İçeriğe atla
Arama sonuçlarına dön

Faktöriyel Randomize Kontrollü Çalışma

Ortaya koyan
R. A. Fisher (factorial design foundations); adapted into clinical trials via MOST framework (Collins et al., 2014)
Yıl
1926 (Fisher factorial foundations); 2000s–2010s (clinical factorial RCT formalization)
Tür
Experimental trial design
Aile
Experimental design

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Faktöriyel randomize kontrollü çalışma (faktöriyel RKÇ), katılımcıların iki veya daha fazla bağımsız faktörün (tedaviler veya müdahale bileşenleri) tüm olası kombinasyonlarına aynı anda rastgele atandığı deneysel bir tasarımdır.

Bu, araştırmacıların tek bir verimli çalışma içinde her faktörün ana etkisini ve etkileşimlerini tahmin etmelerine olanak tanır; bu, her faktör için ayrı deneyler yürütmek yerine yapılır.

Yöntemin mantığı

Yeni bir ilacı davranışsal danışmanlık programıyla birlikte test ettiğinizi hayal edin. İki ayrı deneme yürütmek yerine, bir faktöriyel RKÇ katılımcıları rastgele dört gruba atar: yalnızca ilaç, yalnızca danışmanlık, ilaç artı danışmanlık ve hiçbiri. İlacın işe yarayıp yaramadığını, danışmanlığın işe yarayıp yaramadığını ve - kritik olarak - bireysel etkilerinden beklenenden daha iyi birlikte çalışıp çalışmadıklarını öğrenirsiniz. Faktöriyel yapı, yeterli sayıda katılımcınız olduğu sürece, etkileşimleri güvenilir bir şekilde tahmin etmek için birden fazla soruyu tek bir çalışmadan çıkarır.

Tarih

Faktöriyel deney, Ronald A. Fisher tarafından Rothamsted Deneysel İstasyonu'nda 1920'lerde birden fazla tarımsal tedaviyi aynı anda incelemek için bir yöntem olarak geliştirilmiştir. Fisher'ın Deney Tasarımı (1935) yaklaşımı biçimlendirmiştir. Faktöriyel tasarımlar, 20. yüzyılın sonlarında, en önemlisi aspirin ve streptokinazı bağımsız olarak test etmek için 2×2 faktöriyel tasarım kullanan ISIS-2 (1988) gibi kardiyovasküler mega-denemelerde klinik denemelere girmiştir. Linda Collins ve meslektaşları tarafından 2000'lerde formüle edilen MOST çerçevesi, faktöriyel RKÇ'ye davranışsal müdahale optimizasyonunda sistematik bir rol vermiştir.

Ne zaman kullanılır?

İki veya daha fazla müdahale bileşenini veya dozunu aynı anda değerlendirmeniz ve bireysel ve kümülatif etkilerini verimli bir şekilde tahmin etmek istediğinizde bir faktöriyel RKÇ kullanın - bu, çok bileşenli davranışsal, farmakolojik veya halk sağlığı müdahalelerinin optimizasyonunda tipik bir senaryodur. Çok Aşamalı Optimizasyon Stratejisi (MOST) çerçevesi, müdahale geliştirmenin tarama aşaması için özellikle faktöriyel RKÇ'leri önerir. Bir faktöriyel RKÇ kullanmayın: (1) çalışma etkileşimleri tespit etmek için yetersiz güce sahipse, etkileşim tahminini güvenilmez hale getiriyorsa; (2) faktörlerin verimlilik iddiasını haklı çıkarmak için gereken toplamsallık varsayımını ihlal eden bilinen güçlü etkileşimleri varsa; (3) faktör sayısı çok fazlaysa (dörtten fazla ikili faktör, yönetilmesi zor koşul sayılarına ve işe alım taleplerine yol açar); veya (4) etik veya lojistik kısıtlamalar belirli faktör kombinasyonlarının uygulanmasını engelliyorsa.

Sınırlar ve dikkat edilmesi gerekenler

  • Örneklem büyüklüğü gereksinimleri, faktörlerin sayısıyla ve özellikle de etkileşim testlerini güçlendirme ihtiyacıyla artar, bu da tipik olarak aynı büyüklükteki bir ana etki için gereken örneklemin dört katını gerektirir.
  • Çok sayıda farklı kombinasyonun uygulanması protokol karmaşıklığını artırır ve personel veya katılımcılar koşul matrisinden kafaları karıştığında müdahale sadakatini azaltabilir.
  • Faktörler arasındaki güçlü a priori etkileşimler, verimlilik argümanını zayıflatabilir - faktörler zaten birlikte test edilmek zorundaysa, bir faktöriyel tasarım daha az avantaj sunar.
  • Birden fazla anlamlı etkileşim bulunduğunda yorumlama karmaşıklaşır - basit ana etkiler, etkileşen faktörün her seviyesi için ayrı ayrı raporlanmalıdır.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Tek bir çalışmada birden fazla faktörü ve etkileşimlerini değerlendirir, her faktör için ayrı denemeler yürütmeye kıyasla toplam örneklem ve süreyi önemli ölçüde azaltır.
  • Etkileşim etkileri hakkında doğrudan kanıt sağlar - faktörlerin birbirlerinin etkilerini güçlendirip, azaltıp veya etkisiz hale getirip getirmediği.
  • MOST gibi çerçeveler altında çok bileşenli müdahale geliştirmenin optimizasyon aşamasına iyi uyum sağlar.
  • Randomizasyonun nedensel çıkarım avantajlarını korur, tüm faktörler için eşzamanlı olarak karıştırıcıları kontrol eder.
  • Esnek - sürekli, ikili veya sıralı sonuçları ve çeşitli analitik modelleri barındırabilir.

Uygulama alanları

  • Bir davranışsal sağlık müdahalesinin birden fazla bileşenini tarama (örneğin, sigarayı bırakma için metin hatırlatıcıları, danışmanlık çağrıları ve teşviklerin hangi kombinasyonu en etkilidir).
  • Tek bir klinik çalışmada farmakolojik bir tedavinin dozunu ve sıklığını bir psikososyal eş-müdahale ile optimize etme.
  • Dijital sağlık özelliklerini değerlendirme - anlık bildirimlerin, oyunlaştırmanın ve sosyal karşılaştırma özelliklerinin uygulama katılımını bağımsız olarak iyileştirip iyileştirmediğini test etme.
  • Ürün verimliliği üzerinde toprak tedavileri, gübre türleri ve sulama seviyelerinin kombinasyonlarını değerlendiren tarım ve gıda bilimi araştırmaları.
  • Eğitim araştırmaları, randomize sınıflar arasında eşzamanlı olarak öğretim yöntemlerini ve geri bildirim zamanlamasını test etme.
  • İki veya daha fazla topluluk düzeyindeki müdahalenin (örneğin, medya kampanyası ve toplum sağlığı çalışanları) birlikte değerlendirildiği halk sağlığı önleme denemeleri.

Nasıl çalışır?

Nasıl çalışır?

1

Araştırmacı, her biri sabit sayıda seviyeye sahip iki veya daha fazla bağımsız faktör (örneğin, Faktör A: ilaç ve plasebo; Faktör B: danışmanlık ve danışmanlık yok) belirtir. Faktör seviyelerinin tüm kombinasyonları deneysel koşulları tanımlar - iki ikili faktör için bu 2×2 = 4 koşul üretir. Tasarım, hem ana etkileri hem de beklenen etkileşim etkilerini tespit etmek için yeterli güce sahip olmalıdır.

2

Katılımcılar rastgele faktöriyel koşullardan birine atanır. Randomizasyon, seçim yanlılığını önlemek için gizlilikle bilgisayar tarafından oluşturulan atama dizileri kullanılarak tipik olarak gerçekleştirilir. Koşulları dengelemek ve hassasiyeti artırmak için ana kovaryatlar (örneğin, yer, şiddet) üzerinde bloklama veya tabakalama önerilir.

3

Her katılımcı, tam müdahale süresi boyunca koşullarına atanan faktör seviyelerinin kombinasyonunu alır. Mümkün olan her yerde körleme uygulanır - katılımcılar tam koşul atamalarından habersiz tutulur (tek körlü) ve değerlendiriciler performans ve tespit yanlılığını önlemek için atamaya ek olarak körlenir (çift körlü).

4

Birincil ve ikincil sonuçlar, doğrulanmış araçlar kullanılarak önceden belirlenmiş zaman noktalarında ölçülür. Klinik faktöriyel RKÇ'ler için, sonuçlar tipik olarak temel çizgi, tedavi sonu ve takipte toplanır. Birincil son nokta, sonuç raporlama yanlılığını önlemek için körleme açılmadan önce tanımlanır.

5

Analiz, her ana etki ve tüm faktör etkileşim terimleri için terimleri içeren bir faktöriyel ANOVA veya regresyon modeli kullanır. Etkileşim terimi (A×B), bir faktörün etkisinin diğerinin seviyeleri boyunca değişip değişmediğini test eder. Etkileşim ihmal edilebilir ise, ana etkiler bağımsız olarak yorumlanabilir; anlamlı bir etkileşim koşullu (basit etkiler) analiz gerektirir ve sonuçların pratik yorumunu değiştirir.

Sık yapılan hatalar

  • Etkileşim testini yetersiz güçlendirme - araştırmacılar sıklıkla bir faktöriyel RKÇ'yi yalnızca ana etkiler için güçlendirir ve etkileşim terimini güvenilir bir şekilde yorumlayamayacaklarını keşfederler, bu da tasarımın ana amaçlarından birini boşa çıkarır.
  • Niteliksel etkileşim olmaması varsayımını göz ardı etme - bir faktörün etkisinin yönü diğerinin seviyesine bağlı olarak tersine dönüyorsa, ana etkiler analizi için koşullar üzerinden toplama yanıltıcı ve klinik bağlamlarda potansiyel olarak zararlıdır.
  • Gerekçelendirilmemiş eksik faktöriyel tasarımlar - kolaylık için belirli faktör kombinasyonlarını atlamak, faktöriyel RKÇ'nin verimliliğini sağlayan ortogonalliği bozar ve daha karmaşık analitik ayarlamalar gerektirir.
  • Kümelenmeyi hesaba katmama - grupların (örneğin, okullar, klinikler) bireyler yerine rastgeleleştirme birimi olduğu çalışmalarda, analizde kümelenmeyi göz ardı etmek Tip I hata oranlarını şişirir.
  • Etkileşimi kontrol etmeden ana etkileri yorumlama - anlamlı bir etkileşim mevcut olduğunda ana etkileri evrensel olarak uygulanabilir olarak raporlamak yaygın ve ciddi bir hatadır.

Sık sorulan sorular

Bir faktöriyel RKÇ her zaman ayrı denemeler yürütmekten daha mı verimlidir?

Yalnızca faktörler arasındaki etkileşim küçük veya yoksa. Faktörler güçlü bir şekilde etkileşirse, bir faktöriyel RKÇ'yi verimli kılan koşulların havuzlanması geçerli değildir ve ayrı veya sıralı denemeler tercih edilebilir. Toplamsallık geçerliyse verimlilik kazanımları gerçektir, ancak bu varsayılmamalı, değerlendirilmelidir.

Bir faktöriyel RKÇ için örneklem büyüklüğünü nasıl hesaplarım?

Ana etkiler ve özellikle de çalışmanın bir amacı ise etkileşim için güç hedeflerini belirtmeniz gerekir. Etkileşim etkileri tipik olarak aynı büyüklükteki bir ana etki için gereken örneklem büyüklüğünün yaklaşık dört katını gerektirir. G*Power, PASS gibi yazılımlar veya özel simülasyon faktöriyel güç hesaplamalarını yapabilir. Tasarımı sonlandırmadan önce bir istatistikçiye danışılması şiddetle tavsiye edilir.

Faktöriyel RKÇ ile çok kollu bir çalışma arasındaki fark nedir?

Çok kollu bir çalışma, tipik olarak her kolu kontrolle bağımsız olarak analiz ederek, birkaç ayrı tedaviyi ortak bir kontrolle karşılaştırır. Bir faktöriyel RKÇ, her katılımcının her faktörün ana etkisinin tahminine katkıda bulunduğu iki veya daha fazla faktörü çaprazlar, bu da toplamsallık altında etkileşim testine ve daha fazla istatistiksel verimliliğe olanak tanır. Tedaviler kavramsal olarak farklıysa ve etkileşimler ilgi çekici değilse çok kollu çalışmalar tercih edilir.

Bir çapraz geçişli veya küme randomize çalışmada faktöriyel tasarım kullanabilir miyim?

Evet. Faktöriyel tasarımlar çapraz geçişli veya küme randomize çerçevelere gömülebilir. Küme randomize faktöriyel RKÇ, sağlam grupları faktöriyel koşullara rastgele atar; çapraz geçişli faktöriyel RKÇ'de katılımcılar sırayla farklı faktör kombinasyonları alırlar. Her iki kombinasyon da ek analitik karmaşıklık getirir - çapraz geçişte kalıntı etkiler ve küme tasarımlarında sınıf içi korelasyon - ve uzman istatistiksel tavsiyesi gerektirir.

MOST çerçevesi faktöriyel RKÇ'ye ne ekler?

Linda Collins ve meslektaşları tarafından geliştirilen MOST (Çok Aşamalı Optimizasyon Stratejisi), kesin bir etkinlik denemesinden önce çok bileşenli bir müdahalenin geliştirilmesinin tarama ve iyileştirme aşamalarında faktöriyel RKÇ'leri kullanmak için ilkeli bir çerçeve sağlar. Ana etkiler ve etkileşimlere dayalı olarak bileşenleri tutma veya bırakma için karar kuralları belirtir, basit kabul/reddedilme sonuçları yerine iteratif optimizasyona rehberlik eder.

İlgili yöntemler

Kaynaklar

  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.

    DOI kaynağını aç
    Kopyalandı.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Kopyalandı.