، این منجر به 2×2 = 4 شرط می‌شود. این طرح باید برای تشخیص اثرات اصلی و اثرات تعاملی پیش‌بینی شده، توانمندسازی شود.

2

شرکت‌کنندگان به طور تصادفی به یکی از شرایط عاملی تخصیص داده می‌شوند. تخصیص تصادفی معمولاً با استفاده از توالی‌های تخصیص تولید شده توسط کامپیوتر با پنهان‌سازی برای جلوگیری از سوگیری انتخاب انجام می‌شود. مسدودسازی یا طبقه‌بندی بر اساس کوواریت‌های کلیدی (مانند محل، شدت) برای متعادل کردن شرایط و بهبود دقت توصیه می‌شود.

3

هر شرکت‌کننده ترکیبی از سطوح عامل را که به شرایط آن‌ها تخصیص داده شده است، برای کل دوره مداخله دریافت می‌کند. در صورت امکان، پنهان‌سازی اعمال می‌شود - شرکت‌کنندگان از تخصیص کامل شرایط خود بی‌اطلاع می‌مانند (پنهان‌سازی یک‌طرفه) و ارزیابان علاوه بر این از تخصیص بی‌اطلاع می‌مانند (پنهان‌سازی دوطرفه) تا از سوگیری عملکرد و تشخیص جلوگیری شود.

4

پیامدهای اولیه و ثانویه در نقاط زمانی از پیش تعیین شده با استفاده از ابزارهای معتبر اندازه‌گیری می‌شوند. برای factorial RCTهای بالینی، پیامدها معمولاً در خط پایه، پایان درمان و پیگیری جمع‌آوری می‌شوند. نقطه پایانی اولیه قبل از آشکارسازی برای محافظت در برابر سوگیری گزارش پیامد تعریف می‌شود.

5

تجزیه و تحلیل از مدل ANOVA عاملی یا رگرسیون استفاده می‌کند که شامل جملاتی برای هر اثر اصلی و تمام جملات تعاملی عامل است. جمله تعاملی (A×B) آزمایش می‌کند که آیا اثر یک عامل در سطوح عامل دیگر متفاوت است. اگر تعامل ناچیز باشد، اثرات اصلی به طور مستقل قابل تفسیر هستند؛ یک تعامل معنی‌دار نیاز به تجزیه و تحلیل شرطی (اثرات ساده) دارد و تفسیر عملی نتایج را تغییر می‌دهد.

دام‌های رایج

  • توانمندسازی ناکافی آزمون تعامل - پژوهشگران اغلب یک factorial RCT را فقط برای اثرات اصلی توانمندسازی می‌کنند و متوجه می‌شوند که نمی‌توانند به طور قابل اعتماد جمله تعاملی را تفسیر کنند، که یکی از اهداف اصلی طرح را بی‌اثر می‌کند.
  • نادیده گرفتن فرض عدم تعامل کیفی - اگر جهت اثر یک عامل بسته به سطح عامل دیگر معکوس شود، تجمیع شرایط برای تجزیه و تحلیل اثرات اصلی گمراه‌کننده و بالقوه مضر در زمینه‌های بالینی است.
  • طرح‌های عاملی ناقص بدون توجیه - حذف ترکیبات عامل خاص برای راحتی، ارتوگونالیته‌ای را که کارایی factorial RCT را می‌دهد، مختل می‌کند و نیاز به تعدیل‌های تحلیلی پیچیده‌تر دارد.
  • عدم در نظر گرفتن خوشه‌بندی - در کارآزمایی‌هایی که در آن‌ها گروه‌ها (مانند مدارس، کلینیک‌ها) به جای افراد واحد تخصیص هستند، نادیده گرفتن خوشه‌بندی در تجزیه و تحلیل، نرخ خطای نوع اول را افزایش می‌دهد.
  • تفسیر اثرات اصلی بدون بررسی ابتدا تعامل - گزارش اثرات اصلی به عنوان قابل اعمال در همه جا در حالی که یک تعامل معنی‌دار وجود دارد، یک خطای رایج و جدی است.

پرسش‌های متداول

آیا یک factorial RCT همیشه کارآمدتر از اجرای کارآزمایی‌های جداگانه است؟

فقط زمانی که تعامل بین عوامل کوچک یا غایب باشد. اگر عوامل به شدت تعامل داشته باشند، تجمیع شرایط که باعث کارایی factorial RCT می‌شود، معتبر نیست و ممکن است کارآزمایی‌های جداگانه یا متوالی ترجیح داده شوند. افزایش کارایی زمانی واقعی است که جمع‌پذیری برقرار باشد، اما این باید ارزیابی شود - نه فرض شود.

چگونه حجم نمونه را برای یک factorial RCT محاسبه کنم؟

شما باید اهداف توان را برای اثرات اصلی و به ویژه برای تعامل، در صورتی که تشخیص آن یک هدف مطالعه باشد، مشخص کنید. اثرات تعاملی معمولاً تقریباً چهار برابر حجم نمونه اثر اصلی با همان بزرگی را می‌طلبند. نرم‌افزارهایی مانند G*Power، PASS یا شبیه‌سازی سفارشی می‌توانند محاسبات توان عاملی را انجام دهند. مشورت با یک آمارشناس قبل از نهایی کردن طرح به شدت توصیه می‌شود.

تفاوت بین factorial RCT و کارآزمایی چند بازویی چیست؟

یک کارآزمایی چند بازویی چندین درمان جداگانه را با یک کنترل مشترک مقایسه می‌کند، که معمولاً هر بازو را در مقابل کنترل به طور مستقل تجزیه و تحلیل می‌کند. یک factorial RCT دو یا چند عامل را تقاطع می‌دهد تا هر شرکت‌کننده به تخمین اثر اصلی هر عامل کمک کند، که امکان آزمایش تعامل و کارایی آماری بیشتر را تحت جمع‌پذیری فراهم می‌کند. کارآزمایی‌های چند بازویی زمانی ترجیح داده می‌شوند که درمان‌ها از نظر مفهومی متمایز باشند و تعاملات مورد علاقه نباشند.

آیا می‌توانم از طرح عاملی در کارآزمایی متقاطع یا خوشه‌ای تصادفی استفاده کنم؟

بله. طرح‌های عاملی را می‌توان در چارچوب‌های متقاطع یا خوشه‌ای تصادفی جاسازی کرد. یک factorial RCT خوشه‌ای تصادفی، گروه‌های یکپارچه را به شرایط عاملی تخصیص می‌دهد؛ یک factorial RCT متقاطع، شرکت‌کنندگان را در توالی‌های مختلف ترکیب عامل دریافت می‌کند. هر دو ترکیب پیچیدگی تحلیلی اضافی را معرفی می‌کنند - اثرات انتقالی در متقاطع، و همبستگی درون کلاسی در طرح‌های خوشه‌ای - و نیاز به مشاوره آماری تخصصی دارند.

چارچوب MOST چه چیزی به factorial RCT اضافه می‌کند؟

MOST (استراتژی بهینه‌سازی چند مرحله‌ای)، که توسط لیندا کالینز و همکارانش توسعه یافته است، یک چارچوب اصولی برای استفاده از factorial RCTها در طول مراحل غربالگری و اصلاح توسعه یک مداخله چند جزئی قبل از یک کارآزمایی اثربخشی قطعی ارائه می‌دهد. این چارچوب قوانین تصمیم‌گیری برای حفظ یا حذف اجزا را بر اساس اثرات اصلی و تعاملات مشخص می‌کند و بهینه‌سازی تکراری را به جای نتایج ساده پذیرش/رد هدایت می‌کند.

روش‌های مرتبط

منابع

  1. Collins, L. M., Dziak, J. J., Kugler, K. C., & Trail, J. B. (2014). Factorial experiments: Efficient tools for evaluation of intervention components. American Journal of Preventive Medicine, 47(4), 498–504.

    باز کردن مرجع DOI
    کپی شد.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    شابک: 978-1119492443
    کپی شد.