Bruk av clustering analyse I randomiserte kontrollerte studier i ortopedisk kirurgi

vår studie om bruk av clustering analyse i ortopedisk forskning tyder på at en liten andel av studiene er i dag benytter disse viktige statistiske metoder. Multivariabel modellering av prediktorer assosiert med tilstedeværelse av justering for clustering viste en sterk og signifikant sammenheng mellom enhver type klyngejustering og inkludering av en epidemiolog/kliniske studier metodolog på studieteamet.

vår studie har flere styrker og svakheter. For det første identifiserte vi systematisk HVER RCT publisert i de fem beste tidsskriftene for ortopedisk kirurgi mellom 2006 og 2010. Denne metoden for å begrense til bestemte tidsskrifter gjorde det mulig å identifisere hele målgruppen av artikler, i motsetning til et elektronisk litteratursøk som kan gå glipp av potensielle artikler som oppfyller inklusjonskriteriene. Bruk av de fem beste tidsskriftene tillater også antagelsen om et konservativt estimat i våre funn. Men på den annen side kan dette ikke generaliseres til andre tidsskrifter eller til den bredere ortopediske litteraturen. Også, mens et enkelt individ gjorde inkludering for alle artikler, kryssjekket et annet individ et tilfeldig utvalg av artikler, noe som minimerer noen utvalgsskjevhet.

Identifiserte artikler ble deretter gjennomgått for inkludering og relevante data ble hentet ut av en enkelt forsker med erfaring innen epidemiologi og biostatistikk. Denne ekstraksjonsmetoden tillot konsistens på tvers av artikler og opprettholdt homogene definisjoner gjennom hele prosessen; imidlertid, mens det kan være potensial for bias på grunn av utvinning av en enkelt anmelder, møtte begge forfatterne gjennom hele utvinningsprosessen for å klargjøre tolkninger av hentet data. Til tross for arbeidet med å hente ut alle relevante data fra alle artiklene i målpopulasjonen, ble data underrapportert i flere av artiklene. Manglende data var spesielt kjent for variablene “biostatistiker ” og” epidemiolog/kliniske studier metodolog”; flertallet av forfatter-eller studiemedlemmespesialiteter ble ikke rapportert i artiklene eller lett identifiserbare fra overskrifter. I et forsøk på å minimere de manglende dataene ble den tilsvarende forfatteren av hver artikkel kontaktet og spurt om spesialiteter fra medlemmer av studieteamet. Imidlertid reagerte ikke alle forfattere på forespørselen om data. Underrapporteringen her kan forstyrre resultatene våre. En mulighet er at studier som ikke rapporterer studiemedlemsspesialiteter, kan ha vært mindre tilbøyelige til å utføre klyngeanalyse. Hvis dette var tilfelle, ville vår studie representere artikler av høyere kvalitet og derfor potensielt være et overestimat av bruken av clustering analyse. Denne hypotesen gjenstår å bli testet.

metoden for trinnvis regresjon brukt i analysen av disse dataene er kontroversiell i noen sammenhenger, men generelt forblir en akseptert metode for hypotesetesting og generering. Vi er ikke klar over noen annen litteratur som undersøker prediktorer for regnskap for clustering, og undersøkelsesegenskapen til dette målet førte oss til denne tilnærmingen. Videre studier er nødvendig for å verifisere disse funnene. Videre har metoden For Å bruke GEEs for å regnskapsføre clustering i våre analyser nylig blitt vist I Poisson-data for å øke sannsynligheten for type 1-feil, men ikke i binære utfall. Det er, I En annen papir Monte Carlo simuleringer viste AT GEE modeller hadde bedre makt til å oppdage innen-cluster homogenitet enn gjorde andre metoder når undersøke binære utfall . Vi anbefaler at flere simuleringer utføres for å fastslå gyldigheten av denne tilnærmingen.

en endelig potensiell svakhet i studien er cut – off dato for 2010. Det er mulig at i og et halvt år mellom vår cut-off dato og analyse av disse dataene, nivåer av bruk av clustering analyse i ortopediske rct studier har endret seg. Det er imidlertid ingen kjent identifiserbar hendelse som ville initiere en slik endring, noe som gjør dette til en marginal bekymring. Samlet sett gjelder vår analyse bare for året av papirer vi har gjennomgått for disse tidsskriftene. Men vi mener fortsatt at denne analysen representerer relativt nyere Rcter i ortopedisk kirurgi og deres bruk av klyngeanalyser.

selv om flere papirer tidligere har vist viktigheten av å ta clustering i betraktning i Rct, har denne typen analyse ennå ikke blitt standard praksis . Vår studie antyder en lav forekomst av justering for klyngeeffekter i Rcter publisert i ortopedisk litteratur, med bare 21,5% av inkluderte artikler som bruker noen av disse viktige metodene. Så vidt vi vet, er vår studie den første som ser på potensielle prediktorer for bruk av klyngejustering i Rcter. Multivariabel modellering av prediktorer assosiert med justering for clustering viste en sterk og signifikant sammenheng mellom enhver type clustering justering og inkludering av en epidemiolog/kliniske studier metodolog på studieteamet. En stor effekt ble også sett for inkludering av enhver type spesialist (epidemiolog/kliniske studier metodolog eller biostatistiker). Dette funnet var forventet, ved at personer som er spesielt opplært i kliniske forskningsmetoder, er mer sannsynlig å ansette riktig metodikk. Ved å demonstrere sammenhengen mellom en justering for clustering i en studie og tilstedeværelsen av en epidemiolog eller kliniske forsøk metodolog på studieteamet, kan vi gi anbefalinger for praktiske måter å forbedre bruken av disse viktige statistiske metodene. For eksempel kan inkludering av en epidemiolog eller klinisk forskningsmetodolog i studiedesignfasen a priori sikre at riktige metoder planlegges og implementeres som begrenser eller kontrollerer effekten av clustering (f. eks., stratifisering, begrensning av antall sentre / leverandører, homogene klyngestørrelser, statistiske analyser for å justere for clustering).

vi ble overrasket over å finne at inkludering av en biostatistiker ikke var signifikant forbundet med økt bruk av klyngejusteringsmetoder. En mulig forklaring er at epidemiologer eller kliniske forsøksmetodologer ofte er inkludert fra designfasen av en studie, mens biostatistikere ofte bare er inkludert i analysefasen. Siden utfallet vårt er definert som regnskap for clustering effekter i enten randomisering eller statistisk analyse, er involvering av en spesialist a priori i studien et viktig hensyn. Denne a priori versus ad hoc inkludering kan være assosiert med en større bruk av riktig justering teknikker; derimot, denne hypotesen gjenstår å bli testet.

i tillegg til mangel på riktig forfatterspesialisering på studieteam, er det flere andre mulige årsaker til at justering for klyngeeffekter for tiden ikke er vanlig praksis. Som nevnt ovenfor, justering for clustering generelt øker utvalgsstørrelsen som trengs for en gitt kraft, noe som gjør rekruttering en lengre eller vanskeligere prosess og potensielt økende finansiering og andre ressursbehov. Dette kan fungere som en barriere for forskere som i utgangspunktet kan være interessert i å undersøke clustering effekter i sine studier. Vi fant at mange av de inkluderte studiene rapporterte at terapeutene hadde lignende opplæring eller at det ikke var noen kjente forskjeller mellom terapeuter. Men dette er utilstrekkelig, da clustering effekter fortsatt kan eksistere og likestilling av terapeuter ikke kan antas. Vi anbefaler at kliniske trialister utfører disse analysene der det er relevant, og at institusjonelle evalueringsgrupper og fagfellevurderte er nøye med å påpeke behovet for disse analysene. I tillegg kan det utvikles et sett med standarder som skisserer når og hvordan disse justeringene kan gjøres, og gir konkrete eksempler og empiriske bevis på dette behovet.

effekten av clustering kan være vanskelig å oppdage i studier som er underpowered når de deles av klynge; men statistiske analyser som ignorerer tilstedeværelsen av potensielle clustering vil mest sannsynlig resultere i altfor presise og derfor misvisende estimater . Metodene for å utføre utvalgsstørrelsesberegninger for studier med klyngeeffekter avhenger av typen data for det primære utfallet av interesse (f.eks. kontinuerlig, binær, telling). Flere metoder er foreslått i litteraturen, og flere statistiske pakker har evnen til å utlede disse estimatene . Som et eksempel bruker mange studier utfallsmål som produserer kontinuerlige data, for HVILKE EN ICC er nødvendig for å beregne utvalgsstørrelse; dette krever en priori kunnskap om innen-og mellom-klyngeavvik . Flere tiltak er i gang for å oppmuntre til bruk av clustering analyse gjennom etablering Av databaser Av ICCs for ulike utfall som brukes i kirurgiske studier . Disse databasene vil gi forskere informasjon om den sannsynlige omfanget Av ICCs for ulike utfall og muliggjøre bruk av clustering effektestimater i planleggingsstadiene av en studie. Dette vil igjen muliggjøre nøyaktig utvalgsstørrelsesberegning i designfasen av en studie og dermed tilstrekkelig kraft til å teste hypoteser . Cook et al. foreslå at optimal bruk av tilgjengelige data vil innebære en formell meta-analyse AV ICC-estimater. Videre er det behov for mer arbeid på utvalgsstørrelsesberegninger og metoder for regnskap for clustering for binære og telledata i klinisk forskning. Denne viktige forskningen bør prioriteres, med mål om å informere forskere om mulige clustering effekter ved utfall og muliggjøre bedre praksis i analyser gjennom a priori forståelse av potensielle clustering effekter.