Skip to content
กลับไปยังผลการค้นหา

การทดลองแบบสุ่มและมีกลุ่มควบคุมแบบกลุ่ม — การสุ่มระดับกลุ่ม

ผู้เสนอ
Cornfield (1978); systematised by Donner and colleagues (1980s)
ปี
1978–1980s
ประเภท
Experimental design
กลุ่มวิธี
Experimental design

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การทดลองแบบสุ่มและมีกลุ่มควบคุมแบบกลุ่ม (cluster RCT) เป็นการออกแบบการทดลองที่กลุ่มสังคมหรือองค์กรที่สมบูรณ์ — เช่น โรงเรียน คลินิก หมู่บ้าน หรือสถานที่ทำงาน — ถูกสุ่มกำหนดเงื่อนไขการรักษา แทนที่จะเป็นผู้เข้าร่วมแต่ละราย ผลลัพธ์ยังคงวัดได้ในระดับบุคคล แต่หน่วยของการสุ่มคือกลุ่ม การออกแบบนี้มีความจำเป็นเมื่อมีการให้การแทรกแซงแก่ทั้งกลุ่ม เมื่อมีความเสี่ยงของการปนเปื้อนระหว่างผู้เข้าร่วมในสภาพแวดล้อมเดียวกัน หรือเมื่อการสุ่มระดับบุคคลไม่สามารถทำได้ในทางปฏิบัติหรือทางจริยธรรม

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพการทดสอบวิธีการสอนใหม่ในโรงเรียน คุณไม่สามารถสุ่มนักเรียนแต่ละคนในชั้นเรียนเดียวกันได้ — ครูจะใช้วิธีการผสมผสานกันอย่างหลีกเลี่ยงไม่ได้ และเด็กๆ จะแบ่งปันกลยุทธ์ต่างๆ แทน คุณสุ่มโรงเรียนทั้งหมดเพื่อรับวิธีการใหม่หรือดำเนินการตามหลักสูตรปกติ นักเรียนในโรงเรียนเดียวกันมีแนวโน้มที่จะคล้ายคลึงกันมากกว่านักเรียนในโรงเรียนอื่น (พวกเขาแบ่งปันครู วัฒนธรรม และทรัพยากรเดียวกัน) ดังนั้นการวิเคราะห์ต้องคำนึงถึงการจัดกลุ่มนี้ การออกแบบนี้เสียกำลังทางสถิติบางส่วนเมื่อเทียบกับการสุ่มระดับบุคคล แต่สะท้อนถึงวิธีการที่การแทรกแซงทางการศึกษาและสาธารณสุขทำงานจริงในโลกแห่งความเป็นจริง

ประวัติศาสตร์

การรักษาทางสถิติอย่างเป็นทางการครั้งแรกของสหสัมพันธ์ภายในกลุ่มในการออกแบบแบบสุ่มกลุ่มได้รับการตีพิมพ์โดย Jerome Cornfield ในปี 1978 ซึ่งเตือนว่าการทดลองที่สุ่มกลุ่มแต่ทำการวิเคราะห์ระดับบุคคลจะเอนเอียงไปในทางที่ต่อต้านความอนุรักษ์นิยมอย่างเป็นระบบ Allan Donner และเพื่อนร่วมงานได้พัฒนาโครงสร้างการวิเคราะห์ในช่วงทศวรรษ 1980 และตีพิมพ์ตำราพื้นฐานของสาขานี้ในปี 2000 CONSORT extension สำหรับ cluster RCT ซึ่งตีพิมพ์ครั้งแรกโดย Campbell และเพื่อนร่วมงานในปี 2004 และปรับปรุงในปี 2012 ได้กำหนดมาตรฐานการรายงานที่ปัจจุบันจำเป็นโดยวารสารหลัก Cluster RCT มีความโดดเด่นเป็นพิเศษในการวิจัยสุขภาพโลกและการศึกษาในช่วงทศวรรษ 1990 และ 2000 เนื่องจากมีการทดลองแทรกแซงชุมชนขนาดใหญ่แสดงให้เห็นว่าการควบคุมการปนเปื้อนมีความจำเป็นสำหรับการประเมินโปรแกรมสาธารณสุขที่ถูกต้อง

ควรใช้เมื่อใด

ใช้ cluster RCT เมื่อการแทรกแซงถูกส่งมอบให้กับกลุ่มโดยธรรมชาติ (เช่น นโยบาย โปรแกรมฝึกอบรม การรณรงค์ชุมชน) เมื่อการปนเปื้อนระหว่างผู้เข้าร่วมที่สุ่มระดับบุคคลในสภาพแวดล้อมเดียวกันมีแนวโน้มที่จะเกิดขึ้นและจะทำให้การประมาณค่าผลการรักษาเอนเอียง หรือเมื่อการสุ่มระดับบุคคลเป็นไปไม่ได้ในทางปฏิบัติหรือยอมรับไม่ได้ทางจริยธรรม การออกแบบนี้ต้องการจำนวนกลุ่มที่เพียงพอ — อย่างน้อย 6 กลุ่มต่อแขน และควรมี 20 กลุ่มขึ้นไปต่อแขน — เพื่อให้มีกำลังเพียงพอและสนับสนุนการอนุมานที่แข็งแกร่ง **ห้าม** ใช้ cluster RCT เมื่อการสุ่มระดับบุคคลสามารถทำได้และไม่มีความเสี่ยงต่อการปนเปื้อน เนื่องจากโครงสร้างกลุ่มจะลดกำลังและทำให้การวิเคราะห์ซับซ้อน หลีกเลี่ยงการใช้เมื่อจำนวนกลุ่มที่มีอยู่มีน้อยมาก (น้อยกว่า 6 กลุ่มต่อแขน) เนื่องจากการประมาณค่า ICC และความแปรปรวนระดับกลุ่มจะไม่น่าเชื่อถือ และค่าความคลาดเคลื่อนมาตรฐานจะถูกประเมินต่ำเกินไปแม้จะมีการวิเคราะห์ที่แก้ไขการจัดกลุ่มแล้ว

ข้อจำกัดและข้อควรพิจารณา

  • กำลังทางสถิติลดลงเมื่อเทียบกับการสุ่มระดับบุคคลสำหรับจำนวนผู้เข้าร่วมทั้งหมดเท่ากัน จำเป็นต้องมีผู้เข้าร่วมมากขึ้นเพื่อชดเชยผลกระทบของการออกแบบ
  • ต้องการจำนวนกลุ่มที่มีความหมาย (โดยทั่วไป 20+ กลุ่มต่อแขน) เพื่อให้มีกำลังเพียงพอและการประมาณค่า ICC ที่น่าเชื่อถือ การทดลองที่มีกลุ่มน้อยมีกำลังไม่เพียงพอและเปราะบางต่อการวิเคราะห์
  • ซับซ้อนในทางปฏิบัติ: การประสานงานการสุ่ม การส่งมอบการแทรกแซง และการรวบรวมข้อมูลในหลายไซต์ต้องใช้โครงสร้างพื้นฐานที่สำคัญ
  • กลุ่มที่หลุดออกไป (โรงเรียนหรือคลินิกทั้งหมดถอนตัว) อาจส่งผลกระทบอย่างรุนแรงต่อกำลังและทำให้เกิดความเอนเอียงที่การหลุดออกไปของบุคคลไม่ก่อให้เกิด
  • ต้องประมาณค่า ICC หรือสมมติฐานล่วงหน้าสำหรับการคำนวณขนาดตัวอย่าง การสมมติฐาน ICC ที่ไม่ถูกต้องนำไปสู่การศึกษาที่มีกำลังมากเกินไปหรือน้อยเกินไป

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ป้องกันการปนเปื้อนระหว่างเงื่อนไขเมื่อการแทรกแซงทำงานในระดับกลุ่ม รักษาความสมบูรณ์ของการเปรียบเทียบ
  • ช่วยให้สามารถประเมินการแทรกแซงที่ไม่สามารถทำได้ในทางปฏิบัติหรือทางจริยธรรมในระดับบุคคล
  • สนับสนุนการสรุปผลไปยังบริบทการส่งมอบจริง — การแทรกแซงจะถูกทดสอบในสภาพแวดล้อมที่จะนำไปใช้ในที่สุด
  • การสุ่มกลุ่มแบบแบ่งชั้นหรือแบบจับคู่สามารถบรรลุความสมดุลของตัวแปรที่เกี่ยวข้องได้ดี แม้จะมีจำนวนกลุ่มปานกลาง
  • เมื่อวิเคราะห์อย่างถูกต้อง จะให้ค่าประมาณผลการแทรกแซงที่ไม่เอนเอียง ซึ่งคำนึงถึงความสัมพันธ์ภายในกลุ่ม

การประยุกต์ใช้

  • การประเมินการแทรกแซงในโรงเรียน เช่น โปรแกรมต่อต้านการกลั่นแกล้งหรือหลักสูตรใหม่ โดยที่ห้องเรียนหรือโรงเรียนเป็นหน่วยของการส่งมอบ
  • การทดสอบแคมเปญสาธารณสุขระดับชุมชน (เช่น การป้องกันเอชไอวี สุขอนามัย การรณรงค์ฉีดวัคซีน) ที่สุ่มในระดับหมู่บ้านหรือเขต
  • การประเมินโครงการปรับปรุงคุณภาพในสถานพยาบาล โดยมีสถานพยาบาลแพทย์ทั่วไป คลินิก หรือหอผู้ป่วยในโรงพยาบาลเป็นกลุ่มที่สุ่ม
  • การประเมินโปรแกรมส่งเสริมสุขภาพหรือความปลอดภัยในที่ทำงานที่มอบให้กับทั้งทีมหรือแผนก
  • การทดสอบการปฏิรูปนโยบายหรือการกำกับดูแลในบริการสังคม โดยที่หน่วยงานบริหาร (เช่น หน่วยงานท้องถิ่น) เป็นกลุ่มตามธรรมชาติ

วิธีการทำงาน

วิธีการทำงาน

1

ระบุกลุ่มที่เกิดขึ้นตามธรรมชาติหรือกลุ่มที่กำหนดโดยการบริหารที่จะทำหน้าที่เป็นหน่วยของการสุ่ม — ตัวอย่างเช่น โรงเรียน การปฏิบัติงานของแพทย์ทั่วไป หมู่บ้าน หรือหอผู้ป่วยในโรงพยาบาล กลุ่มควรมีความคล้ายคลึงกันมากที่สุดเท่าที่จะเป็นไปได้ในด้านขนาดและลักษณะพื้นฐานที่เกี่ยวข้อง การแบ่งชั้นหรือการจับคู่กลุ่มก่อนการสุ่มเป็นสิ่งที่แนะนำอย่างยิ่งเพื่อปรับปรุงความสมดุลและกำลัง

2

สูตรคำนวณขนาดตัวอย่างมาตรฐานสำหรับการทดลองแบบสุ่มระดับบุคคลจะประเมินจำนวนผู้เข้าร่วมที่ต้องการต่ำกว่าความเป็นจริงอย่างเป็นระบบ เนื่องจากข้อสังเกตภายในกลุ่มเดียวกันมีความสัมพันธ์กัน ผลกระทบของการออกแบบ (DEFF) จะเพิ่มขนาดตัวอย่างที่ต้องการ: DEFF = 1 + (m − 1) × ICC โดยที่ m คือขนาดกลุ่มเฉลี่ย และ ICC (สัมประสิทธิ์สหสัมพันธ์ภายในกลุ่ม) คือสัดส่วนของความแปรปรวนทั้งหมดที่เกิดจากความแตกต่างระหว่างกลุ่ม ทั้งจำนวนกลุ่มและจำนวนผู้เข้าร่วมต่อกลุ่มต้องได้รับการวางแผนอย่างชัดเจน

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

กลุ่ม — ไม่ใช่บุคคล — ถูกจัดสรรแบบสุ่มให้กับแขนการรักษาหรือแขนควบคุม การสุ่มอาจเป็นการสุ่มแบบง่าย การแบ่งชั้นตามตัวแปรที่เกี่ยวข้องในระดับกลุ่ม (เช่น ชนบท/ในเมือง ประสิทธิภาพพื้นฐาน) หรือการจับคู่ เนื่องจากจำนวนกลุ่มมักจะน้อย (10–100) การสุ่มแบบแบ่งชั้นหรือแบบจับคู่ช่วยลดโอกาสของความไม่สมดุลในตัวแปรกวนที่สำคัญได้อย่างมาก

4

การแทรกแซงจะถูกบริหารจัดการในระดับกลุ่ม (เช่น โปรแกรมฝึกอบรมที่มอบให้กับเจ้าหน้าที่ทั้งหมดในคลินิก) ขั้นตอนต้องป้องกันการปนเปื้อนข้าม — การรั่วไหลของการแทรกแซงจากกลุ่มที่ได้รับการรักษาไปยังกลุ่มควบคุม — ซึ่งมักเป็นเหตุผลหลักในการเลือกการออกแบบนี้เหนือกว่าการสุ่มระดับบุคคล

5

ผลลัพธ์ระดับบุคคลจะถูกรวบรวมจากผู้เข้าร่วมที่อยู่ในแต่ละกลุ่ม ลักษณะพื้นฐานและผลลัพธ์ควรได้รับการบันทึกสำหรับบุคคลที่ยินยอมทั้งหมดภายในกลุ่มที่สุ่ม การสูญเสียการติดตามทั้งในระดับกลุ่มและระดับบุคคลต้องได้รับการติดตามและรายงานแยกต่างหาก เนื่องจากกลุ่มที่หลุดออกไปนั้นส่งผลเสียอย่างยิ่งต่อกำลังและความถูกต้อง

6

การวิเคราะห์การถดถอยมาตรฐานหรือการทดสอบทีที่ละเลยการจัดกลุ่มจะให้ค่าความคลาดเคลื่อนมาตรฐานที่เล็กเกินไป ทำให้เกิดข้อผิดพลาดประเภทที่ 1 การวิเคราะห์ที่ถูกต้อง ได้แก่: (1) สรุปข้อมูลระดับกลุ่มที่วิเคราะห์เป็นหน่วย (การวิเคราะห์ค่าเฉลี่ยกลุ่ม); (2) แบบจำลองผลกระทบแบบผสมระดับบุคคลที่มีจุดตัดแบบสุ่มสำหรับกลุ่ม; (3) สมการประมาณค่าทั่วไป (GEE) ที่มีโครงสร้างความสัมพันธ์การทำงานระดับกลุ่ม ICC ที่ประเมินจากข้อมูลควรได้รับการรายงานเพื่อแจ้งการทดลองในอนาคต

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

ข้อผิดพลาดที่พบบ่อย

  • การวิเคราะห์เสมือนว่าผู้เข้าร่วมได้รับการสุ่มระดับบุคคล — การละเลยโครงสร้างการจัดกลุ่มจะทำให้ค่าความคลาดเคลื่อนมาตรฐานเล็กเกินไปและเพิ่มอัตราข้อผิดพลาดประเภทที่ 1 บางครั้งอย่างมาก ต้องใช้วิธีการวิเคราะห์ที่คำนึงถึงการจัดกลุ่มเสมอ
  • กลุ่มน้อยเกินไป — การทดลองที่มีเพียง 4–6 กลุ่มต่อแขนมีกำลังต่ำมากและอาจให้ค่าประมาณ ICC ที่ทำให้เข้าใจผิด — พิจารณาว่าการศึกษามีค่าควรดำเนินการหรือไม่หากไม่มีกลุ่มเพิ่มเติม
  • ขนาดกลุ่มไม่เท่ากันโดยไม่มีการปรับ — ความแปรปรวนขนาดใหญ่ของขนาดกลุ่มลดประสิทธิภาพและทำให้การวิเคราะห์ซับซ้อน — คำนึงถึงสิ่งนี้ในการวางแผนขนาดตัวอย่างและใช้การวิเคราะห์แบบถ่วงน้ำหนักหรือแบบผสม
  • การไม่รายงาน ICC — หากไม่มี ICC ที่สังเกตได้ ผู้วิจัยในภายหลังจะไม่สามารถใช้การทดลองเพื่อแจ้งการคำนวณขนาดตัวอย่างสำหรับการทดลอง cluster RCT ในอนาคตในโดเมนเดียวกันได้
  • การสุ่มหลังจากการสรรหา — การเลือกผู้เข้าร่วมก่อนการสุ่มกลุ่มและการอนุญาตให้พวกเขาทราบการกำหนดของตนเองจะทำให้เกิดความล้มเหลวในการปกปิดการจัดสรรและความเอนเอียงในการเลือก

คำถามที่พบบ่อย

Cluster RCT แตกต่างจาก RCT มาตรฐานอย่างไร

ในการทดลอง RCT มาตรฐาน ผู้เข้าร่วมแต่ละคนจะถูกสุ่มกำหนดให้ได้รับการรักษาหรือควบคุม ใน cluster RCT กลุ่มทั้งหมด (กลุ่ม) — เช่น โรงเรียนหรือคลินิก — จะถูกสุ่มกำหนด ผลลัพธ์ยังคงวัดได้จากบุคคล แต่หน่วยของการสุ่มและแหล่งที่มาหลักของความแปรปรวนสำหรับการคำนวณกำลังคือกลุ่ม ไม่ใช่บุคคล ความแตกต่างนี้เปลี่ยนแปลงข้อกำหนดขนาดตัวอย่างและแนวทางการวิเคราะห์ที่ถูกต้องอย่างสิ้นเชิง

สัมประสิทธิ์สหสัมพันธ์ภายในกลุ่ม (ICC) คืออะไร และเหตุใดจึงสำคัญ

ICC (rho) วัดสัดส่วนของความแปรปรวนของผลลัพธ์ทั้งหมดที่เกิดจากความแตกต่างระหว่างกลุ่ม แทนที่จะเป็นความแตกต่างระหว่างบุคคลภายในกลุ่ม แม้แต่อัตรา ICC ที่ต่ำ (เช่น 0.05) ก็สามารถเพิ่มขนาดตัวอย่างที่ต้องการได้อย่างมาก สูตรผลกระทบของการออกแบบ DEFF = 1 + (m − 1) × ICC แสดงให้เห็นว่าด้วยผู้เข้าร่วม 50 คนต่อกลุ่มและ ICC = 0.05 คุณต้องการผู้เข้าร่วมมากกว่าการทดลองแบบสุ่มระดับบุคคลถึง 3.45 เท่า

ฉันต้องการกลุ่มกี่กลุ่ม

จำนวนขั้นต่ำทั่วไปอยู่ที่ประมาณ 6 กลุ่มต่อแขนสำหรับการทดลองที่ถูกต้อง แต่สิ่งนี้ให้กำลังต่ำมากสำหรับ ICC และขนาดผลลัพธ์ที่เป็นจริงส่วนใหญ่ ยี่สิบกลุ่มขึ้นไปต่อแขนเป็นเป้าหมายที่ใช้กันอย่างแพร่หลายสำหรับการอนุมานที่น่าเชื่อถือ ขนาดตัวอย่างควรคำนวณอย่างเป็นทางการโดยใช้ ICC ที่คาดการณ์ ขนาดกลุ่มเฉลี่ย กำลังที่ต้องการ และขนาดผลลัพธ์ที่คาดการณ์ ซอฟต์แวร์ เช่น PASS, Stata's clustersampsi หรือแพ็คเกจ R clusterPower หรือ CRTpowerPack สามารถช่วยได้

ฉันควรใช้วิธีการวิเคราะห์ใด

แนวทางหลักสองประการคือ: (1) การวิเคราะห์ระดับกลุ่ม — คำนวณสถิติสรุป (เช่น ค่าเฉลี่ยผลลัพธ์) สำหรับแต่ละกลุ่มและวิเคราะห์ข้อมูลสรุปเหล่านี้ด้วยการทดสอบทีหรือ ANCOVA โดยถือว่ากลุ่มเป็นหน่วย; และ (2) การถดถอยแบบผสมผลกระทบระดับบุคคลที่มีจุดตัดแบบสุ่มสำหรับกลุ่ม หรือ GEE ที่มีความสัมพันธ์การทำงานที่แลกเปลี่ยนกันได้ แบบจำลองผลกระทบแบบผสมและ GEE จะเป็นที่ต้องการเมื่อต้องปรับตัวแปร หรือเมื่อขนาดกลุ่มไม่เท่ากัน ทุกแนวทางต้องคำนึงถึงการจัดกลุ่ม — การวิเคราะห์ที่ละเลยการจัดกลุ่มนั้นไม่ถูกต้อง

เมื่อใดที่การปนเปื้อนเป็นข้อกังวลที่แท้จริง

การปนเปื้อนจะร้ายแรงที่สุดเมื่อผู้เข้าร่วมในกลุ่มควบคุมสามารถเข้าถึงหรือนำการรักษาไปใช้ได้จริง — ตัวอย่างเช่น หากผู้เข้าร่วมการแทรกแซงใช้พื้นที่ทางกายภาพ เครือข่ายสังคม หรือช่องทางการสื่อสารเดียวกันกับผู้เข้าร่วมกลุ่มควบคุม ตัวอย่างคลาสสิก: การแทรกแซงเพื่อสร้างแรงจูงใจที่มอบให้กับพยาบาลบางคนในหอผู้ป่วย ซึ่งพยาบาลคนอื่นๆ สังเกตเห็นและเลียนแบบ; หรือการทดลองใบปลิวให้ความรู้ด้านสุขภาพซึ่งใบปลิวหมุนเวียนระหว่างครัวเรือนในละแวกเดียวกัน หากการปนเปื้อนไม่น่าเป็นไปได้ (เช่น เทคนิคการผ่าตัดที่สุ่มระหว่างโรงพยาบาลที่ไม่ใช้บุคลากรร่วมกัน) การสุ่มระดับบุคคลมักจะเป็นที่ต้องการมากกว่า

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    ISBN: 978-1498728225
    คัดลอกแล้ว