Кластерное рандомизированное контролируемое исследование — Рандомизация на уровне групп
- Автор метода
- Cornfield (1978); systematised by Donner and colleagues (1980s)
- Год
- 1978–1980s
- Тип
- Experimental design
- Семейство
- Experimental design
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Кластерное рандомизированное контролируемое исследование (кластерное РКИ) — это экспериментальный дизайн, в котором интактные социальные или организационные группы — такие как школы, клиники, деревни или рабочие места — случайным образом распределяются по условиям лечения, а не отдельные участники.
Исходы по-прежнему измеряются на индивидуальном уровне, но единицей рандомизации является кластер. Этот дизайн необходим, когда вмешательство проводится для целых групп, когда существует риск заражения между участниками в одной и той же среде, или когда индивидуальная рандомизация логистически или этически непрактична.
Интуиция метода
Представьте себе тестирование нового метода обучения в школах. Вы не можете рандомизировать отдельных учеников в одном и том же классе — учитель неизбежно будет смешивать методы, а дети будут делиться стратегиями. Вместо этого вы случайным образом распределяете целые школы для получения нового метода или продолжения обучения по обычной программе. Ученики в одной школе, как правило, более похожи друг на друга, чем ученики в других школах (у них общий учитель, культура и ресурсы), поэтому анализ должен учитывать эту кластеризацию. Дизайн жертвует некоторой статистической мощностью по сравнению с индивидуальной рандомизацией, но он отражает, как образовательные вмешательства и вмешательства в области общественного здравоохранения фактически работают в реальном мире.
История
Первая формальная статистическая обработка внутрикластерной корреляции в групповых рандомизированных дизайнах была опубликована Джеромом Корнфилдом в 1978 году, который предупреждал, что исследования, рандомизирующие группы, но анализирующие индивидов, будут систематически антиконсервативными. Аллан Доннер и его коллеги разработали аналитическую основу в 1980-х годах и опубликовали основополагающий учебник в этой области в 2000 году. Расширение CONSORT для кластерных РКИ, впервые опубликованное Кэмпбеллом и его коллегами в 2004 году и обновленное в 2012 году, установило стандарты отчетности, которые теперь требуются крупными журналами. Кластерные РКИ стали особенно заметными в исследованиях глобального здравоохранения и образования в 1990-х и 2000-х годах, поскольку крупномасштабные общественные вмешательства продемонстрировали, что контроль заражения был необходим для достоверной оценки программ общественного здравоохранения.
Когда применять
Используйте кластерное РКИ, когда вмешательство по своей сути проводится для группы (например, политика, программа обучения, общественная кампания), когда вероятно заражение между индивидуально рандомизированными участниками в одной и той же среде и это исказит оценку эффекта лечения, или когда индивидуальная рандомизация была бы логистически невозможна или этически неприемлема. Дизайн требует достаточного количества кластеров — минимум 6 на группу, а в идеале 20 или более на группу — для обеспечения адекватной мощности и поддержки надежных выводов. НЕ используйте кластерное РКИ, когда индивидуальная рандомизация возможна и нет риска заражения, поскольку кластерный дизайн снижает мощность и усложняет анализ. Также избегайте его, когда количество доступных кластеров очень мало (менее 6 на группу), поскольку оценка ICC и дисперсии на уровне кластера будет ненадежной, а стандартные ошибки будут недооценены даже при анализах с коррекцией на кластеризацию.
Ограничения и замечания
- Сниженная статистическая мощность по сравнению с индивидуальной рандомизацией при том же общем количестве участников; требуется больше участников для компенсации эффекта дизайна.
- Требует значительного количества кластеров (обычно 20+ на группу) для адекватной мощности и надежной оценки ICC; исследования с небольшим количеством кластеров имеют недостаточную мощность и аналитически хрупки.
- Логистически сложен: координация рандомизации, проведения вмешательства и сбора данных в нескольких местах требует значительной инфраструктуры.
- Выбытие кластера (отказ всей школы или клиники) может серьезно снизить мощность и внести смещение, которое не вносит выбытие отдельных участников.
- ICC должен быть оценен или предположен априори для расчетов размера выборки; неправильное предположение ICC приводит к чрезмерно или недостаточно мощному исследованию.
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Предотвращает заражение между условиями, когда вмешательство действует на групповом уровне, сохраняя целостность сравнения.
- Позволяет оценивать вмешательства, которые логистически или этически невозможно провести на индивидуальном уровне.
- Поддерживает обобщение на реальные контексты применения — вмешательства тестируются в тех условиях, где они будут в конечном итоге развернуты.
- Стратифицированная или сопоставленная кластерная рандомизация может обеспечить хороший баланс ковариат даже при умеренном количестве кластеров.
- При правильном анализе дает несмещенные оценки эффектов вмешательства, учитывающие внутрикластерную корреляцию.
Применение
- Оценка вмешательств на базе школ, таких как программы борьбы с издевательствами или новые учебные программы, где класс или школа являются единицей проведения.
- Тестирование общественных кампаний в области здравоохранения (например, профилактика ВИЧ, санитария, вакцинация) на уровне деревни или района.
- Оценка инициатив по улучшению качества в медицинских учреждениях, где врачебные практики, клиники или больничные палаты являются рандомизированными кластерами.
- Оценка программ оздоровления или безопасности на рабочем месте, проводимых для целых команд или отделов.
- Тестирование реформ политики или управления в социальных службах, где административная единица (например, местный орган власти) является естественным кластером.
Как это работает
Как это работает
Определите естественно существующие или административно определенные группы, которые будут служить единицей рандомизации — например, школы, врачебные практики, деревни или больничные палаты. Кластеры должны быть максимально схожи по размеру и соответствующим исходным характеристикам. Настоятельно рекомендуется стратификация или парное сопоставление кластеров перед рандомизацией для улучшения баланса и мощности.
Стандартные формулы расчета размера выборки для индивидуально рандомизированных исследований систематически недооценивают необходимое количество участников, поскольку наблюдения внутри одного кластера коррелируют. Эффект дизайна (DEFF) увеличивает необходимый размер выборки: DEFF = 1 + (m − 1) × ICC, где m — средний размер кластера, а ICC (коэффициент внутриклассовой корреляции) — доля общей дисперсии, приходящаяся на различия между кластерами. Необходимо явно планировать как количество кластеров, так и количество участников в каждом кластере.
Формула
n = n_{ind} \times (1 + (m-1)\rho)Кластеры — а не отдельные лица — случайным образом распределяются по группам лечения или контроля. Рандомизация может быть простой, стратифицированной по ковариатам кластерного уровня (например, город/село, исходная производительность) или парно сопоставленной. Поскольку количество кластеров обычно невелико (10–100), стратифицированная или сопоставленная рандомизация значительно снижает вероятность дисбаланса по ключевым конфаундерам.
Вмешательство проводится на уровне кластера (например, программа обучения, проводимая для всего персонала клиники). Процедуры должны предотвращать перекрестное заражение — утечку вмешательства из обработанных кластеров в контрольные — что часто является основным обоснованием выбора этого дизайна вместо индивидуальной рандомизации.
Индивидуальные исходы собираются от участников, вложенных в каждый кластер. Исходные характеристики и исходы должны быть зафиксированы для всех согласных лиц в выборке кластеров. Потеря последующего наблюдения как на уровне кластера, так и на индивидуальном уровне должна отслеживаться и сообщаться отдельно, поскольку выбытие кластера особенно вредно для мощности и достоверности.
Стандартные регрессионные или t-тестовые анализы, игнорирующие кластеризацию, дают стандартные ошибки, которые слишком малы, увеличивая ошибку I рода. Достоверные анализы включают: (1) сводные данные на уровне кластера, анализируемые как единица (анализ средних кластеров); (2) смешанные модели с фиксированными эффектами на индивидуальном уровне с случайным перехватом для кластера; (3) обобщенные оценивающие уравнения (GEE) со структурой рабочей корреляции на уровне кластера. ICC, оцененный по данным, должен быть сообщен для информирования будущих исследований.
Формула
\text{SE}_{adj} = \text{SE}_{naive} \times \sqrt{1 + (m-1)\rho}Частые ошибки
- Анализ как если бы участники были индивидуально рандомизированы — игнорирование структуры кластеризации приводит к слишком малым стандартным ошибкам и завышению уровней ошибки I рода, иногда драматически. Всегда используйте метод анализа, учитывающий кластеризацию.
- Слишком мало кластеров — исследования с всего 4–6 кластерами на группу имеют очень низкую мощность и могут давать вводящие в заблуждение оценки ICC; рассмотрите, стоит ли вообще проводить исследование без большего количества кластеров.
- Неравные размеры кластеров без коррекции — большая вариация размера кластера снижает эффективность и усложняет анализ; учитывайте это при планировании размера выборки и используйте взвешенные или смешанные модели анализа.
- Несообщение ICC — без наблюдаемого ICC последующие исследователи не могут использовать исследование для информирования расчетов размера выборки для будущих кластерных РКИ в той же области.
- Рандомизация после набора — выбор участников до кластерной рандомизации и позволение им знать свое назначение создает отказ в сокрытии распределения и смещение отбора.
Часто задаваемые вопросы
Чем кластерное РКИ отличается от стандартного РКИ?
В стандартном РКИ отдельные участники случайным образом распределяются по группам лечения или контроля. В кластерном РКИ случайным образом распределяются целые группы (кластеры) — такие как школы или клиники. Исходы по-прежнему измеряются у индивидов, но единицей рандомизации и основным источником дисперсии для расчета мощности является кластер, а не человек. Это различие фундаментально меняет требования к размеру выборки и правильный подход к анализу.
Что такое коэффициент внутриклассовой корреляции (ICC) и почему он важен?
ICC (ро) измеряет долю общей дисперсии исхода, которая приходится на различия между кластерами, а не на различия между индивидами внутри кластеров. Даже небольшой ICC (например, 0,05) может значительно увеличить необходимый размер выборки. Формула эффекта дизайна DEFF = 1 + (m − 1) × ICC показывает, что при 50 участниках на кластер и ICC = 0,05 вам потребуется в 3,45 раза больше участников, чем потребовалось бы для индивидуально рандомизированного исследования.
Сколько кластеров мне нужно?
Общим минимумом является около 6 кластеров на группу для достоверного исследования, но это обеспечивает очень низкую мощность для большинства реалистичных ICC и размеров эффекта. Двадцать или более кластеров на группу — это широко цитируемая практическая цель для надежных выводов. Размер выборки должен быть рассчитан формально с использованием ожидаемого ICC, среднего размера кластера, желаемой мощности и предполагаемого размера эффекта. Программное обеспечение, такое как PASS, Stata's clustersampsi или пакеты R clusterPower или CRTpowerPack, может помочь.
Какой метод анализа следует использовать?
Два основных подхода: (1) анализ на уровне кластера — вычислить сводный показатель (например, средний исход) для каждого кластера и проанализировать эти сводные данные с помощью t-теста или ANCOVA, рассматривая кластер как единицу; и (2) регрессия со смешанными эффектами на индивидуальном уровне со случайным перехватом для кластера или GEE с обменной рабочей корреляцией. Смешанные модели и GEE предпочтительны при необходимости корректировки ковариат или при неравных размерах кластеров. Все подходы должны учитывать кластеризацию — анализы, игнорирующие ее, недостоверны.
Когда заражение является реальной проблемой?
Заражение наиболее серьезно, когда участники в контрольных кластерах могут реально получить доступ к лечению или принять его — например, если участники вмешательства находятся в одном физическом пространстве, социальной сети или информационном канале с контрольными участниками. Классические примеры: мотивационное вмешательство, проводимое для некоторых медсестер в палате, где другие медсестры наблюдают и имитируют его; или исследование листовок по пропаганде здоровья, где листовки распространяются между домохозяйствами в одном районе. Если заражение маловероятно (например, хирургическая техника, рандомизированная между больницами, которые не имеют общего персонала), индивидуальная рандомизация обычно предпочтительнее.
Похожие методы
Источники
Donner, A., & Klar, N. (2000). Design and Analysis of Cluster Randomization Trials in Health Research. Arnold.
ISBN: 978-0340652978Скопировано.Hayes, R. J., & Moulton, L. H. (2017). Cluster Randomised Trials (2nd ed.). CRC Press / Chapman & Hall.
ISBN: 978-1498728225Скопировано.