Przejdź do treści
Wróć do wyników wyszukiwania

Randomizowane badanie kontrolowane z grupowym doborem próby — randomizacja na poziomie grupy

Autor metody
Cornfield (1978); systematised by Donner and colleagues (1980s)
Rok
1978–1980s
Typ
Experimental design
Rodzina
Experimental design

Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku

Rozmiar czcionki

Do czego służy?

Randomizowane badanie kontrolowane z grupowym doborem próby (cluster RCT) to projekt eksperymentalny, w którym całe grupy społeczne lub organizacyjne — takie jak szkoły, przychodnie, wsie lub miejsca pracy — są losowo przydzielane do warunków leczenia, a nie poszczególni uczestnicy.

Wyniki są nadal mierzone na poziomie indywidualnym, ale jednostką randomizacji jest klaster. Taki projekt jest niezbędny, gdy interwencja jest dostarczana całym grupom, gdy istnieje ryzyko zanieczyszczenia między uczestnikami w tym samym środowisku lub gdy randomizacja indywidualna jest logistycznie lub etycznie niepraktyczna.

Intuicja stojąca za metodą

Wyobraźmy sobie testowanie nowej metody nauczania w szkołach. Nie można losowo przydzielić poszczególnych uczniów w tej samej klasie — nauczyciel nieuchronnie mieszałby metody, a dzieci dzieliłyby się strategiami. Zamiast tego losowo przydzielamy całe szkoły do otrzymania nowej metody lub kontynuowania zwykłego programu nauczania. Uczniowie w tej samej szkole mają tendencję do bycia bardziej podobnymi do siebie niż uczniowie w innych szkołach (dzielą tego samego nauczyciela, kulturę i zasoby), więc analizy muszą uwzględniać to grupowanie. Projekt poświęca pewną moc statystyczną w porównaniu z randomizacją indywidualną, ale odzwierciedla, jak interwencje edukacyjne i zdrowia publicznego faktycznie działają w świecie rzeczywistym.

Historia

Pierwsze formalne statystyczne opracowanie korelacji wewnątrzklastrowej w projektach randomizowanych grupowo zostało opublikowane przez Jerome'a Cornfielda w 1978 roku, który ostrzegał, że badania randomizujące grupy, ale analizujące jednostki, będą systematycznie antykonserwatywne. Allan Donner i współpracownicy rozwinęli ramy analityczne w latach 80. i opublikowali fundamentalny podręcznik tej dziedziny w 2000 roku. Rozszerzenie CONSORT dla cluster RCT, opublikowane po raz pierwszy przez Campbella i współpracowników w 2004 roku i zaktualizowane w 2012 roku, ustanowiło standardy raportowania, które są obecnie wymagane przez główne czasopisma. Cluster RCT stały się szczególnie widoczne w badaniach globalnego zdrowia i edukacji w latach 90. i 2000., ponieważ wielkoskalowe badania interwencji społecznych wykazały, że kontrola zanieczyszczeń była niezbędna do trafnej oceny programów zdrowia publicznego.

Kiedy stosować

Użyj cluster RCT, gdy interwencja jest z natury dostarczana grupie (np. polityka, program szkoleniowy, kampania społeczna), gdy prawdopodobne jest zanieczyszczenie między indywidualnie randomizowanymi uczestnikami w tym samym środowisku i prowadziłoby to do błędnego oszacowania efektu leczenia, lub gdy randomizacja indywidualna byłaby logistycznie niemożliwa lub etycznie nieakceptowalna. Projekt wymaga wystarczającej liczby klastrów — minimum 6 na ramię, a najlepiej 20 lub więcej na ramię — aby zapewnić odpowiednią moc i wspierać solidne wnioskowanie. NIE używaj cluster RCT, gdy randomizacja indywidualna jest wykonalna i nie ma ryzyka zanieczyszczenia, ponieważ projekt klastrowy zmniejsza moc i komplikuje analizę. Unikaj go również, gdy dostępna liczba klastrów jest bardzo mała (mniej niż 6 na ramię), ponieważ oszacowanie ICC i wariancji na poziomie klastra będzie nierzetelne, a błędy standardowe będą niedoszacowane nawet przy analizach skorygowanych o grupowanie.

Ograniczenia i uwagi

  • Zmniejszona moc statystyczna w porównaniu z randomizacją indywidualną dla tej samej całkowitej liczby uczestników; potrzeba więcej uczestników, aby zrekompensować efekt projektu.
  • Wymaga znaczącej liczby klastrów (zazwyczaj 20+ na ramię) dla odpowiedniej mocy i wiarygodnego oszacowania ICC; badania z niewielką liczbą klastrów są niedoszacowane pod względem mocy i analitycznie kruche.
  • Logistycznie złożone: koordynacja randomizacji, dostarczania interwencji i zbierania danych w wielu miejscach wymaga znacznej infrastruktury.
  • Utrata klastra (wycofanie się całej szkoły lub przychodni) może poważnie zagrozić mocy i wprowadzić błąd, którego nie powoduje utrata indywidualna.
  • ICC musi być oszacowany lub założony a priori do obliczeń wielkości próby; błędne założenie ICC prowadzi do nadmiernie lub niedostatecznie oszacowanej mocy badania.

Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.

Mocne strony

  • Zapobiega zanieczyszczeniu między warunkami, gdy interwencja działa na poziomie grupy, zachowując integralność porównania.
  • Umożliwia ocenę interwencji, które są logistycznie lub etycznie niemożliwe do przeprowadzenia na poziomie indywidualnym.
  • Wspiera generalizację do kontekstów rzeczywistego wdrażania — interwencje są testowane w środowiskach, w których ostatecznie zostaną wdrożone.
  • Stratyfikowana lub dobierana w pary randomizacja klastrowa może osiągnąć dobrą równowagę kowariantów nawet przy niewielkiej liczbie klastrów.
  • Przy prawidłowej analizie zapewnia bezstronne oszacowania efektów interwencji, które uwzględniają korelację wewnątrzklastrową.

Zastosowania

  • Ocena interwencji szkolnych, takich jak programy przeciwdziałania przemocy lub nowe programy nauczania, gdzie klasa lub szkoła jest jednostką dostarczania.
  • Testowanie kampanii zdrowia publicznego na poziomie społeczności (np. zapobieganie HIV, higiena, akcje szczepień) randomizowanych na poziomie wsi lub dzielnicy.
  • Ocena inicjatyw poprawy jakości w placówkach opieki zdrowotnej, z praktykami lekarzy rodzinnych, przychodniami lub oddziałami szpitalnymi jako randomizowanymi klastrami.
  • Ocena programów wellness lub bezpieczeństwa w miejscu pracy dostarczanych całym zespołom lub działom.
  • Testowanie reform polityki lub zarządzania w usługach społecznych, gdzie jednostka administracyjna (np. lokalny urząd) jest naturalnym klastrem.

Jak to działa

Jak to działa

1

Zidentyfikuj naturalnie występujące lub administracyjnie zdefiniowane grupy, które będą służyć jako jednostka randomizacji — na przykład szkoły, praktyki lekarzy rodzinnych, wsie lub oddziały szpitalne. Klastery powinny być jak najbardziej podobne pod względem wielkości i istotnych charakterystyk wyjściowych. Zdecydowanie zaleca się stratyfikację lub dobieranie w pary klastrów przed randomizacją, aby poprawić równowagę i moc.

2

Standardowe formuły wielkości próby dla indywidualnie randomizowanych badań systematycznie niedoszacowują wymaganej liczby uczestników, ponieważ obserwacje w tym samym klastrze są skorelowane. Efekt projektu (DEFF) zawyża wymaganą wielkość próby: DEFF = 1 + (m − 1) × ICC, gdzie m to średnia wielkość klastra, a ICC (współczynnik korelacji wewnątrzklastrowej) to proporcja całkowitej wariancji przypisywana różnicom międzyklastrowym. Należy zaplanować zarówno liczbę klastrów, jak i liczbę uczestników w klastrze.

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

Klastery — nie jednostki — są losowo przydzielane do ram leczenia lub kontroli. Randomizacja może być prosta, stratyfikowana według kowariantów na poziomie klastra (np. obszar miejski/wiejski, wyniki wyjściowe) lub dobierana w pary. Ponieważ liczba klastrów jest zazwyczaj mała (10–100), randomizacja stratyfikowana lub dobierana w pary znacznie zmniejsza prawdopodobieństwo braku równowagi w kluczowych czynnikach zakłócających.

4

Interwencja jest podawana na poziomie klastra (np. program szkoleniowy dostarczany całemu personelowi w przychodni). Procedury muszą zapobiegać zanieczyszczeniu krzyżowemu — wyciekowi interwencji z leczonych do kontrolnych klastrów — co jest często głównym uzasadnieniem wyboru tego projektu zamiast randomizacji indywidualnej.

5

Wyniki na poziomie indywidualnym są zbierane od uczestników zagnieżdżonych w każdym klastrze. Charakterystyki wyjściowe i wyniki powinny być rejestrowane dla wszystkich wyrażających zgodę osób w próbkowanych klastrach. Utrata obserwacji zarówno na poziomie klastra, jak i indywidualnym musi być śledzona i raportowana oddzielnie, ponieważ utrata klastra jest szczególnie szkodliwa dla mocy i trafności.

6

Standardowe analizy regresji lub testu t, które ignorują grupowanie, dają błędy standardowe, które są zbyt małe, zawyżając błąd typu I. Trafne analizy obejmują: (1) podsumowania na poziomie klastra analizowane jako jednostka (analiza średnich klastrów); (2) modele mieszanych efektów na poziomie indywidualnym z losowym interceptem dla klastra; (3) uogólnione równania estymujące (GEE) ze strukturą korelacji roboczej na poziomie klastra. ICC oszacowany na podstawie danych powinien być raportowany w celu informowania przyszłych badań.

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

Częste pułapki

  • Analiza jakby uczestnicy byli indywidualnie randomizowani — ignorowanie struktury grupowania prowadzi do zbyt małych błędów standardowych i zawyża wskaźniki błędu typu I, czasami drastycznie. Zawsze używaj metody analitycznej uwzględniającej grupowanie.
  • Zbyt mało klastrów — badania z zaledwie 4–6 klastrami na ramię mają bardzo niską moc i mogą dawać mylące oszacowania ICC; rozważ, czy badanie jest warte przeprowadzenia bez większej liczby klastrów.
  • Nierówne wielkości klastrów bez korekty — duża zmienność wielkości klastra zmniejsza efektywność i komplikuje analizę; uwzględnij to w planowaniu wielkości próby i stosuj analizy ważone lub modele mieszane.
  • Niewłaściwe raportowanie ICC — bez zaobserwowanego ICC, przyszli badacze nie mogą wykorzystać badania do obliczenia wielkości próby dla przyszłych cluster RCT w tej samej dziedzinie.
  • Randomizacja po rekrutacji — wybór uczestników przed randomizacją klastrową i pozwolenie im na poznanie przypisania powoduje niepowodzenie ukrycia alokacji i błąd selekcji.

Najczęściej zadawane pytania

Czym cluster RCT różni się od standardowego RCT?

W standardowym RCT, poszczególni uczestnicy są losowo przydzielani do leczenia lub kontroli. W cluster RCT, całe grupy (klastry) — takie jak szkoły lub przychodnie — są losowo przydzielane. Wyniki są nadal mierzone na jednostkach, ale jednostką randomizacji i głównym źródłem wariancji dla obliczeń mocy jest klaster, a nie osoba. Ta różnica fundamentalnie zmienia wymagania dotyczące wielkości próby i prawidłowe podejście analityczne.

Co to jest współczynnik korelacji wewnątrzklastrowej (ICC) i dlaczego jest ważny?

ICC (rho) mierzy proporcję całkowitej wariancji wyniku, która jest przypisywana różnicom między klastrami, a nie różnicom między jednostkami w klastrach. Nawet mały ICC (np. 0,05) może znacznie zawyżyć wymaganą wielkość próby. Formuła efektu projektu DEFF = 1 + (m − 1) × ICC pokazuje, że przy 50 uczestnikach na klaster i ICC = 0,05, potrzebujesz 3,45 razy więcej uczestników niż w przypadku indywidualnie randomizowanego badania.

Ile klastrów potrzebuję?

Częstym minimum jest około 6 klastrów na ramię dla ważnego badania, ale zapewnia to bardzo niską moc dla większości realistycznych ICC i wielkości efektów. Dwadzieścia lub więcej klastrów na ramię jest powszechnie cytowanym praktycznym celem dla wiarygodnego wnioskowania. Wielkość próby powinna być obliczona formalnie przy użyciu oczekiwanego ICC, średniej wielkości klastra, pożądanej mocy i przewidywanej wielkości efektu. Oprogramowanie takie jak PASS, Stata's clustersampsi lub pakiety R clusterPower lub CRTpowerPack może pomóc.

Jakiej metody analizy powinienem użyć?

Dwa główne podejścia to: (1) analiza na poziomie klastra — oblicz statystykę podsumowującą (np. średni wynik) dla każdego klastra i analizuj te podsumowania za pomocą testu t lub ANCOVA, traktując klaster jako jednostkę; oraz (2) regresja mieszanych efektów na poziomie indywidualnym z losowym interceptem dla klastra, lub GEE z wymienną korelacją roboczą. Modele mieszanych efektów i GEE są preferowane, gdy potrzebna jest korekta kowariantów lub gdy wielkości klastrów są nierówne. Wszystkie podejścia muszą uwzględniać grupowanie — analizy, które je ignorują, są nieważne.

Kiedy zanieczyszczenie jest realnym problemem?

Zanieczyszczenie jest najpoważniejsze, gdy uczestnicy w klastrach kontrolnych mogliby realistycznie uzyskać dostęp do leczenia lub je przyjąć — na przykład, jeśli uczestnicy interwencji dzielą tę samą przestrzeń fizyczną, sieć społeczną lub kanał informacyjny co uczestnicy kontrolni. Klasyczne przykłady: interwencja motywacyjna prowadzona dla niektórych pielęgniarek na oddziale, gdzie inne pielęgniarki ją obserwują i naśladują; lub badanie ulotek edukacyjnych, gdzie ulotki krążą między gospodarstwami domowymi w tej samej okolicy. Jeśli zanieczyszczenie jest mało prawdopodobne (np. technika chirurgiczna randomizowana między szpitalami, które nie dzielą personelu), preferowana jest zazwyczaj randomizacja indywidualna.

Pokrewne metody

Źródła

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

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

    ISBN: 978-1498728225
    Skopiowano.