析因随机对照试验
- 提出者
- R. A. Fisher (factorial design foundations); adapted into clinical trials via MOST framework (Collins et al., 2014)
- 年份
- 1926 (Fisher factorial foundations); 2000s–2010s (clinical factorial RCT formalization)
- 类型
- Experimental trial design
- 类别
- Experimental design
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
析因随机对照试验(Factorial RCT)是一种实验设计,其中参与者被随机分配到两个或多个独立因素(治疗或干预组成部分)的所有可能组合中。这使得研究人员能够在一次高效的试验中估计每个因素的主要效应及其相互作用,而不是为每个因素进行单独的实验。
方法背后的直觉
设想同时测试一种新药和一种行为咨询计划。析因RCT不进行两次单独的试验,而是将参与者随机分配到四个组:仅用药、仅咨询、用药加咨询、以及均不用药。你可以了解到药物是否有效、咨询是否有效,以及——关键的是——它们联合使用的效果是否优于单独使用时的预期效果。析因结构可以从一项研究中榨取多个问题的答案,前提是你有足够多的参与者来可靠地估计相互作用。
历史学
析因实验是由罗纳德·A·费舍尔(Ronald A. Fisher)于20世纪20年代在罗斯特姆实验站(Rothamsted Experimental Station)开发的,作为一种同时研究多种农业处理的方法。费舍尔的《实验设计》(The Design of Experiments, 1935)正式确立了该方法。析因设计在20世纪末进入临床试验,最著名的是1988年的ISIS-2心血管大型试验,该试验采用了2×2析因设计来独立测试阿司匹林和链激酶。琳达·柯林斯(Linda Collins)及其同事在21世纪提出的MOST框架,为析因RCT在行为干预优化中提供了系统性的作用。
何时使用
当你需要同时评估两个或多个干预组成部分或剂量,并希望估计它们各自和联合的效果时,使用析因RCT——这是多组分行为、药物或公共卫生干预措施优化中的典型场景。多阶段优化策略(MOST)框架特别推荐在干预开发筛选阶段使用析因RCT。不要使用析因RCT的情况包括:(1)研究效力不足以检测相互作用,导致相互作用估计不可靠;(2)因素之间存在已知的强相互作用,违反了证明效率所需的相加性假设;(3)因素数量非常多(超过四个二元因素会导致条件数量庞大且招募需求增加);或(4)伦理或后勤限制阻止了某些因素组合的管理。
局限与注意事项
- 样本量需求随着因素数量的增加而增加,特别是随着检测相互作用的需求而增加,这通常需要与相同幅度主要效应所需的样本量四倍的样本量。
- 管理许多不同的组合会增加方案的复杂性,并且如果工作人员或参与者对条件矩阵感到困惑,可能会降低干预的保真度。
- 因素之间先验的强相互作用会削弱效率论证——如果因素必须一起测试,那么析因设计的好处就较小。
- 当发现多个显著的相互作用时,解释会变得复杂——必须为相互作用因素的每个水平分别报告简单的主要效应。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 在一项试验中评估多个因素及其相互作用,与为每个因素单独进行试验相比,大大减少了总样本量和时间。
- 提供相互作用效应的直接证据——因素是增强、减弱还是中和彼此的效果。
- 非常适合MOST等框架下的多组分干预开发优化阶段。
- 保留了随机化的因果推断优势,同时控制了所有因素的混杂。
- 灵活——可以适应连续、二元或有序结局以及各种分析模型。
应用
- 筛选行为健康干预的多种组成部分(例如,哪种组合的短信提醒、咨询电话和奖励最有效地用于戒烟)。
- 在一项临床试验中同时优化药物治疗的剂量和频率以及心理社会联合干预。
- 评估数字健康功能——测试推送通知、游戏化和社会比较功能是否能独立提高应用程序参与度。
- 农业和食品科学研究,评估土壤处理、肥料类型和灌溉水平组合对作物产量的影响。
- 教育研究,同时在随机分配的课堂中测试教学方法和反馈时机。
- 公共卫生预防试验,其中联合评估两个或多个社区级干预措施(例如,媒体宣传和社区卫生工作者)。
使用方式
使用方式
研究人员指定两个或多个独立因素(例如,因素A:药物与安慰剂;因素B:咨询与无咨询),每个因素具有固定的水平数。所有因素水平的组合定义了实验条件——对于两个二元因素,这会产生2×2=4个条件。该设计应有足够的效力来检测主要效应和预期的相互作用效应。
参与者被随机分配到析因条件之一。随机化通常使用计算机生成的分配序列进行,并进行隐藏以防止选择偏倚。建议对关键协变量(例如,研究中心、疾病严重程度)进行分层或分块,以平衡条件并提高精度。
每位参与者在整个干预期间接受分配给其条件的因素水平组合。在可行的情况下进行盲法——参与者不知道其完整的条件分配(单盲),评估者另外对分配进行盲法(双盲),以防止表现和检测偏倚。
在预先设定的时间点使用经过验证的工具测量主要和次要结局。对于临床析因RCT,结局通常在基线、治疗结束和随访时收集。主要终点在揭盲前定义,以防止结局报告偏倚。
分析使用析因方差分析或回归模型,该模型包含每个主要效应项和所有因素相互作用项。相互作用项(A×B)检验一个因素的效果是否在另一个因素的水平之间存在差异。如果相互作用可以忽略不计,则主要效应可以独立解释;显著的相互作用需要条件性(简单效应)分析,并改变结果的实际解释。
常见陷阱
- 相互作用检验的效力不足——研究人员经常仅为主要效应计算析因RCT的效力,却发现他们无法可靠地解释相互作用项,这违背了该设计的主要目的之一。
- 忽略了无定性相互作用的假设——如果一个因素的效果方向取决于另一个因素的水平而逆转,那么在主要效应分析中合并不同条件是误导性的,并且在临床环境中可能是有害的。
- 不完整的析因设计且无正当理由——出于方便而省略某些因素组合会破坏析因RCT的效率所依赖的正交性,并需要更复杂的分析调整。
- 未能考虑聚类——在以群体(例如,学校、诊所)而非个体作为随机化单位的试验中,分析中忽略聚类会夸大第一类错误率。
- 在检查相互作用之前解释主要效应——当存在显著相互作用时,将主要效应报告为普遍适用,这是一个常见且严重的错误。
常见问题
析因RCT是否总是比单独进行试验更有效?
仅当因素之间的相互作用很小或不存在时。如果因素之间存在强烈的相互作用,那么使析因RCT高效的条件合并就不再有效,此时单独或顺序试验可能更可取。当相加性成立时,效率的提高是真实的,但这应该被评估,而不是被假定。
如何计算析因RCT的样本量?
您需要为主要效应指定功效目标,并且至关重要的是,如果检测相互作用是研究目标,也需要为相互作用指定功效目标。相互作用效应通常需要与相同幅度主要效应所需的样本量大致四倍的样本量。G*Power、PASS等软件或自定义模拟可以处理析因样本量计算。强烈建议在最终确定设计之前咨询统计学家。
析因RCT与多臂试验有何区别?
多臂试验将几种单独的治疗与一个共同的对照组进行比较,通常独立地分析每个臂与对照组的比较。析因RCT将两个或多个因素交叉组合,使得每个参与者都为估计每个因素的主要效应做出贡献,从而在相加性条件下实现相互作用测试和更高的统计效率。当治疗在概念上是独立的且不关注相互作用时,多臂试验是首选。
可以在交叉设计或整群随机试验中使用析因设计吗?
可以。析因设计可以嵌入到交叉或整群随机框架中。整群随机析因RCT将完整的群体随机分配到析因条件;交叉析因RCT则让参与者按顺序接受不同的因素组合。这两种组合都会增加分析的复杂性——交叉设计中的残留效应,整群设计中的组内相关性——并且需要专门的统计建议。
MOST框架为析因RCT增加了什么?
MOST(多阶段优化策略)由琳达·柯林斯及其同事开发,它提供了一个原则性框架,用于在多组分干预开发的筛选和精炼阶段使用析因RCT,然后再进行最终的有效性试验。它规定了基于主要效应和相互作用保留或删除组成部分的决策规则,指导迭代优化而不是简单的接受/拒绝结论。
相关方法
参考文献
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.
打开 DOI 文献已复制。Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN:978-1119492443已复制。