Use of clustering analysis in randomized controlled trials in orthopedic surgery

ons onderzoek naar het gebruik van clustering analysis in orthopedic research suggereert dat een klein deel van de studies momenteel gebruik maakt van deze belangrijke statistische methoden. Multivariabele modellering van voorspellers geassocieerd met de aanwezigheid van aanpassing voor clustering toonde een sterke en significante associatie tussen elk type van clustering aanpassing en het opnemen van een epidemioloog/klinische studies methodoloog in het onderzoeksteam.

onze studie heeft verschillende sterke en zwakke punten. Ten eerste identificeerden we systematisch elke RCT gepubliceerd in de top vijf tijdschriften van orthopedische chirurgie tussen 2006 en 2010. Deze methode van beperking tot specifieke tijdschriften maakte het mogelijk om de gehele doelpopulatie van artikelen te identificeren, in tegenstelling tot een elektronische literatuuronderzoek die potentiële artikelen die aan de inclusiecriteria voldoen zou kunnen missen. Het gebruik van de top vijf tijdschriften maakt ook de veronderstelling van een conservatieve schatting in onze bevindingen. Maar aan de andere kant kan dit niet worden veralgemeend naar andere tijdschriften of naar de bredere orthopedische literatuur. Ook, terwijl een enkel individu deed opname voor alle artikelen, een tweede individu kruiste een willekeurige selectie van artikelen, die elke selectie bias minimaliseert.

geïdentificeerde artikelen werden vervolgens onderzocht voor opname en relevante gegevens werden geëxtraheerd door één enkele onderzoeker met ervaring in epidemiologie en biostatistiek. Deze extractiemethode zorgde voor consistentie tussen artikelen en behield gedurende het hele proces homogene definities; hoewel er mogelijk sprake kan zijn van bias als gevolg van extractie door een enkele recensent, kwamen beide auteurs tijdens het extractieproces bijeen om interpretaties van geëxtraheerde gegevens te verduidelijken. Ondanks inspanningen om alle relevante gegevens uit alle artikelen in de doelpopulatie te halen, werden de gegevens in verschillende artikelen onvoldoende gerapporteerd. Ontbrekende gegevens waren vooral opmerkelijk voor de variabelen “biostatisticus” en “epidemioloog/methodoloog voor klinische proeven”; de meerderheid van de auteurs of leden van het onderzoek specialismen werden niet gerapporteerd in de artikelen of gemakkelijk herkenbaar uit de rubrieken. In een poging om de ontbrekende gegevens te minimaliseren, werd de corresponderende auteur van elk artikel gecontacteerd en gevraagd naar de specialiteiten van de leden van het studieteam. Niet alle auteurs reageerden echter op het verzoek om gegevens. De onderrapportage kan onze resultaten beïnvloeden. Een mogelijkheid is dat studies die geen lid van de studie specialismen rapporteren, minder waarschijnlijk zijn geweest om clustering analyse uit te voeren. Als dit het geval was, zou onze studie de artikelen van hogere kwaliteit vertegenwoordigen en dus mogelijk een overschatting zijn van het gebruik van clustering analyse. Deze hypothese moet nog worden getest.

de methode van stapsgewijze regressie die wordt gebruikt bij de analyse van deze gegevens is in sommige contexten controversieel, maar blijft over het algemeen een geaccepteerde methode voor het testen en genereren van hypothesen. We zijn niet op de hoogte van enige andere literatuur die voorspellers onderzoekt van de accounting van clustering, en het onderzoekende karakter van deze doelstelling leidde ons tot deze benadering. Verdere studies zijn nodig om deze bevindingen te verifiëren. Bovendien is de methode om GEEs te gebruiken voor het in rekening brengen van clustering in onze analyses onlangs aangetoond in Poisson data om de kans op type 1 fouten te vergroten , maar niet in binaire uitkomsten. Dat wil zeggen, in een ander document Monte Carlo simulaties bleek dat GEE modellen had betere macht bij het detecteren binnen-cluster homogeniteit dan andere methoden bij het onderzoeken van binaire resultaten . We raden aan om aanvullende simulaties uit te voeren om de validiteit van deze aanpak te bepalen.

een laatste potentiële zwakte van het onderzoek is de afsluitdatum 2010. Het is mogelijk dat in anderhalf jaar tussen onze cut-off datum en de analyse van deze gegevens, de niveaus van het gebruik van clustering analyse in orthopedische RCT studies zijn veranderd. Er is echter geen aanwijsbare gebeurtenis bekend die een dergelijke verandering zou initiëren, waardoor dit een marginale zorg is. Over het geheel genomen is onze Analyse alleen van toepassing op het jaar van papers die we voor deze tijdschriften hebben beoordeeld. Maar we houden nog steeds vast dat deze analyse relatief recente RCT ‘ s in orthopedische chirurgie en hun gebruik van clustering analyses vertegenwoordigt.

hoewel verschillende documenten eerder hebben aangetoond hoe belangrijk het is om rekening te houden met clustering in RCT ‘ s, is dit soort analyse nog geen standaardpraktijk geworden . Onze studie suggereert een lage prevalentie van aanpassing voor clustering effecten in RCT ‘ s gepubliceerd in de orthopedische literatuur, met slechts 21,5% van de opgenomen artikelen met behulp van een van deze belangrijke methoden. Voor zover wij weten, is onze studie de eerste om te kijken naar potentiële voorspellers van het gebruik van clustering aanpassing in RCT ‘ s. Multivariabele modellering van voorspellers geassocieerd met aanpassing voor clustering toonde een sterke en significante associatie tussen elk type van clustering aanpassing en opname van een epidemioloog/klinische studies methodoloog in het onderzoeksteam. Een groot effect werd ook gezien voor de opname van elk type specialist (epidemioloog/klinisch onderzoek methodoloog of biostatisticus). Deze bevinding werd verwacht, in die zin dat individuen specifiek opgeleid in klinische onderzoeksmethoden meer kans hebben om juiste methodologie te gebruiken. Door het verband aan te tonen tussen een aanpassing voor clustering in een studie en de aanwezigheid van een epidemioloog of klinisch Trial methodoloog in het studieteam, kunnen we aanbevelingen doen voor praktische manieren om het gebruik van deze belangrijke statistische methoden te verbeteren. Het a priori opnemen van een epidemioloog of klinisch onderzoeksmethodoloog in de onderzoeksopzetfase zou er bijvoorbeeld voor kunnen zorgen dat er geschikte methoden worden gepland en geïmplementeerd die de effecten van clustering beperken of controleren (bijv., stratificatie, beperking van het aantal centra/ providers, homogene clustergrootte, statistische analyses aan te passen voor clustering).Het verbaasde ons dat het opnemen van een biostatisticus niet significant in verband werd gebracht met het toegenomen gebruik van clustering-aanpassingsmethoden. Een mogelijke verklaring is dat epidemiologen of klinische proefmethodologen vaak worden opgenomen in de ontwerpfase van een studie, terwijl biostatistici vaak alleen worden opgenomen in de analysefase. Aangezien onze uitkomst wordt gedefinieerd als rekening houden met clustering effecten in ofwel randomisatie of statistische analyse, betrokkenheid van een specialist a priori in de studie is een belangrijke overweging. Deze a priori versus ad hoc insluiting kan in verband worden gebracht met een groter gebruik van geschikte aanpassingstechnieken; deze hypothese moet echter nog worden getest.

naast het ontbreken van een goede auteursspecialisatie in studieteams, zijn er verschillende andere mogelijke redenen dat aanpassing voor clustering-effecten momenteel niet gebruikelijk is. Zoals hierboven vermeld, vergroot aanpassing voor clustering in het algemeen de steekproefomvang die nodig is voor een bepaalde macht, waardoor werving langer of moeilijker wordt en mogelijk de behoefte aan financiering en andere middelen toeneemt. Dit kan fungeren als een barrière voor onderzoekers die in eerste instantie geïnteresseerd zou kunnen zijn in het onderzoeken van clustering effecten binnen hun studies. We ontdekten dat veel van de opgenomen studies rapporteerden dat de therapeuten een vergelijkbare training hadden of dat er geen geconstateerde verschillen tussen therapeuten waren. Maar dit is onvoldoende, aangezien clustering effecten nog steeds kunnen bestaan en gelijkheid van therapeuten niet kan worden aangenomen. We raden aan dat klinische trialisten deze analyses waar relevant uitvoeren en dat institutionele beoordelingscommissies en peer reviewers zorgvuldig wijzen op de noodzaak van deze analyses. Daarnaast zou een reeks normen kunnen worden ontwikkeld die aangeven wanneer en hoe deze aanpassingen kunnen worden gedaan, met concrete voorbeelden en empirisch bewijs van deze behoefte.

het effect van clustering kan moeilijk te detecteren zijn in studies die onderontwikkeld zijn wanneer ze gedeeld worden door cluster; statistische analyses die de aanwezigheid van potentiële clustering negeren, zullen echter hoogstwaarschijnlijk resulteren in te nauwkeurige en dus misleidende schattingen . De methoden voor het uitvoeren van monstergrootte berekeningen voor studies met clustering effecten zijn afhankelijk van het type gegevens voor de primaire uitkomst van belang (bijvoorbeeld continu, binair, telling). Verschillende methoden worden voorgesteld in de literatuur en verschillende statistische pakketten hebben de mogelijkheid om deze schattingen af te leiden . Als voorbeeld gebruiken veel studies resultaatmetingen die continue gegevens produceren, waarvoor een ICC nodig is om de steekproefgrootte te berekenen; dit vereist a priori kennis van varianties binnen en tussen cluster . Er zijn verschillende inspanningen gaande om het gebruik van clustering-analyse aan te moedigen door het opzetten van databanken van ICC ‘ s voor verschillende resultaten die in chirurgische proeven worden gebruikt . Deze databases zullen onderzoekers informatie geven over de waarschijnlijke omvang van ICC ‘ s voor verschillende uitkomsten en het gebruik van clustering effectschattingen in de planningsfasen van een proef mogelijk maken. Dit zal op zijn beurt een nauwkeurige steekproefgrootte berekening in de ontwerpfase van een studie mogelijk maken en dus voldoende vermogen om hypothesen te testen . Cook et al. suggereren dat het optimale gebruik van beschikbare gegevens een formele meta-analyse van ICC-schattingen zou inhouden. Verder is er meer werk nodig op het gebied van steekproefgrootte berekeningen en methoden voor de boekhouding voor clustering voor binaire en telgegevens in klinisch onderzoek. Dit belangrijke onderzoek moet prioriteit krijgen, met als doel onderzoekers te informeren over mogelijke clustering-effecten op basis van resultaten en betere praktijken in analyses mogelijk te maken door a priori inzicht te krijgen in potentiële clustering-effecten.