klaszterelemzés alkalmazása randomizált, kontrollált vizsgálatokban ortopédiai sebészetben

tanulmányunk a klaszterelemzés ortopédiai kutatásban történő alkalmazásáról azt sugallja, hogy a vizsgálatok kis része jelenleg ezeket a fontos statisztikai módszereket alkalmazza. A klaszterezés korrekciójával kapcsolatos prediktorok többváltozós modellezése erős és jelentős összefüggést mutatott a klaszterezés bármilyen típusa és az epidemiológus/klinikai vizsgálatok módszertanának a vizsgálati csoportba való felvétele között.

tanulmányunknak számos erőssége és gyengesége van. Először szisztematikusan azonosítottuk az összes RCT-t, amelyet az ortopédiai sebészet öt legfontosabb folyóiratában publikáltak 2006 és 2010 között. Ez a módszer, amely bizonyos folyóiratokra korlátozódik, lehetővé tette a cikkek teljes célpopulációjának azonosítását, szemben az elektronikus irodalmi kereséssel, amely hiányozhat a felvételi kritériumoknak megfelelő potenciális cikkekből. Az első öt folyóirat használata konzervatív becslés feltételezését is lehetővé teszi eredményeinkben. De másrészt ez nem általánosítható más folyóiratokra vagy a tágabb ortopédiai irodalomra. Továbbá, míg egyetlen egyén felvette az összes cikket, egy második személy ellenőrizte a cikkek véletlenszerű kiválasztását, ami minimalizálja a kiválasztási elfogultságot.

az azonosított cikkeket ezután áttekintették a felvétel céljából, és a releváns adatokat egyetlen epidemiológiai és biostatisztikai tapasztalattal rendelkező kutató vonta ki. Ez az extrakciós módszer lehetővé tette az árucikkek közötti konzisztenciát, és a folyamat során homogén meghatározásokat tartott fenn; bár az egyetlen recenzens általi kitermelés miatt előfordulhat elfogultság, mindkét szerző találkozott az extrakciós folyamat során, hogy tisztázza a kinyert adatok értelmezését. Annak ellenére, hogy erőfeszítéseket tettek az összes releváns adat kinyerésére a célpopuláció összes cikkéből, számos cikkben aluljelentették az adatokat. A hiányzó adatok különösen figyelemre méltóak voltak a “biostatistician” és az “epidemiologist/clinical trials methodologist” változók esetében; a szerzők vagy a tanulmány tagjainak többségét nem jelentették a cikkekben, vagy a címsorokból könnyen azonosíthatók. A hiányzó adatok minimalizálása érdekében minden cikk megfelelő szerzőjével felvették a kapcsolatot, és megkérdezték a vizsgálati csoport tagjainak specialitásait. Azonban nem minden szerző válaszolt az adatkérésre. Az aluljelentés itt torzíthatja eredményeinket. Az egyik lehetőség az, hogy azok a tanulmányok, amelyek nem jelentik a tanulmányi tagok specialitásait, kevésbé valószínű, hogy klaszterelemzést végeznek. Ha ez lenne a helyzet, tanulmányunk a jobb minőségű cikkeket képviselné, ezért potenciálisan túlbecsüli a klaszterelemzés alkalmazását. Ezt a hipotézist még tesztelni kell.

az adatok elemzéséhez használt lépésenkénti regressziós módszer bizonyos összefüggésekben ellentmondásos, de általában továbbra is elfogadott módszer a hipotézis tesztelésére és generálására. Nem ismerünk olyan irodalmat, amely a klaszterezés elszámolásának előrejelzőit vizsgálná, és ennek a célnak a vizsgálati jellege vezetett minket ehhez a megközelítéshez. További vizsgálatokra van szükség ezen eredmények igazolásához. Továbbá, a Gees felhasználásának módszere a klaszterezés elszámolásához elemzéseinkben a közelmúltban Poisson-adatokban mutatták be a típus valószínűségének növelése érdekében 1 hibák, de nem bináris eredményekben. Vagyis egy másik cikkben a Monte Carlo szimulációk azt mutatták, hogy a GEE modelleknek jobb teljesítményük volt a klaszteren belüli homogenitás kimutatásában, mint más módszereknek a bináris eredmények vizsgálatakor . Javasoljuk, hogy további szimulációkat végezzenek e megközelítés érvényességének meghatározására.

a tanulmány végső lehetséges gyengesége a 2010-es határidő. Lehetséges, hogy a határidő és ezen adatok elemzése közötti másfél év alatt az ortopédiai RCT vizsgálatokban a klaszterelemzés alkalmazásának szintje megváltozott. Nincs azonban olyan ismert azonosítható esemény, amely ilyen változást kezdeményezne, ami marginális aggodalomra ad okot. Átfogó, elemzésünk csak arra az évre vonatkozik, amikor ezeket a folyóiratokat áttekintettük. De még mindig úgy véljük, hogy ez az elemzés viszonylag friss RCT-ket jelent az ortopédiai sebészetben és azok csoportosítási elemzéseinek használatában.

bár korábban számos tanulmány bizonyította a klaszterezés figyelembevételének fontosságát az RCT-kben, ez a fajta elemzés még nem vált általános gyakorlattá . Tanulmányunk azt sugallja, hogy az ortopédiai irodalomban közzétett RCT-k csoportosítási hatásainak kiigazítása alacsony prevalenciával rendelkezik, a cikkek mindössze 21,5% – a használja ezeket a fontos módszereket. Legjobb tudásunk szerint tanulmányunk az első, amely megvizsgálja a klaszterezés alkalmazásának lehetséges előrejelzőit kiigazítás az RCT-kben. A klaszterezés korrekciójához kapcsolódó prediktorok többváltozós modellezése erős és jelentős összefüggést mutatott a klaszterezés bármilyen típusa és az epidemiológus/klinikai vizsgálatok módszertanának a vizsgálati csoportba való felvétele között. Nagy hatást figyeltek meg bármilyen típusú szakember (epidemiológus/klinikai vizsgálatok módszertana vagy biostatisztikusa) bevonására is. Ez a megállapítás várható volt, mivel a klinikai kutatási módszerekre speciálisan képzett egyének nagyobb valószínűséggel alkalmaznak megfelelő módszertant. A klaszterezés kiigazítása közötti összefüggés bemutatásával egy vizsgálatban epidemiológus vagy klinikai vizsgálati módszertan jelenléte a vizsgálati csoportban, képesek vagyunk ajánlásokat tenni gyakorlati módokra ezen fontos statisztikai módszerek alkalmazásának javítására. Például egy epidemiológus vagy klinikai kutatási módszertan bevonása a vizsgálat tervezési szakaszába a priori biztosíthatja, hogy megfelelő módszereket tervezzenek és hajtsanak végre, amelyek korlátozzák vagy szabályozzák a klaszterezés hatásait (pl., rétegződés, a központok/szolgáltatók számának korlátozása, homogén klaszterméretek, statisztikai elemzések a klaszterezéshez való alkalmazkodáshoz).

meglepődve tapasztaltuk, hogy a biostatisztikusok bevonása nem volt szignifikánsan összefüggésben a klaszterbeállítási módszerek fokozott használatával. Az egyik lehetséges magyarázat az, hogy az epidemiológusok vagy a klinikai vizsgálati módszertanok gyakran szerepelnek a vizsgálat tervezési fázisában, míg a biostatisztikusok gyakran csak az elemzési szakaszban szerepelnek. Mivel eredményünket úgy definiáljuk, hogy a klaszterezés hatásait randomizálásban vagy statisztikai elemzésben számoljuk el, a szakember bevonása a priori a vizsgálat fontos szempont. Ez a priori versus ad hoc befogadás társulhat a megfelelő kiigazítási technikák nagyobb mértékű alkalmazásával; ezt a hipotézist azonban még tesztelni kell.

a megfelelő szerzői specializáció hiánya mellett a tanulmányi csoportokban számos más lehetséges oka van annak, hogy a klaszterezési hatások kiigazítása jelenleg nem általános gyakorlat. Mint már említettük, a klaszterezés kiigazítása általában növeli az adott hatalomhoz szükséges mintanagyságot, ami hosszabb vagy nehezebb folyamatgá teszi a toborzást, és potenciálisan növeli a finanszírozási és egyéb erőforrás-igényeket. Ez akadályt jelenthet azoknak a kutatóknak, akik kezdetben érdeklődhetnek a klaszterhatások vizsgálatában tanulmányaik során. Megállapítottuk, hogy a mellékelt tanulmányok közül sok arról számolt be, hogy a terapeuták hasonló képzésben részesültek, vagy hogy a terapeuták között nem volt különbség. De ez nem elegendő, mivel a klaszterező hatások továbbra is fennállhatnak, és a terapeuták egyenlősége nem feltételezhető. Javasoljuk, hogy a klinikai trialisták végezzék el ezeket az elemzéseket, ahol relevánsak, és hogy az intézményi felülvizsgálati testületek és a szakértői bírálók körültekintően mutassanak rá ezen elemzések szükségességére. Emellett ki lehetne dolgozni egy olyan szabványrendszert, amely felvázolja, hogy mikor és hogyan lehet ezeket a kiigazításokat elvégezni, konkrét példákkal és empirikus bizonyítékokkal szolgálva erre az igényre.

a klaszterezés hatását nehéz lehet kimutatni azokban a vizsgálatokban, amelyek alulteljesítettek, ha klaszterrel osztják el; a potenciális csoportosulás jelenlétét figyelmen kívül hagyó statisztikai elemzések azonban nagy valószínűséggel túlságosan pontos, ezért félrevezető becsléseket eredményeznek . A klaszterező hatású vizsgálatok mintaméret-számításainak elvégzésének módszerei az elsődleges érdeklődésre számot tartó adatok típusától függenek (pl. folyamatos, bináris, gróf). A szakirodalom számos módszert javasol, és számos statisztikai csomag képes levezetni ezeket a becsléseket . Például sok tanulmány olyan eredménymérőket használ, amelyek folyamatos adatokat állítanak elő, amelyekhez ICC – re van szükség a minta méretének kiszámításához; ehhez a klaszteren belüli és közötti eltérések előzetes ismerete szükséges . Számos erőfeszítés folyik a klaszterelemzés használatának ösztönzésére az ICC-k adatbázisainak létrehozásával a műtéti vizsgálatok során használt különféle eredményekhez . Ezek az adatbázisok információt adnak a kutatóknak az ICC-k valószínű nagyságáról a különböző eredmények szempontjából, és lehetővé teszik a klaszterhatás becsléseinek használatát a vizsgálat tervezési szakaszaiban. Ez viszont lehetővé teszi a minta méretének pontos kiszámítását a vizsgálat tervezési szakaszában, így megfelelő erő a hipotézisek tesztelésére . Szakács és munkatársai. javasoljuk, hogy a rendelkezésre álló adatok optimális felhasználása magában foglalja az ICC becsléseinek hivatalos metaanalízisét. Ezenkívül további munkára van szükség a mintaméret-számításokkal és a bináris és számlálási adatok klaszterezésének számviteli módszereivel kapcsolatban a klinikai kutatásban. Ezt a fontos kutatást prioritásként kell kezelni azzal a céllal, hogy tájékoztassák a kutatókat a lehetséges klaszterezési hatásokról az eredmény alapján, és lehetővé tegyék az elemzések jobb gyakorlatait a lehetséges klaszterezési hatások előzetes megértése révén.