クラスターランダム化比較試験 — グループレベルのランダム化
- 提唱者
- Cornfield (1978); systematised by Donner and colleagues (1980s)
- 年
- 1978–1980s
- 種類
- Experimental design
- 系統
- Experimental design
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
クラスターランダム化比較試験(クラスターRCT)は、学校、診療所、村、職場などの、まとまった社会的または組織的なグループが、個々の参加者ではなく、ランダムに治療条件に割り付けられる実験デザインである。アウトカムは依然として個人レベルで測定されるが、ランダム化の単位はクラスターである。このデザインは、介入がグループ全体に実施される場合、同じ設定の参加者間で汚染のリスクがある場合、または個々のランダム化が論理的または倫理的に非現実的な場合に不可欠である。
手法の背後にある直感
学校で新しい教育方法をテストすることを想像してみよう。同じ教室内の個々の生徒をランダム化することはできない。教師は必然的に方法を混同し、子供たちは戦略を共有するだろう。代わりに、新しい方法を採用するか、通常のカリキュラムを継続するかを、学校全体をランダムに割り付ける。同じ学校内の生徒は、他の学校の生徒よりも互いに似ている傾向がある(同じ教師、文化、リソースを共有している)ため、分析ではこのクラスター化を考慮する必要がある。このデザインは、個々のランダム化と比較して統計的検出力を犠牲にするが、教育および公衆衛生介入が実際にどのように機能するかを現実世界で反映している。
歴史学
グループランダム化デザインにおけるクラスター内相関の最初の正式な統計的扱いは、1978年にJerome Cornfieldによって発表され、彼はグループをランダム化して個人を分析する試験は体系的に保守的すぎると警告した。Allan Donnerとその同僚は、1980年代を通じて分析フレームワークを開発し、2000年にこの分野の基礎となる教科書を出版した。2004年にCampbellらによって最初に発表され、2012年に更新されたクラスターRCTのCONSORT拡張は、現在主要なジャーナルで要求されている報告基準を確立した。クラスターRCTは、1990年代から2000年代にかけて、大規模なコミュニティ介入試験が公衆衛生プログラムの妥当な評価のために汚染制御が不可欠であることを示したため、特にグローバルヘルスおよび教育研究で顕著になった。
使うべき場面
介入が本質的にグループに実施される場合(例:ポリシー、トレーニングプログラム、コミュニティキャンペーン)、同じ設定の個別にランダム化された参加者間の汚染が起こりやすく、治療効果推定値にバイアスが生じる場合、または個々のランダム化が論理的に不可能または倫理的に受け入れられない場合に、クラスターRCTを使用する。このデザインは、十分な数のクラスター(最低でも各群6つ、理想的には各群20以上)を必要とし、十分な検出力と堅牢な推論をサポートする。個々のランダム化が可能で汚染リスクがない場合は、クラスターデザインは検出力を低下させ分析を複雑にするため、クラスターRCTを使用しないこと。また、利用可能なクラスター数が非常に少ない場合(各群6未満)は、ICCとクラスターレベルの分散の推定が信頼できず、クラスター化補正分析でも標準誤差が過小評価されるため、避けること。
限界と注意点
- 同じ総参加者数での個々のランダム化と比較して統計的検出力が低下する。デザイン効果を補うために、より多くの参加者が必要となる。
- 十分な検出力と信頼性の高いICC推定のために、意味のある数のクラスター(通常は各群20以上)を必要とする。少数のクラスターでの試験は検出力が低く、分析的に脆弱である。
- 論理的に複雑:複数のサイトにわたるランダム化、介入実施、データ収集の調整には、かなりのインフラストラクチャが必要である。
- クラスターの脱落(学校または診療所全体の撤退)は、検出力を著しく損ない、個々の脱落では生じないバイアスを導入する可能性がある。
- ICCは、サンプルサイズ計算のために事前に推定または仮定する必要がある。不正確なICCの仮定は、過剰または過小な検出力の研究につながる。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 介入がグループレベルで機能する場合(例:トレーニングプログラム、コミュニティキャンペーン)に、条件間の汚染を防ぎ、比較の整合性を維持する。
- 論理的または倫理的に個人レベルで実施することが不可能な介入の評価を可能にする。
- 介入が最終的に展開される設定でテストされるため、実際の展開コンテキストへの一般化をサポートする。
- 層別化またはマッチングされたクラスターランダム化は、少数のクラスターでも良好な共変量バランスを達成できる。
- 適切に分析された場合、クラスター内相関を考慮した介入効果の偏りのない推定値を提供する。
応用
- 教室または学校が実施単位である、学校ベースの介入(例:いじめ防止プログラム、新しいカリキュラム)の評価。
- 村または地区レベルでランダム化された、コミュニティレベルの公衆衛生キャンペーン(例:HIV予防、衛生、ワクチンアウトリーチ)のテスト。
- GP診療所、診療所、または病棟をランダム化されたクラスターとする、ヘルスケア設定における品質改善イニシアチブの評価。
- チーム全体または部署全体に実施される職場ウェルネスまたは安全プログラムの評価。
- 管理単位(例:地方自治体)が自然なクラスターである、社会サービスにおけるポリシーまたはガバナンス改革のテスト。
使い方
使い方
ランダム化の単位として機能する、自然に存在する、または管理上定義されたグループ(例:学校、GP診療所、村、または病棟)を特定する。クラスターは、サイズと関連するベースライン特性において可能な限り類似しているべきである。ランダム化前のクラスターの層別化またはペアマッチングは、バランスと検出力を向上させるために強く推奨される。
個別にランダム化された試験の標準的なサンプルサイズ計算式は、同じクラスター内の観測値が相関しているため、必要な参加者数を体系的に過小評価する。デザイン効果(DEFF)は必要なサンプルサイズを増加させる:DEFF = 1 + (m − 1) × ICC、ここでmは平均クラスターサイズ、ICC(級内相関係数)はクラスター間差に起因する総分散の割合である。クラスター数とクラスターあたりの参加者数の両方を明示的に計画する必要がある。
数式
n = n_{ind} \times (1 + (m-1)\rho)クラスター(個人ではない)が治療群または対照群にランダムに割り付けられる。ランダム化は、単純、クラスターレベルの共変量(例:都市/地方、ベースラインパフォーマンス)による層別化、またはペアマッチングで行われる場合がある。クラスターの数は通常少ない(10〜100)ため、層別化またはマッチングされたランダム化は、主要な交絡因子における不均衡の可能性を大幅に減らす。
介入はクラスターレベルで実施される(例:診療所の全スタッフに提供されるトレーニングプログラム)。手順は、交差汚染(治療群クラスターから対照群クラスターへの介入の漏洩)を防ぐ必要がある。これは、個々のランダム化よりもこのデザインを選択する主な根拠となることが多い。
各クラスター内にネストされた参加者から個人レベルのアウトカムが収集される。ベースライン特性とアウトカムは、サンプリングされたクラスター内のすべての同意した個人について記録されるべきである。クラスターレベルと個人レベルの両方での追跡不能は、個別に追跡・報告されなければならない。クラスターの脱落は特に検出力と妥当性に悪影響を与える。
クラスター化を無視した標準的な回帰またはt検定分析は、標準誤差を小さくしすぎ、第一種の過誤を増加させる。妥当な分析には以下が含まれる:(1)クラスターレベルの要約を単位として分析する(クラスター平均の分析);(2)クラスターのランダム切片を持つ個人レベルの混合効果モデル;(3)クラスターレベルの相関構造を持つ一般化推定方程式(GEE)。データから推定されたICCは、将来の試験に情報を提供するために報告されるべきである。
数式
\text{SE}_{adj} = \text{SE}_{naive} \times \sqrt{1 + (m-1)\rho}よくある落とし穴
- クラスター化構造を無視した、参加者が個別にランダム化されたかのように分析すると、標準誤差が小さすぎ、第一種の過誤率が(時には劇的に)増加する。常にクラスターを認識した分析手法を使用すること。
- クラスター数が少なすぎる — 各群4〜6クラスターの試験は検出力が非常に低く、誤解を招くICC推定値を生じる可能性がある。より多くのクラスターがない場合、研究を行う価値があるかどうかを検討すること。
- 調整なしの不均等なクラスターサイズ — クラスターサイズの大きな変動は効率を低下させ、分析を複雑にする。サンプルサイズ計画でこれを考慮し、加重または混合モデル分析を使用すること。
- ICCの報告漏れ — 観測されたICCがないと、後続の研究者は同じ領域での将来のクラスターRCTのサンプルサイズ計算にその試験を使用できない。
- 募集後のランダム化 — クラスターランダム化前に参加者を選択し、割り当てを知らせることは、割り付け隠蔽の失敗と選択バイアスを生じさせる。
よくある質問
クラスターRCTは標準的なRCTとどう違うのか?
標準的なRCTでは、個々の参加者が治療群または対照群にランダムに割り付けられる。クラスターRCTでは、学校や診療所などのグループ全体(クラスター)がランダムに割り付けられる。アウトカムは個人で測定されるが、ランダム化の単位と検出力計算の主要な分散源は個人ではなくクラスターである。この区別は、サンプルサイズ要件と正しい分析アプローチを根本的に変える。
級内相関係数(ICC)とは何か、そしてなぜそれが重要なのか?
ICC(rho)は、クラスター内の個人間の差ではなく、クラスター間の差に起因する総アウトカム分散の割合を測定する。わずかなICC(例:0.05)でも、必要なサンプルサイズを大幅に増加させる可能性がある。デザイン効果の式DEFF = 1 + (m − 1) × ICCは、クラスターあたり50人の参加者とICC = 0.05の場合、個別にランダム化された試験が必要とする参加者数の3.45倍が必要であることを示している。
いくつのクラスターが必要か?
有効な試験のための一般的な最小値は約6クラスター/群であるが、これはほとんどの現実的なICCと効果サイズに対して検出力が非常に低い。20以上/群が信頼性の高い推論のための広く引用されている実用的な目標である。サンプルサイズは、期待されるICC、平均クラスターサイズ、希望する検出力、および予期される効果サイズを使用して正式に計算されるべきである。PASS、Stataのclustersampsi、またはRパッケージのclusterPowerやCRTpowerPackなどのソフトウェアが役立つ。
どのような分析方法を使用すべきか?
2つの主なアプローチは次のとおりである:(1)クラスターレベル分析 — 各クラスターの要約統計量(例:平均アウトカム)を計算し、これらの要約をt検定またはANCOVAで分析し、クラスターを単位として扱う。(2)クラスターのランダム切片を持つ個人レベルの混合効果回帰、または交換可能な作業相関を持つGEE。共変量の調整が必要な場合やクラスターサイズが不均等な場合は、混合効果モデルとGEEが好ましい。すべての方法でクラスター化を考慮する必要がある — それを無視する分析は無効である。
汚染はいつ現実的な懸念となるか?
参加者が同じ物理的空間、社会的ネットワーク、または情報チャネルを共有している場合など、対照群の参加者が治療に現実的にアクセスまたは採用できる場合に、汚染は最も深刻である。古典的な例:病棟の一部の看護師に実施されたモチベーション介入で、他の看護師がそれを観察して模倣する場合。または、同じ地域内の世帯間でリーフレットが循環する健康教育リーフレット試験。汚染が起こりにくい場合(例:スタッフを共有しない病院間でランダム化された外科手技)、個々のランダム化が通常好ましい。
関連する手法
参考文献
Donner, A., & Klar, N. (2000). Design and Analysis of Cluster Randomization Trials in Health Research. Arnold.
ISBN:978-0340652978コピーしました。Hayes, R. J., & Moulton, L. H. (2017). Cluster Randomised Trials (2nd ed.). CRC Press / Chapman & Hall.
ISBN:978-1498728225コピーしました。