Skip to content
Назад к результатам поиска

Факториальное рандомизированное контролируемое исследование

Автор метода
R. A. Fisher (factorial design foundations); adapted into clinical trials via MOST framework (Collins et al., 2014)
Год
1926 (Fisher factorial foundations); 2000s–2010s (clinical factorial RCT formalization)
Тип
Experimental trial design
Семейство
Experimental design

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Факториальное рандомизированное контролируемое исследование (факториальное РКИ) — это экспериментальный дизайн, в котором участники случайным образом распределяются по всем возможным комбинациям двух или более независимых факторов (лекарств или компонентов вмешательства) одновременно.

Это позволяет исследователям оценить основное влияние каждого фактора и их взаимодействия в рамках одного эффективного исследования, вместо проведения отдельных экспериментов для каждого фактора.

Интуиция метода

Представьте себе тестирование нового препарата в сочетании с программой поведенческого консультирования. Вместо проведения двух отдельных исследований, факториальное РКИ случайным образом распределяет участников на четыре группы: только препарат, только консультирование, препарат плюс консультирование и ни то, ни другое. Вы узнаете, работает ли препарат, работает ли консультирование и — что критически важно — работают ли они лучше вместе, чем ожидалось от их индивидуального воздействия. Факториальная структура позволяет получить ответы на несколько вопросов в рамках одного исследования, при условии достаточного количества участников для надежной оценки взаимодействий.

История

Факториальный эксперимент был разработан Рональдом А. Фишером на экспериментальной станции Ротэмстед в 1920-х годах как метод одновременного изучения нескольких сельскохозяйственных методов. Книга Фишера «Дизайн экспериментов» (1935) формализовала этот подход. Факториальные дизайны вошли в клинические исследования в конце 20-го века, наиболее заметно в крупномасштабных сердечно-сосудистых исследованиях, таких как ISIS-2 (1988), где использовался факториальный дизайн 2×2 для независимого тестирования аспирина и стрептокиназы. Структура MOST, сформулированная Линдой Коллинз и ее коллегами в 2000-х годах, придала факториальному РКИ систематическую роль в оптимизации поведенческих вмешательств.

Когда применять

Используйте факториальное РКИ, когда вам необходимо одновременно оценить два или более компонента вмешательства или дозы и хотите эффективно оценить их индивидуальные и комбинированные эффекты — типичный сценарий при оптимизации многокомпонентных поведенческих, фармакологических или медико-санитарных вмешательств. Структура многофазной оптимизационной стратегии (MOST) конкретно рекомендует факториальные РКИ для фазы скрининга разработки вмешательств. Не используйте факториальное РКИ, когда: (1) исследование недостаточно мощное для обнаружения взаимодействий, что делает оценку взаимодействия ненадежной; (2) факторы имеют известные сильные взаимодействия, нарушающие предположение аддитивности, необходимое для обоснования эффективности; (3) количество факторов очень велико (более четырех бинарных факторов приводит к громоздкому количеству условий и требованиям к набору участников); или (4) этические или логистические ограничения препятствуют применению определенных комбинаций факторов.

Ограничения и замечания

  • Требования к размеру выборки растут с увеличением числа факторов и особенно с необходимостью обеспечения мощности для тестов взаимодействия, которые обычно требуют в четыре раза большего размера выборки, чем для основного эффекта той же величины.
  • Применение множества различных комбинаций увеличивает сложность протокола и может снизить точность вмешательства, если персонал или участники запутаны матрицей условий.
  • Сильные априорные взаимодействия между факторами могут подорвать аргумент об эффективности — если факторы должны тестироваться вместе в любом случае, факториальный дизайн дает меньше преимуществ.
  • Интерпретация становится сложной при обнаружении множественных значимых взаимодействий — простые основные эффекты должны сообщаться отдельно для каждого уровня взаимодействующего фактора.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Оценивает множество факторов и их взаимодействия в одном исследовании, значительно сокращая общий объем выборки и время по сравнению с проведением отдельных исследований для каждого фактора.
  • Предоставляет прямые доказательства эффектов взаимодействия — потенцируют ли факторы, ослабляют или нейтрализуют ли они эффекты друг друга.
  • Хорошо подходит для фазы оптимизации разработки многокомпонентных вмешательств в рамках таких структур, как MOST.
  • Сохраняет преимущества рандомизации для причинно-следственных выводов, одновременно контролируя конфаундинг для всех факторов.
  • Гибкий — может учитывать непрерывные, бинарные или порядковые исходы и различные аналитические модели.

Применение

  • Скрининг множественных компонентов поведенческого вмешательства в области здравоохранения (например, какая комбинация текстовых напоминаний, консультационных звонков и стимулов наиболее эффективна для прекращения курения).
  • Оптимизация дозы и частоты фармакологического лечения в сочетании с психосоциальным сопутствующим вмешательством в одном клиническом исследовании.
  • Оценка функций цифрового здравоохранения — тестирование того, независимо ли улучшают вовлеченность в приложение функции push-уведомлений, геймификации и социального сравнения.
  • Исследования в области сельского хозяйства и пищевой науки, оценивающие комбинации почвенных обработок, типов удобрений и уровней орошения для урожайности сельскохозяйственных культур.
  • Исследования в области образования, одновременно тестирующие методы обучения и время обратной связи в случайным образом отобранных классах.
  • Исследования в области общественного здравоохранения, где два или более вмешательства на уровне сообщества (например, медиакампания и общественные медицинские работники) оцениваются совместно.

Как это работает

Как это работает

1

Исследователь определяет два или более независимых фактора (например, Фактор А: препарат против плацебо; Фактор В: консультирование против отсутствия консультирования), каждый с фиксированным числом уровней. Все комбинации уровней факторов определяют экспериментальные условия — для двух бинарных факторов это дает 2×2 = 4 условия. Дизайн должен быть рассчитан на обнаружение как основных эффектов, так и предполагаемых эффектов взаимодействия.

2

Участники случайным образом распределяются по одному из факториальных условий. Рандомизация обычно проводится с использованием сгенерированных компьютером последовательностей распределения с сокрытием для предотвращения систематической ошибки отбора. Рекомендуется блокирование или стратификация по ключевым ковариатам (например, место проведения, тяжесть состояния) для балансировки условий и повышения точности.

3

Каждый участник получает комбинацию уровней факторов, назначенную его условию, в течение всего периода вмешательства. Ослепление применяется везде, где это возможно — участники не знают о полном назначении своего условия (одностороннее ослепление), а оценщики дополнительно ослеплены относительно назначения (двустороннее ослепление) для предотвращения систематических ошибок выполнения и обнаружения.

4

Первичные и вторичные исходы измеряются в заранее определенные моменты времени с использованием валидированных инструментов. Для клинических факториальных РКИ исходы обычно собираются в начале исследования, в конце лечения и в период последующего наблюдения. Первичная конечная точка определяется до раскрытия информации для защиты от систематической ошибки отчетности исходов.

5

Анализ использует факториальный дисперсионный анализ (ANOVA) или регрессионную модель, которая включает члены для каждого основного эффекта и все члены взаимодействия факторов. Член взаимодействия (A×B) проверяет, отличается ли эффект одного фактора при разных уровнях другого. Если взаимодействие незначительно, основные эффекты интерпретируются независимо; значимое взаимодействие требует условного анализа (простых эффектов) и изменяет практическую интерпретацию результатов.

Частые ошибки

  • Недостаточная мощность теста взаимодействия — исследователи часто рассчитывают мощность факториального РКИ только для основных эффектов и обнаруживают, что не могут надежно интерпретировать член взаимодействия, что сводит на нет одну из основных целей дизайна.
  • Игнорирование предположения об отсутствии качественного взаимодействия — если направление эффекта одного фактора меняется в зависимости от уровня другого фактора, объединение данных по условиям для анализа основных эффектов является вводящим в заблуждение и потенциально вредным в клинических условиях.
  • Неполные факториальные дизайны без обоснования — исключение определенных комбинаций факторов из соображений удобства нарушает ортогональность, которая обеспечивает эффективность факториального РКИ, и требует более сложных аналитических корректировок.
  • Неучет кластеризации — в исследованиях, где единицей рандомизации являются группы (например, школы, клиники), а не отдельные лица, игнорирование кластеризации в анализе увеличивает частоту ошибок типа I.
  • Интерпретация основных эффектов без предварительной проверки взаимодействия — сообщение об основных эффектах как универсально применимых при наличии значимого взаимодействия является распространенной и серьезной ошибкой.

Часто задаваемые вопросы

Является ли факториальное РКИ всегда более эффективным, чем проведение отдельных исследований?

Только когда взаимодействие между факторами мало или отсутствует. Если факторы сильно взаимодействуют, объединение условий, которое делает факториальное РКИ эффективным, не является обоснованным, и предпочтительными могут быть отдельные или последовательные исследования. Прирост эффективности реален, когда соблюдается аддитивность, но это должно быть оценено, а не предполагаться.

Как рассчитать размер выборки для факториального РКИ?

Необходимо указать целевые показатели мощности для основных эффектов и, что особенно важно, для взаимодействия, если его обнаружение является целью исследования. Эффекты взаимодействия обычно требуют примерно в четыре раза большего размера выборки, чем основной эффект той же величины. Программное обеспечение, такое как G*Power, PASS, или пользовательское моделирование, может выполнять расчеты мощности для факториальных дизайнов. Настоятельно рекомендуется консультация со статистиком перед окончательным утверждением дизайна.

В чем разница между факториальным РКИ и многорукавным исследованием?

Многорукавное исследование сравнивает несколько отдельных методов лечения с общим контролем, обычно анализируя каждое рукав против контроля независимо. Факториальное РКИ пересекает два или более фактора, так что каждый участник вносит вклад в оценку основного эффекта каждого фактора, позволяя тестировать взаимодействие и обеспечивая большую статистическую эффективность при аддитивности. Многорукавные исследования предпочтительны, когда методы лечения концептуально различны и взаимодействия не представляют интереса.

Можно ли использовать факториальный дизайн в перекрестном или кластерно-рандомизированном исследовании?

Да. Факториальные дизайны могут быть встроены в перекрестные или кластерно-рандомизированные структуры. Кластерно-рандомизированное факториальное РКИ рандомизирует целые группы по факториальным условиям; перекрестное факториальное РКИ предполагает, что участники получают различные комбинации факторов последовательно. Обе комбинации вводят дополнительную аналитическую сложность — эффекты переноса в перекрестных дизайнах и внутриклассовую корреляцию в кластерных дизайнах — и требуют специализированной статистической консультации.

Что добавляет структура MOST к факториальному РКИ?

MOST (Multiphase Optimization Strategy), разработанная Линдой Коллинз и ее коллегами, представляет собой принципиальную структуру для использования факториальных РКИ на этапах скрининга и уточнения при разработке многокомпонентного вмешательства перед окончательным исследованием эффективности. Она определяет правила принятия решений для сохранения или исключения компонентов на основе основных эффектов и взаимодействий, направляя итеративную оптимизацию, а не простые выводы «принять/отклонить».

Похожие методы

Источники

  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.

    Открыть ссылку DOI
    Скопировано.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Скопировано.