Use of clustering analysis in randomized controlled trials in orthopaedic surgery

nasze badania nad wykorzystaniem clustering analysis in orthopaedic research sugerują, że niewielka część badań wykorzystuje obecnie te ważne metody statystyczne. Wielowymiarowe modelowanie predyktorów związanych z obecnością dostosowania do klastrowania wykazało silny i znaczący związek między dowolnym rodzajem dostosowania klastrowania a włączeniem epidemiologa/metodologa badań klinicznych do zespołu badawczego.

nasze badania mają kilka mocnych i słabych stron. Po pierwsze, systematycznie zidentyfikowaliśmy wszystkie RCT opublikowane w pięciu najlepszych czasopismach chirurgii ortopedycznej w latach 2006-2010. Ta metoda ograniczania do konkretnych czasopism pozwalała na identyfikację całej docelowej populacji artykułów, w przeciwieństwie do elektronicznego wyszukiwania literatury, w którym może brakować potencjalnych artykułów spełniających kryteria włączenia. Korzystanie z pięciu najlepszych czasopism pozwala również na założenie konserwatywnego szacunku w naszych odkryciach. Ale z drugiej strony nie można tego uogólnić do innych czasopism ani do szerszej literatury ortopedycznej. Ponadto, podczas gdy jedna osoba włączyła Wszystkie artykuły, druga osoba sprawdziła losowy wybór artykułów, co minimalizuje wszelkie uprzedzenia dotyczące wyboru.

zidentyfikowane artykuły zostały następnie poddane przeglądowi w celu włączenia i pozyskano odpowiednie dane przez jednego badacza z doświadczeniem w epidemiologii i biostatystyce. Ta metoda ekstrakcji pozwoliła na uzyskanie spójności między wyrobami i utrzymanie jednorodnych definicji w całym procesie; jednak, chociaż może istnieć potencjał do stronniczości z powodu ekstrakcji przez jednego recenzenta, obaj autorzy spotkali się w całym procesie ekstrakcji w celu wyjaśnienia interpretacji wyodrębnionych danych. Pomimo wysiłków mających na celu wyodrębnienie wszystkich istotnych danych ze wszystkich artykułów w populacji docelowej, dane były niedostatecznie zgłaszane w kilku artykułach. Brakujące dane były szczególnie godne uwagi dla zmiennych “biostatistician” i “epidemiolog / metodolog badań klinicznych”; większość specjalności autora lub członka badania nie została zgłoszona w artykułach lub łatwa do zidentyfikowania z nagłówków. Aby zminimalizować brakujące dane, skontaktowano się z autorem każdego artykułu i zapytano o specjalności członków zespołu badawczego. Jednak nie wszyscy autorzy odpowiedzieli na prośbę o udostępnienie danych. Niedokładne raportowanie może wpłynąć na nasze wyniki. Jedną z możliwości jest to, że badania nie zgłaszające specjalności członków badania mogły być mniej prawdopodobne do przeprowadzenia analizy klastrowej. Gdyby tak było, nasze badanie reprezentowałoby artykuły wyższej jakości, a zatem potencjalnie byłoby nadmiernym oszacowaniem zastosowania analizy klastrowej. Hipoteza ta pozostaje do sprawdzenia.

metoda stopniowej regresji stosowana w analizie tych danych jest kontrowersyjna w niektórych kontekstach, ale ogólnie pozostaje przyjętą metodą testowania hipotez i generowania. Nie jesteśmy świadomi żadnej innej literatury badającej predyktory rozliczania klastrów, a badawczy charakter tego celu doprowadził nas do takiego podejścia. Konieczne są dalsze badania w celu zweryfikowania tych ustaleń. Co więcej, metoda wykorzystania GEEs do rozliczania klastrowania w naszych analizach została ostatnio pokazana w danych Poissona, aby zwiększyć prawdopodobieństwo błędów typu 1, ale nie w wynikach binarnych. Oznacza to, że w innym artykule symulacje Monte Carlo wykazały, że modele GEE mają lepszą moc w wykrywaniu homogeniczności wewnątrz klastra niż inne metody podczas badania wyników binarnych . Zalecamy przeprowadzenie dodatkowych symulacji w celu określenia zasadności tego podejścia.

ostatnią potencjalną słabością badania jest data odcięcia z 2010 r. Możliwe, że w ciągu półtora roku pomiędzy datą graniczną a analizą tych danych poziom wykorzystania analizy klastrowej w ortopedycznych badaniach RCT uległ zmianie. Nie jest jednak znane możliwe do zidentyfikowania zdarzenie, które zapoczątkowałoby taką zmianę, co czyni to marginalnym problemem. Ogólnie rzecz biorąc, nasza analiza dotyczy tylko roku artykułów, które recenzowaliśmy dla tych czasopism. Nadal jednak uważamy, że analiza ta reprezentuje stosunkowo niedawne RCT w chirurgii ortopedycznej i ich wykorzystanie analiz klastrowych.

chociaż kilka artykułów wykazało wcześniej znaczenie uwzględniania klastrowania w RCTs, ten rodzaj analizy nie stał się jeszcze standardową praktyką . Nasze badania sugerują niską częstość występowania dostosowania do efektów klastrowania w RCT opublikowanych w literaturze ortopedycznej, przy czym tylko 21,5% zawartych artykułów wykorzystuje którąkolwiek z tych ważnych metod. Zgodnie z naszą najlepszą wiedzą, nasze badanie jest pierwszym, w którym przyjrzymy się potencjalnym predyktorom zastosowania korekty klastrowej w RCTs. Wielowymiarowe modelowanie predyktorów związanych z dostosowaniem do klastrowania wykazało silny i znaczący związek między wszelkiego rodzaju dostosowaniem klastrowania a włączeniem epidemiologa/metodologa badań klinicznych do zespołu badawczego. Duży efekt zaobserwowano również w przypadku włączenia dowolnego rodzaju specjalisty (epidemiologa / metodologa badań klinicznych lub biostatysty). Oczekiwano tego odkrycia, ponieważ osoby specjalnie przeszkolone w zakresie klinicznych metod badawczych są bardziej skłonne do stosowania odpowiedniej metodologii. Wykazując związek między dostosowaniem do grupowania w badaniu a obecnością epidemiologa lub metodologa badań klinicznych w zespole badawczym, jesteśmy w stanie przedstawić zalecenia dotyczące praktycznych sposobów poprawy wykorzystania tych ważnych metod statystycznych. Na przykład włączenie epidemiologa lub metodologa badań klinicznych do fazy projektowania badania a priori może zapewnić zaplanowanie i wdrożenie odpowiednich metod, które ograniczają lub kontrolują skutki klastrowania (np., stratyfikacja, ograniczenie liczby ośrodków / dostawców, jednorodne wielkości klastrów, analizy statystyczne w celu dostosowania do klastrowania).

byliśmy zaskoczeni, że włączenie biostatysty nie było znacząco związane ze zwiększonym wykorzystaniem metod dopasowywania klastrów. Jednym z potencjalnych wyjaśnień jest to, że epidemiolodzy lub metodycy badań klinicznych są często włączani od fazy projektowania badania, podczas gdy biostatystycy są często włączani tylko do fazy analizy. Ponieważ nasz wynik jest zdefiniowany jako rozliczanie efektów klastrowania w randomizacji lub analizie statystycznej, zaangażowanie specjalisty a priori w badaniu jest ważnym czynnikiem. To a priori kontra ad hoc włączenie może być związane z większym wykorzystaniem odpowiednich technik dostosowania; jednak hipoteza ta pozostaje do przetestowania.

oprócz braku odpowiedniej specjalizacji autora w zespołach badawczych, istnieje kilka innych potencjalnych powodów, dla których dostosowanie do efektów klastrowania nie jest obecnie powszechną praktyką. Jak wspomniano powyżej, dostosowanie do klastrowania na ogół zwiększa wielkość próby potrzebną dla danej władzy, czyniąc rekrutację dłuższym lub trudniejszym procesem i potencjalnie zwiększając zapotrzebowanie na finansowanie i inne zasoby. Może to stanowić barierę dla naukowców, którzy początkowo mogą być zainteresowani badaniem efektów klastrowania w ramach swoich badań. Odkryliśmy, że wiele z włączonych badań wykazało, że terapeuci mieli podobne szkolenie lub że nie odnotowano różnic między terapeutami. Jest to jednak niewystarczające, ponieważ efekty klastrowania mogą nadal istnieć i nie można zakładać równości terapeutów. Zalecamy, aby trialiści kliniczni wykonywali te analizy w stosownych przypadkach, a instytucjonalne komisje rewizyjne i recenzenci zwracali uwagę na potrzebę takich analiz. Ponadto można by opracować zestaw norm określających, kiedy i w jaki sposób można dokonać tych korekt, dostarczając konkretnych przykładów i empirycznych dowodów na tę potrzebę.

efekt klastrowania może być trudny do wykrycia w badaniach, które są niedostateczne, gdy dzieli się je na klastry; jednak analizy statystyczne, które ignorują obecność potencjalnego klastrowania, najprawdopodobniej spowodują zbyt precyzyjne, a tym samym wprowadzające w błąd szacunki . Metody wykonywania obliczeń wielkości próbki dla badań z efektami klastrowania zależą od rodzaju danych dla pierwotnego wyniku zainteresowania (np ciągły, binarny, liczyć). W literaturze sugeruje się kilka metod, a kilka pakietów statystycznych ma możliwość wyprowadzenia tych szacunków . Jako przykład, wiele badań używać środków wynikowych, które produkują ciągłe dane, dla których ICC jest potrzebne do obliczenia wielkości próby; wymaga to a priori znajomość wewnątrz – i między-wariancji klastra . Prowadzone są liczne działania mające na celu zachęcenie do stosowania analizy klastrowej poprzez tworzenie baz danych ICCs dla różnych wyników stosowanych w badaniach chirurgicznych . Te bazy danych dadzą naukowcom informacje na temat prawdopodobnej wielkości ICC dla różnych wyników i umożliwią wykorzystanie oszacowań efektów klastrowania na etapach planowania badania. To z kolei umożliwi dokładne obliczenie wielkości próbki w fazie projektowania badania, a tym samym odpowiednią moc do testowania hipotez . Cook i in. sugerują, że optymalne wykorzystanie dostępnych danych wiązałoby się z formalną metaanalizą szacunków ICC. Ponadto potrzebne są dalsze prace nad obliczeniami wielkości próby i metodami rozliczania klastrów dla danych binarnych i liczbowych w badaniach klinicznych. Te ważne badania powinny być traktowane priorytetowo, w celu informowania naukowców o możliwych efektach klastrowania według wyników i umożliwienia lepszych praktyk w analizach poprzez a priori zrozumienie potencjalnych efektów klastrowania.