Uso de clusters a análise de ensaios controlados randomizados em cirurgia ortopédica

Nosso estudo sobre o uso de clusters a análise ortopédica pesquisa sugere que uma pequena proporção de estudos atualmente estão empregando essas importantes métodos estatísticos. Modelagem multivariável de predictores associados com a presença de ajuste para a agregação mostrou uma forte e significativa associação entre qualquer tipo de ajuste de agregação e inclusão de um epidemiologista/metodologista de ensaios clínicos na equipe de estudo.O nosso estudo tem vários pontos fortes e fracos. Primeiro, identificamos sistematicamente todos os RCT publicados nas cinco melhores revistas de cirurgia ortopédica entre 2006 e 2010. Este método de limitação a periódicos específicos permitiu a identificação de toda a população-alvo de artigos, ao contrário de uma pesquisa de literatura eletrônica que pode falhar artigos potenciais que cumprem os critérios de inclusão. O uso dos cinco melhores periódicos também permite a suposição de uma estimativa conservadora em nossas descobertas. Mas, por outro lado, isso não pode ser generalizado para outros jornais ou para a literatura ortopédica mais ampla. Além disso, enquanto um único indivíduo fez inclusão para todos os artigos, um segundo indivíduo cruzou uma seleção aleatória de artigos, o que minimiza qualquer viés de seleção.Os artigos identificados foram então revistos para inclusão e os dados relevantes foram extraídos por um único investigador com experiência em Epidemiologia e bioestatística. Este método de extracção permitiu a coerência entre os artigos e manteve definições homogéneas durante todo o processo; no entanto, embora possa haver potencial de viés devido à extração por um único revisor, ambos os autores se reuniram ao longo do processo de extração para esclarecer interpretações dos dados extraídos. Apesar dos esforços para extrair todos os dados relevantes de todos os artigos da população-alvo, os dados foram sub-relatados em vários dos artigos. Dados ausentes foram especialmente marcantes para as variáveis “bio-estatístico” e “epidemiologista/ensaios clínicos metodologista”; a maioria do autor ou de estudo membro especialidades não foram relatados nos artigos ou facilmente identificável a partir de títulos. Em um esforço para minimizar os dados em falta, o autor correspondente de cada artigo foi contatado e questionado sobre as especialidades dos membros da equipe de estudo. No entanto, nem todos os autores responderam ao pedido de dados. A falta de informação aqui pode influenciar os nossos resultados. Uma possibilidade é que os estudos que não relatam especialidades dos membros do estudo possam ter sido menos propensos a realizar análises de agrupamento. Se fosse esse o caso, o nosso estudo representaria os artigos de maior qualidade e, portanto, potencialmente, seria uma estimativa exagerada do uso da análise de agrupamento. Esta hipótese ainda não foi testada.

o método de regressão gradual usado na análise destes dados é controverso em alguns contextos, mas geralmente permanece um método aceito de teste de hipóteses e geração. Não estamos cientes de qualquer outra literatura que investiga preditores de contabilidade para a agregação, e a natureza investigacional deste objetivo nos levou a esta abordagem. São necessários mais estudos para verificar estes resultados. Além disso , o método de usar GEEs para contabilizar a agregação em nossas análises foi recentemente mostrado em dados de Poisson para aumentar a probabilidade de erros de tipo 1, mas não em resultados binários. Isto é, em outro artigo, as simulações de Monte Carlo mostraram que os modelos GEE tinham melhor poder para detectar a homogeneidade dentro dos aglomerados do que outros métodos ao examinar os resultados binários . Recomendamos a realização de simulações adicionais para determinar a validade desta abordagem.

uma fraqueza potencial final do estudo é a data-limite de 2010. É possível que, no ano e meio entre a nossa data limite e a análise destes dados, os níveis de Utilização da análise de agrupamento em estudos ortopédicos RCT tenham mudado. No entanto, não há nenhum evento identificável conhecido que iniciaria tal mudança, tornando esta uma preocupação marginal. Em geral, nossa análise só é aplicável ao ano de trabalhos que revisamos para estas revistas. Mas, ainda acreditamos que esta análise representa RCTs relativamente recentes em cirurgia ortopédica e seu uso de análises de agrupamento.

embora vários trabalhos tenham demonstrado anteriormente a importância de ter em conta a clustering nas RCTs, este tipo de análise ainda não se tornou prática corrente . Nosso estudo sugere uma baixa prevalência de ajuste para efeitos de agrupamento em RCTs publicados na literatura ortopédica, com apenas 21,5% dos artigos incluídos usando qualquer um destes métodos importantes. Tanto quanto é do nosso conhecimento, o nosso estudo é o primeiro a analisar potenciais preditores do uso do ajuste de agrupamento em RCTs. Modelagem multivariável de predictores associados ao ajuste para a agregação mostrou uma forte e significativa associação entre qualquer tipo de ajuste de agregação e inclusão de um epidemiologista/metodologista de ensaios clínicos na equipe de estudo. Um grande efeito foi também observado para a inclusão de qualquer tipo de Especialista (epidemiologista/clínico metodologista ou biostatístico). Esta constatação era esperada, na medida em que os indivíduos especificamente formados em métodos de investigação clínica são mais propensos a empregar uma metodologia adequada. Ao demonstrar a associação entre um ajuste para o agrupamento em um estudo e a presença de um epidemiologista ou metodologista de ensaios clínicos na equipe de estudo, somos capazes de fazer recomendações para formas práticas de melhorar o uso destes métodos estatísticos importantes. Por exemplo, a inclusão de um epidemiologista ou metodologista de pesquisa clínica na fase de projeto do estudo a priori poderia garantir que métodos adequados são planejados e implementados que limitem ou controlem os efeitos da agregação (ex., estratificação, limitação do número de centros/fornecedores, Tamanho de aglomerados homogêneos, análises estatísticas para ajustar para agrupamento).

ficamos surpresos ao descobrir que a inclusão de um bioestatístico não foi significativamente associada com o aumento do uso de métodos de ajuste de clustering. Uma explicação potencial é que epidemiologistas ou metodologistas de ensaios clínicos são muitas vezes incluídos a partir da fase de projeto de um estudo, enquanto os bioestatísticos são muitas vezes incluídos apenas na fase de análise. Uma vez que o nosso resultado é definido como a contabilização dos efeitos de agrupamento na aleatorização ou análise estatística, o envolvimento de um especialista a priori no estudo é uma consideração importante. Esta inclusão a priori versus ad hoc pode estar associada a um maior uso de técnicas de ajuste adequadas; no entanto, esta hipótese ainda não foi testada.

além da falta de especialização adequada do autor em equipes de estudo, existem várias outras razões potenciais que o ajuste para efeitos de agrupamento não é atualmente uma prática comum. Como mencionado acima, o ajustamento para a agregação aumenta geralmente a dimensão da amostra necessária para um dado poder, tornando o recrutamento um processo mais longo ou mais difícil e aumentando potencialmente o financiamento e outras necessidades de recursos. Isto poderia funcionar como uma barreira para os investigadores que inicialmente poderiam estar interessados em examinar os efeitos de agrupamento no âmbito dos seus estudos. Descobrimos que muitos dos estudos incluídos relataram que os terapeutas tinham treinamento semelhante ou que não havia diferenças notadas entre terapeutas. Mas isso é insuficiente, já que os efeitos de agrupamento podem ainda existir e a igualdade dos terapeutas não pode ser assumida. Recomendamos que os trialistas clínicos realizem essas análises sempre que relevante e que os conselhos institucionais de revisão e os avaliadores peer tenham o cuidado de apontar a necessidade dessas análises. Além disso, poderia ser desenvolvido um conjunto de normas que delineassem quando e como estes ajustamentos podem ser feitos, fornecendo exemplos concretos e provas empíricas desta necessidade.

o efeito da agregação pode ser difícil de detectar em estudos que são pouco dotados quando divididos por agregado; no entanto, análises estatísticas que ignoram a presença de agrupamentos potenciais resultarão muito provavelmente em estimativas excessivamente precisas e, por conseguinte, enganosas . Os métodos para a realização de cálculos do tamanho da amostra para estudos com efeitos de agrupamento dependem do tipo de dados para o resultado primário de interesse (por exemplo, contínuo, binário, Contagem). Vários métodos são sugeridos na literatura e vários pacotes estatísticos têm a capacidade de derivar essas estimativas . Como exemplo, muitos estudos usam medidas de resultados que produzem dados contínuos, para os quais um ICC é necessário para calcular o tamanho da amostra; isso requer um conhecimento a priori de variações dentro e entre clusters . Vários esforços estão em andamento para incentivar o uso da análise de agrupamento através da criação de bases de dados de ICCs para vários resultados utilizados em ensaios cirúrgicos . Estas bases de dados fornecerão aos investigadores informações sobre a magnitude provável dos ICCs para diferentes resultados e permitirão a utilização de estimativas do efeito de agrupamento nas fases de planeamento de um ensaio. Isto, por sua vez, permitirá o cálculo preciso do tamanho da amostra na fase de projeto de um estudo e, portanto, poder adequado para testar hipóteses . Cook et al. sugere que a utilização óptima dos dados disponíveis envolveria uma meta-análise formal das estimativas do TPI. Além disso, é necessário trabalhar mais nos cálculos da dimensão das amostras e nos métodos de contabilização da agregação de dados binários e de contagem em investigação clínica. Esta importante pesquisa deve ser priorizada, com o objetivo de informar os pesquisadores de possíveis efeitos de agrupamento por resultado e permitir melhores práticas em análises através da compreensão a priori de potenciais efeitos de agrupamento.