Küme Rastgele Kontrollü Çalışma — Grup Düzeyinde Rastgele Atama
- Ortaya koyan
- Cornfield (1978); systematised by Donner and colleagues (1980s)
- Yıl
- 1978–1980s
- Tür
- Experimental design
- Aile
- Experimental design
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Bir küme rastgele kontrollü çalışma (küme RKÇ), bireysel katılımcılar yerine okullar, klinikler, köyler veya işyerleri gibi bütün sosyal veya örgütsel grupların tedavi koşullarına rastgele atandığı deneysel bir tasarımdır.
Sonuçlar hala bireysel düzeyde ölçülür, ancak rastgele atamanın birimi kümedir. Bu tasarım, bir müdahale bütün gruplara uygulandığında, aynı ortamdaki katılımcılar arasında bulaşma riski olduğunda veya bireysel rastgele atama lojistik veya etik olarak uygulanamaz olduğunda esastır.
Yöntemin mantığı
Okullarda yeni bir öğretim yöntemini test ettiğinizi hayal edin. Aynı sınıftaki bireysel öğrencileri rastgele atayamazsınız — öğretmen kaçınılmaz olarak yöntemleri karıştırır ve çocuklar stratejileri paylaşır. Bunun yerine, yeni yöntemi almak veya mevcut müfredatla devam etmek üzere tüm okulları rastgele atarsınız. Aynı okuldaki öğrenciler, diğer okullardaki öğrencilere göre birbirlerine daha çok benzeme eğilimindedirler (aynı öğretmeni, kültürü ve kaynakları paylaşırlar), bu nedenle analizler bu kümelenmeyi hesaba katmalıdır. Tasarım, bireysel rastgele atamaya kıyasla istatistiksel gücü bir miktar feda eder, ancak eğitim ve halk sağlığı müdahalelerinin gerçek dünyada nasıl çalıştığını yansıtır.
Tarih
Grup rastgele tasarımlarında sınıf içi korelasyonun ilk resmi istatistiksel tedavisi Jerome Cornfield tarafından 1978'de yayınlandı ve grupları rastgele atayan ancak bireyleri analiz eden çalışmaların sistematik olarak anti-muhafazakar olacağı konusunda uyardı. Allan Donner ve meslektaşları 1980'ler boyunca analitik çerçeveyi geliştirdiler ve 2000 yılında alanın temel ders kitabını yayınladılar. Küme RKÇ'leri için CONSORT uzantısı, ilk olarak Campbell ve meslektaşları tarafından 2004'te yayınlandı ve 2012'de güncellendi, büyük dergiler tarafından artık zorunlu olan raporlama standartlarını belirledi. Küme RKÇ'leri, büyük ölçekli topluluk müdahale denemeleri, halk sağlığı programlarının geçerli değerlendirilmesi için bulaşma kontrolünün gerekli olduğunu gösterdiği 1990'lar ve 2000'lerde küresel sağlık ve eğitim araştırmalarında özellikle öne çıktı.
Ne zaman kullanılır?
Müdahale doğası gereği bir gruba (örneğin, bir politika, bir eğitim programı, bir topluluk kampanyası) uygulandığında, aynı ortamdaki bireysel olarak rastgele atanmış katılımcılar arasında bulaşma olasılığı olduğunda ve bu durum tedavi etkisi tahminini bozduğunda veya bireysel rastgele atama lojistik olarak imkansız veya etik olarak kabul edilemez olduğunda bir küme RKÇ kullanın. Tasarım, yeterli gücü sağlamak ve sağlam çıkarımları desteklemek için yeterli sayıda küme gerektirir — her kol için minimum 6, ideal olarak 20 veya daha fazla. Bireysel rastgele atama mümkün olduğunda ve bulaşma riski olmadığında bir küme RKÇ KULLANMAYIN, çünkü küme tasarımı gücü azaltır ve analizi karmaşıklaştırır. Ayrıca, mevcut küme sayısı çok az olduğunda (her kol için 6'dan az) bundan kaçının, çünkü ICC ve küme düzeyindeki varyansın tahmini güvenilmez olacaktır ve kümelenme düzeltmeli analizlerle bile standart hatalar hafife alınacaktır.
Sınırlar ve dikkat edilmesi gerekenler
- Aynı toplam katılımcı sayısı için bireysel rastgele atamaya kıyasla azaltılmış istatistiksel güç; tasarım etkisini telafi etmek için daha fazla katılımcı gerekir.
- Yeterli güç ve güvenilir ICC tahmini için anlamlı sayıda küme (tipik olarak kol başına 20+) gerektirir; az sayıda küme içeren çalışmalar yetersiz güçlüdür ve analitik olarak kırılgandır.
- Lojistik olarak karmaşık: birden fazla site arasında rastgele atama, müdahale dağıtımı ve veri toplama koordinasyonu önemli altyapı gerektirir.
- Küme kaybı (tüm bir okulun veya kliniğin çekilmesi) gücü ciddi şekilde tehlikeye atabilir ve bireysel kaybın sağlamadığı yanlılığı artırabilir.
- Örneklem büyüklüğü hesaplamaları için ICC'nin tahmin edilmesi veya önceden varsayılması gerekir; yanlış bir ICC varsayımı, aşırı veya yetersiz güçlü bir çalışmaya yol açar.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Müdahale bir grup düzeyinde çalıştığında koşullar arasında bulaşmayı önler, karşılaştırmanın bütünlüğünü korur.
- Bireysel düzeyde uygulanması lojistik veya etik olarak imkansız olan müdahalelerin değerlendirilmesini sağlar.
- Gerçek dünya uygulama bağlamlarına genelleştirmeyi destekler — müdahaleler nihayetinde konuşlandırılacakları ortamlarda test edilir.
- Stratifiye veya eşleştirilmiş küme rastgele ataması, mütevazı sayıda küme ile bile iyi kovaryant dengesi sağlayabilir.
- Düzgün analiz edildiğinde, küme içi korelasyonu hesaba katan müdahale etkilerinin yansız tahminlerini sağlar.
Uygulama alanları
- Sınıfın veya okulun dağıtım birimi olduğu okul temelli müdahalelerin (örneğin, zorbalık karşıtı programlar veya yeni müfredatlar) değerlendirilmesi.
- Köy veya ilçe düzeyinde rastgele atanan topluluk düzeyinde halk sağlığı kampanyalarının (örneğin, HIV önleme, sanitasyon, aşılama erişimi) test edilmesi.
- Pratisyen hekimlikler, klinikler veya hastane servisleri rastgele kümeler olarak kullanılarak sağlık hizmeti ortamlarında kalite iyileştirme girişimlerinin değerlendirilmesi.
- Tüm ekiplere veya departmanlara uygulanan işyeri sağlık veya güvenlik programlarının değerlendirilmesi.
- İdari birimin (örneğin, yerel bir otorite) doğal küme olduğu sosyal hizmetlerde politika veya yönetim reformlarının test edilmesi.
Nasıl çalışır?
Nasıl çalışır?
Rastgele atamanın birimi olarak hizmet edecek doğal olarak oluşan veya idari olarak tanımlanmış grupları belirleyin — örneğin, okullar, pratisyen hekimlikler, köyler veya hastane servisleri. Kümeler, boyut ve ilgili temel özellikler açısından mümkün olduğunca benzer olmalıdır. Dengeyi ve gücü artırmak için rastgele atamadan önce kümelerin stratifikasyonu veya çift eşleştirmesi şiddetle tavsiye edilir.
Bireysel olarak rastgele atanmış çalışmalar için standart örneklem büyüklüğü formülleri, aynı kümedeki gözlemler ilişkili olduğu için gerekli katılımcı sayısını sistematik olarak hafife alır. Tasarım etkisi (DEFF), gerekli örneklem büyüklüğünü şişirir: DEFF = 1 + (m − 1) × ICC, burada m ortalama küme boyutudur ve ICC (sınıf içi korelasyon katsayısı), toplam varyansın kümeler arası farklılıklara atfedilebilen oranıdır. Hem küme sayısı hem de küme başına katılımcı sayısı açıkça planlanmalıdır.
Formül
n = n_{ind} \times (1 + (m-1)\rho)Kümeler — bireyler değil — tedavi veya kontrol kollarına rastgele atanır. Rastgele atama basit, küme düzeyindeki kovaryantlara göre stratifiye edilmiş (örneğin, kentsel/kırsal, temel performans) veya çift eşleştirilmiş olabilir. Kümelerin sayısı tipik olarak az olduğundan (10–100), stratifiye veya eşleştirilmiş rastgele atama, anahtar karıştırıcılar üzerindeki dengesizlik olasılığını önemli ölçüde azaltır.
Müdahale küme düzeyinde uygulanır (örneğin, bir klinikteki tüm personele verilen bir eğitim programı). Prosedürler çapraz bulaşmayı — müdahalenin tedavi edilen kümeden kontrol kümelerine sızmasını — önlemelidir, bu da genellikle bu tasarımı bireysel rastgele atamaya tercih etmenin temel gerekçesidir.
Bireysel düzeydeki sonuçlar, her küme içine yerleştirilmiş katılımcılardan toplanır. Temel özellikler ve sonuçlar, örneklenen kümelerdeki tüm rıza gösteren bireyler için kaydedilmelidir. Hem küme hem de bireysel düzeyde takip kaybı izlenmeli ve ayrı ayrı raporlanmalıdır, çünkü küme kaybı özellikle güç ve geçerlilik için zararlıdır.
Kümelenmeyi göz ardı eden standart regresyon veya t-testi analizleri, çok küçük standart hatalar üretir ve Tip I hatayı şişirir. Geçerli analizler şunları içerir: (1) küme düzeyindeki özetler birim olarak analiz edilir (küme ortalamalarının analizi); (2) küme için rastgele bir kesişim noktasına sahip bireysel düzeydeki karma etkili modeller; (3) küme düzeyinde bir çalışma korelasyon yapısına sahip genelleştirilmiş tahmin denklemleri (GEE). Verilerden tahmin edilen ICC, gelecekteki çalışmaları bilgilendirmek için raporlanmalıdır.
Formül
\text{SE}_{adj} = \text{SE}_{naive} \times \sqrt{1 + (m-1)\rho}Sık yapılan hatalar
- Katılımcıların bireysel olarak rastgele atanmış gibi analiz edilmesi — kümelenme yapısını göz ardı etmek, standart hataların çok küçük olmasına neden olur ve Tip I hata oranlarını, bazen dramatik bir şekilde, şişirir. Her zaman kümelenme farkındalığı olan bir analitik yöntem kullanın.
- Çok az küme — kol başına yalnızca 4-6 küme içeren çalışmalar çok düşük güce sahiptir ve yanıltıcı ICC tahminleri üretebilir; daha fazla küme olmadan çalışmaya değip değmeyeceğini düşünün.
- Ayarlama yapılmadan eşit olmayan küme boyutları — küme boyutundaki büyük varyasyon verimliliği azaltır ve analizi karmaşıklaştırır; bunu örneklem büyüklüğü planlamasında hesaba katın ve ağırlıklı veya karma model analizleri kullanın.
- ICC'nin raporlanmaması — gözlemlenen ICC olmadan, sonraki araştırmacılar aynı alandaki gelecekteki küme RKÇ'leri için örneklem büyüklüğü hesaplamalarını bilgilendirmek üzere çalışmayı kullanamazlar.
- İşe alımdan sonra rastgele atama — küme rastgele atamasından önce katılımcıları seçmek ve atamalarını bilmelerine izin vermek, atama gizleme hatasına ve seçim yanlılığına neden olur.
Sık sorulan sorular
Bir küme RKÇ standart bir RKÇ'den nasıl farklıdır?
Standart bir RKÇ'de, bireysel katılımcılar tedavi veya kontrol için rastgele atanır. Bir küme RKÇ'de, tüm gruplar (kümeler) — okullar veya klinikler gibi — rastgele atanır. Sonuçlar hala bireyler üzerinde ölçülür, ancak rastgele atamanın birimi ve güç hesaplamaları için birincil varyans kaynağı kişiden ziyade kümedir. Bu ayrım, örneklem büyüklüğü gereksinimlerini ve doğru analitik yaklaşımı temelden değiştirir.
Sınıf içi korelasyon katsayısı (ICC) nedir ve neden önemlidir?
ICC (rho), toplam sonuç varyansının kümeler içindeki bireyler arasındaki farklılıklardan ziyade kümeler arasındaki farklılıklara atfedilebilen oranını ölçer. Küçük bir ICC bile (örneğin, 0,05), gerekli örneklem büyüklüğünü büyük ölçüde artırabilir. Tasarım etkisi formülü DEFF = 1 + (m − 1) × ICC, küme başına 50 katılımcı ve ICC = 0,05 ile, bireysel olarak rastgele atanmış bir çalışmanın gerektireceğinden 3,45 kat daha fazla katılımcıya ihtiyacınız olduğunu gösterir.
Kaç kümeye ihtiyacım var?
Geçerli bir çalışma için yaygın bir minimum, kol başına yaklaşık 6 küme civarındadır, ancak bu, çoğu gerçekçi ICC ve etki büyüklüğü için çok düşük güç sağlar. Kol başına yirmi veya daha fazla küme, güvenilir çıkarım için yaygın olarak alıntılanan pratik bir hedeftir. Örneklem büyüklüğü, beklenen ICC, ortalama küme boyutu, istenen güç ve öngörülen etki büyüklüğü kullanılarak resmi olarak hesaplanmalıdır. PASS, Stata'nın clustersampsi veya R paketleri clusterPower veya CRTpowerPack gibi yazılımlar yardımcı olabilir.
Hangi analiz yöntemini kullanmalıyım?
İki ana yaklaşım şunlardır: (1) küme düzeyinde analiz — her küme için bir özet istatistik (örneğin, ortalama sonuç) hesaplayın ve bu özetleri bir t-testi veya ANCOVA ile analiz edin, kümenin birim olarak kabul edilmesi; ve (2) küme için rastgele bir kesişim noktasına sahip bireysel düzeyde karma etkili regresyon veya değişimli bir çalışma korelasyonuna sahip GEE. Kovaryantların ayarlanması gerektiğinde veya küme boyutları eşit olmadığında karma etkili modeller ve GEE tercih edilir. Tüm yaklaşımlar kümelenmeyi hesaba katmalıdır — bunu göz ardı eden analizler geçersizdir.
Bulaşma ne zaman gerçek bir endişe kaynağıdır?
Bulaşma, kontrol kümelerindeki katılımcıların tedaviye gerçekçi bir şekilde erişebileceği veya benimseyebileceği durumlarda en ciddidir — örneğin, müdahale katılımcıları kontrol katılımcılarıyla aynı fiziksel alanı, sosyal ağı veya bilgi kanalını paylaşıyorsa. Klasik örnekler: bir servisteki bazı hemşirelere uygulanan motive edici bir müdahale, diğer hemşirelerin bunu gözlemlemesi ve taklit etmesi; veya aynı mahalledeki evler arasında dolaşan broşürlerin olduğu bir sağlık eğitimi broşürü denemesi. Bulaşma olasılığı düşükse (örneğin, personel paylaşmayan hastaneler arasında rastgele atanan bir cerrahi teknik), bireysel rastgele atama genellikle tercih edilir.
İlgili yöntemler
Kaynaklar
Donner, A., & Klar, N. (2000). Design and Analysis of Cluster Randomization Trials in Health Research. Arnold.
ISBN: 978-0340652978Kopyalandı.Hayes, R. J., & Moulton, L. H. (2017). Cluster Randomised Trials (2nd ed.). CRC Press / Chapman & Hall.
ISBN: 978-1498728225Kopyalandı.