Skip to content
検索結果に戻る

要因ランダム化比較試験(Factorial Randomized Controlled Trial)

提唱者
R. A. Fisher (factorial design foundations); adapted into clinical trials via MOST framework (Collins et al., 2014)
年
1926 (Fisher factorial foundations); 2000s–2010s (clinical factorial RCT formalization)
種類
Experimental trial 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

文字サイズ

何をする手法か?

要因ランダム化比較試験(factorial RCT)とは、2つ以上の独立した因子(治療法または介入要素)の全ての可能な組み合わせに、参加者を同時にランダムに割り付ける実験デザインである。これにより、研究者は、個々の因子について別々の実験を行うのではなく、単一の効率的な試験内で、各因子の主効果とそれらの交互作用を推定することができる。

手法の背後にある直感

新しい薬剤と行動カウンセリングプログラムを併せてテストすることを想像してほしい。2つの別々の試験を実行する代わりに、factorial RCTは参加者をランダムに4つのグループに割り付ける。すなわち、薬剤のみ、カウンセリングのみ、薬剤とカウンセリングの併用、そしてどちらも行わない、というグループである。これにより、薬剤が有効か、カウンセリングが有効か、そして最も重要なこととして、それらが個々の効果から期待されるよりも一緒にうまく機能するかどうかを知ることができる。factorial構造は、交互作用を確実に推定するのに十分な参加者がいる限り、1つの研究で複数の疑問を解決する。

歴史学

Factorial実験は、1920年代にロザムステッド実験ステーションのロナルド・A・フィッシャーによって、複数の農業治療法を同時に研究する方法として開発された。フィッシャーの『実験計画法』(1935年)はこのアプローチを形式化した。Factorialデザインは20世紀後半に臨床試験に導入され、特に1988年の心血管メガトライアルISIS-2では、アスピリンとストレプトキナーゼを独立してテストするために2×2 factorialデザインが使用された。2000年代にリンダ・コリンズらによって提唱されたMOSTフレームワークは、factorial RCTに、行動介入最適化における体系的な役割を与えた。

使うべき場面

2つ以上の介入要素または用量を同時に評価する必要があり、それらの個々の効果と複合効果を効率的に推定したい場合に、factorial RCTを使用する。これは、多成分行動介入、薬理学的介入、または公衆衛生介入の最適化において典型的なシナリオである。特に、多段階最適化戦略(Multiphase Optimization Strategy, MOST)フレームワークは、介入開発のスクリーニング段階でfactorial RCTを推奨している。factorial RCTを使用しないのは、(1) 交互作用を検出するのに検出力が不足しており、交互作用推定値が信頼できない場合、(2) 因子間に既知の強い交互作用があり、効率性の主張を正当化するために必要な加法性の仮定に違反する場合、(3) 因子の数が非常に多く(4つ以上の二値因子は、条件数の増加と募集要求の増加につながる)、(4) 倫理的またはロジスティックな制約により特定の因子組み合わせの実施が妨げられる場合である。

限界と注意点

  • サンプルサイズ要件は、因子の数とともに、特に主効果と同程度の大きさの交互作用を検出するために必要な検出力とともに増加する。交互作用テストの検出力は、通常、同程度の大きさの主効果に必要なサンプルサイズの4倍を必要とする。
  • 多数の異なる組み合わせの実施は、プロトコルを複雑にし、スタッフまたは参加者が条件マトリックスに混乱した場合、介入の忠実度を低下させる可能性がある。
  • 因子間の強い事前交互作用は、効率性の主張を損なう可能性がある。因子は anyway 一緒にテストされなければならない場合、factorial デザインは利点が少ない。
  • 複数の有意な交互作用が見つかった場合、解釈が複雑になる。単純な主効果は、交互作用因子の各水準について個別に報告する必要がある。

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

  • 単一の試験で複数の因子とその交互作用を評価し、各因子について別々の試験を実行する場合と比較して、総サンプルサイズと時間を大幅に削減する。
  • 因子が互いの効果を増強するか、弱めるか、または無効にするかどうかを示す、交互作用効果に関する直接的な証拠を提供する。
  • MOSTのようなフレームワークの下での多成分介入開発の最適化段階に非常に適している。
  • ランダム化の因果推論上の利点を維持し、全ての因子について同時に交絡を制御する。
  • 柔軟性があり、連続的、二値的、または順序的なアウトカムと様々な解析モデルに対応できる。

応用

  • 行動健康介入の複数の要素のスクリーニング(例:禁煙のためのテキストリマインダー、カウンセリング電話、インセンティブのどの組み合わせが最も効果的か)。
  • 単一の臨床試験で、薬理学的治療の用量と頻度を心理社会的併用療法と同時に最適化する。
  • デジタルヘルス機能の評価。プッシュ通知、ゲーミフィケーション、ソーシャル比較機能がアプリエンゲージメントを個別に改善するかどうかをテストする。
  • 作物収量に対する土壌処理、肥料の種類、灌漑レベルの組み合わせを評価する農業および食品科学研究。
  • ランダム化された教室全体で指導方法とフィードバックのタイミングを同時にテストする教育研究。
  • 2つ以上の地域レベル介入(例:メディアキャンペーンと地域保健員)を共同で評価する公衆衛生予防試験。

使い方

使い方

1

研究者は、それぞれ固定された数の水準を持つ、2つ以上の独立した因子(例:因子A:薬剤 vs. プラセボ、因子B:カウンセリング vs. カウンセリングなし)を指定する。因子水準の全ての組み合わせが実験条件を定義する。2つの二値因子の場合、これは2×2 = 4つの条件をもたらす。このデザインは、主効果と予測される交互作用効果の両方を検出できるように検出力を持つべきである。

2

参加者は、factorial条件のいずれかにランダムに割り付けられる。ランダム化は通常、選択バイアスを防ぐために隠蔽を伴うコンピュータ生成の割り付けシーケンスを使用して実施される。主要な共変量(例:施設、重症度)に対するブロック化または層別化は、条件を均衡させ、精度を向上させるために推奨される。

3

各参加者は、介入期間全体を通じて、割り当てられた条件の因子水準の組み合わせを受ける。可能な限り、盲検化が適用される。参加者は自身の完全な条件割り当てを知らされない(単盲検)、評価者はさらに割り当てを知らされない(二重盲検)ことで、実施バイアスと検出バイアスを防ぐ。

4

主要および副次アウトカムは、検証済みの測定器を用いて、事前に指定された時点(time points)で測定される。臨床的なfactorial RCTでは、アウトカムは通常、ベースライン、治療終了時、および追跡調査時に収集される。主要エンドポイントは、アウトカム報告バイアスを防ぐために、盲検化解除前に定義される。

5

解析では、各主効果および全ての因子交互作用項を含むfactorial ANOVAまたは回帰モデルを使用する。交互作用項(A×B)は、一方の因子の効果が他方の水準にわたって異なるかどうかをテストする。交互作用が無視できるほど小さい場合、主効果は独立して解釈可能である。有意な交互作用は、条件付き(単純効果)解析を必要とし、結果の実質的な解釈を変更する。

よくある落とし穴

  • 交互作用テストの検出力不足。研究者はしばしば主効果のためにfactorial RCTの検出力を設定し、交互作用項を確実に解釈できないことが判明し、デザインの主な目的の1つが損なわれる。
  • 定性的な交互作用がないという仮定の無視。一方の因子の効果の方向が他方の因子の水準によって逆転する場合、主効果解析のために条件をプールすることは誤解を招き、臨床現場では有害である可能性がある。
  • 正当化のない不完全なfactorialデザイン。便宜のために特定の因子組み合わせを省略することは、factorial RCTの効率性を与える直交性を損ない、より複雑な解析的調整を必要とする。
  • クラスタリングの考慮漏れ。学校や診療所などのグループがランダム化の単位である試験で、分析においてクラスタリングを無視すると、第一種の過誤率が増大する。
  • 交互作用をチェックする前に主効果を解釈すること。有意な交互作用が存在する場合に主効果を普遍的に適用可能であると報告することは、一般的で重大な誤りである。

よくある質問

factorial RCTは、別々の試験を実行するよりも常に効率的ですか?

因子間の交互作用が小さいか存在しない場合のみ。因子が強く交互作用する場合、factorial RCTを効率的にする条件のプールは無効であり、別々または逐次的な試験が好ましい場合がある。加法性が成り立つ場合、効率性の向上は現実的であるが、これは仮定されるのではなく評価されるべきである。

factorial RCTのサンプルサイズをどのように計算しますか?

主効果と、研究目的が交互作用の検出である場合は特に、交互作用の検出力目標を指定する必要がある。交互作用効果は通常、同程度の大きさの主効果に必要なサンプルサイズの約4倍を必要とする。G*Power、PASSなどのソフトウェアやカスタムシミュレーションでfactorial検出力計算を処理できる。デザインを最終決定する前に統計家に相談することを強く推奨する。

factorial RCTと多群試験(multi-arm trial)の違いは何ですか?

多群試験は、複数の別々の治療法を共通の対照群と比較し、通常は各群を対照群と比較して個別に分析する。factorial RCTは、2つ以上の因子を交差させるため、各参加者は全ての因子の主効果の推定に貢献し、加法性の下での交互作用テストとより高い統計的効率を可能にする。治療法が概念的に異なり、交互作用に関心がない場合は、多群試験が好ましい。

クロスオーバーまたはクラスターランダム化試験でfactorialデザインを使用できますか?

はい。factorialデザインは、クロスオーバーまたはクラスターランダム化フレームワークに組み込むことができる。クラスターランダム化factorial RCTは、まとまったグループをfactorial条件にランダムに割り付ける。クロスオーバーfactorial RCTは、参加者が連続して異なるfactorial組み合わせを受ける。どちらの組み合わせも、追加の解析上の複雑さ(クロスオーバーでの持ち越し効果、クラスターデザインでのクラス内相関)をもたらし、専門的な統計的アドバイスを必要とする。

MOSTフレームワークはfactorial RCTに何を追加しますか?

リンダ・コリンズらによって開発されたMOST(Multiphase Optimization Strategy)は、最終的な有効性試験の前に多成分介入を開発する際のスクリーニングおよび改良段階でfactorial RCTを使用するための原則的なフレームワークを提供する。これは、メイン効果と交互作用に基づいて要素を保持または削除するための決定ルールを指定し、単純な採否結論ではなく、反復的な最適化を導く。

関連する手法

参考文献

  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.

    DOI 文献を開く
    コピーしました。
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN:978-1119492443
    コピーしました。