整形外科手術におけるランダム化比較試験におけるクラスタリング解析の使用

整形外科研究におけるクラスタリング解析の使用に関する研究は、現在、これらの重要な統計的方法を採用している研究のごく一部であることを示唆している。 クラスタリングのための調整の存在に関連する予測変数の多変数モデリングは、クラスタリングの調整の任意のタイプと研究チームに疫学者/臨床試験方法論者の包含との間に強く、有意な関連を示した。

私たちの研究にはいくつかの長所と短所があります。 まず、2006年から2010年の間に整形外科のトップ五つの雑誌に掲載されたすべてのRCTを体系的に同定しました。 特定のジャーナルに限定するこの方法は、包含基準を満たす潜在的な記事を逃す可能性のある電子文献検索とは対照的に、記事のターゲット集団全体を トップ5のジャーナルを使用することで、私たちの調査結果に保守的な推定値を仮定することもできます。 しかし、一方で、これは他の雑誌やより広範な整形外科文献に一般化することはできません。 また、単一の個人がすべての記事を包含したのに対し、第二の個人は記事のランダムな選択をクロスチェックし、選択バイアスを最小限に抑えました。

同定された論文は、その後、包含のためにレビューされ、関連するデータは、疫学と生物統計学の経験を持つ単一の研究者によって抽出されました。 この抽出方法は、記事全体の一貫性を可能にし、プロセス全体で均質な定義を維持しました; しかし、単一のレビュアーによる抽出によるバイアスの可能性があるかもしれませんが、両方の著者は抽出プロセスを通じて会い、抽出されたデータの解釈を明確にしました。 対象集団内のすべての記事からすべての関連データを抽出する努力にもかかわらず、データはいくつかの記事で過小報告されていました。 欠落したデータは、変数”biostatistician”と”epidemiologist/clinical trials methodologist”のために特に注目に値する;著者または研究メンバーの専門分野の大半は、記事で報告されていないか、見出しから容易に 不足しているデータを最小限に抑えるために、各記事の対応する著者に連絡し、研究チームのメンバーの専門分野について尋ねました。 しかし、すべての著者がデータの要求に応答したわけではありません。 ここでの過少報告は、私たちの結果に偏りがあるかもしれません。 一つの可能性は、研究メンバーの専門分野を報告していない研究では、クラスタリング分析を実行する可能性が低い可能性があることです。 この場合、我々の研究は、より高品質の記事を表し、したがって、潜在的にクラスタリング分析の使用の過剰な推定値になるだろう。 この仮説はまだ検証されていません。

これらのデータの分析に使用される段階的回帰の方法は、いくつかの文脈で議論の余地がありますが、一般的に仮説検定と生成の受け入れられた方法 私たちは、クラスタリングの会計の予測因子を調査する他の文献を認識していない、とこの目的の調査の性質は、このアプローチに私たちを導きました。 これらの知見を検証するためにはさらなる研究が必要である。 さらに、私たちの分析でクラスタリングの会計処理にGEEsを使用する方法は、最近ポアソンデータでタイプ1エラーの可能性を高めることが示されていますが、バイナリ結果では示されていません。 つまり、別の論文では、モンテカルロシミュレーションは、GEEモデルは、バイナリ結果を調べるときに他の方法よりもクラスタ内の均質性を検出する際に優れたパワーを持っていたことを示しました。 このアプローチの妥当性を判断するために、追加のシミュレーションを実行することをお勧めします。

この研究の最終的な潜在的な弱点は、2010年のカットオフ日である。 これらのデータのカットオフ日から分析までの一年半で、整形外科RCT研究におけるクラスタリング分析の使用レベルが変化している可能性があります。 しかし、このような変更を引き起こす可能性のある既知の識別可能なイベントはなく、これは限界的な懸念となっています。 全体として、我々の分析は、我々がこれらのジャーナルのためにレビューした論文の年にのみ適用されます。 しかし、我々はまだ、この分析は整形外科手術における比較的最近のRctとクラスタリング解析の使用を表すと主張しています。

いくつかの論文がこれまでRctでクラスタリングを考慮に入れることの重要性を示してきましたが、このタイプの分析はまだ標準的な方法になっていません。 我々の研究は、これらの重要な方法のいずれかを使用して含まれている記事のわずか21.5％で、整形外科文献に掲載されたRctのクラスタリング効果の調整 私たちの知る限りでは、私たちの研究は、Rctにおけるクラスタリング調整の使用の潜在的な予測因子を最初に見たものです。 クラスタリングの調整に関連する予測変数の多変数モデリングは、クラスタリングの調整の任意のタイプと研究チームの疫学者/臨床試験方法論者の あらゆるタイプの専門家（疫学者/臨床試験方法学者または生物統計学者）を含めることにも大きな効果が見られた。 この発見は、臨床研究方法で特別に訓練された個人が適切な方法論を採用する可能性が高いという点で期待された。 研究におけるクラスタリングの調整と研究チームの疫学者または臨床試験方法論者の存在との関連性を実証することにより、これらの重要な統計的方法の使用を改善するための実用的な方法の推奨を行うことができる。 例えば、疫学者または臨床研究方法論者を先験的に研究設計段階に含めることにより、クラスタリングの影響を制限または制御する適切な方法が計画され、実施されることを保証することができる（例えば、、層別化、センター/プロバイダの数の制限、均質なクラスターサイズ、クラスタリングを調整するための統計分析）。

私たちは、生物統計学者の包含がクラスタリング調整法の使用の増加と有意に関連していないことを発見したことに驚いた。 一つの潜在的な説明は、生物統計学者は、多くの場合、分析段階にのみ含まれているのに対し、疫学者や臨床試験方法論者は、多くの場合、研究の設計段階か 私たちの結果は、ランダム化または統計分析のいずれかにおけるクラスタリング効果を考慮すると定義されているので、研究における専門家の先験的な関与が重要な考慮事項である。 この先験的対アドホック包含は、適切な調整技術のより多くの使用に関連している可能性があります;しかし、この仮説は、テストされるべきままです。

研究チームに対する適切な著者の専門性の欠如に加えて、クラスタリング効果の調整が現在一般的な慣行ではないという他の潜在的な理由がいくつ 前述したように、クラスタリングの調整は、一般的に、特定のパワーに必要なサンプルサイズを増加させ、募集をより長くまたはより困難なプロセスにし、潜在的に資金調達およびその他のリソースニーズを増加させる。 これは、最初に研究内のクラスタリング効果を調べることに興味があるかもしれない研究者の障壁として働く可能性があります。 私たちは、含まれている研究の多くが、セラピストが同様の訓練を受けていること、またはセラピスト間に顕著な違いがないことを報告しているこ しかし、クラスタリング効果がまだ存在し、セラピストの平等が仮定できないため、これは不十分です。 臨床試験者は、関連する場所でこれらの分析を実行し、機関審査委員会およびピアレビュー担当者は、これらの分析の必要性を指摘するように注意す さらに、これらの調整をいつ、どのように行うことができるかを概説し、具体的な例とこの必要性の経験的証拠を提供する一連の基準を開発すること

クラスタリングの効果は、クラスターで割ったときに力不足である研究では検出することが困難な場合があります; しかし、潜在的なクラスタリングの存在を無視する統計分析は、おそらく過度に正確で誤解を招く推定値になります。 クラスタリング効果を持つ研究のサンプルサイズの計算を実行する方法は、関心のある主要な結果のデータの種類（連続、バイナリ、カウントなど）に依存 文献にはいくつかの方法が提案されており、いくつかの統計パッケージはこれらの推定値を導出する能力を有する。 例として、多くの研究では、サンプルサイズを計算するためにICCが必要な連続データを生成するアウトカム測定を使用しています。 いくつかの努力は、外科的試験で使用される様々な結果のためのIccのデータベースの作成を通じてクラスタリング分析の使用を奨励するために進行中 これらのデータベースは、異なる結果のためのIccの可能性の高い大きさに関する研究者の情報を提供し、試験の計画段階でクラスタリング効果推定値の使 これにより、研究の設計段階で正確なサンプルサイズ計算が可能になり、仮説をテストするのに十分なパワーが得られます。 クックら。 利用可能なデータの最適な使用には、ICC推定値の正式なメタ分析が必要であることを示唆しています。 さらに、臨床研究におけるバイナリデータとカウントデータのクラスタリングのためのサンプルサイズ計算と会計処理の方法には、より多くの作業が必 この重要な研究は、結果によって可能なクラスタリング効果の研究者に通知し、潜在的なクラスタリング効果の先験的な理解を通じて分析におけるよ