Bagaimana cara menganalisis RCT di mana terdapat perbedaan dasar yang signifikan meskipun dilakukan pengacakan?

8

Saya menganalisis RCT double-blind, terkontrol plasebo menggunakan ANCOVA dalam R, di mana "efek pengobatan" yang diprediksi muncul sebelum pengobatan terjadi!

Tujuan dari penelitian ini adalah untuk menentukan apakah mengobati suatu penyakit mengurangi perilaku tertentu. Orang dengan penyakit dan perilaku secara acak 50-50 ke dalam kelompok pengobatan dan kontrol plasebo.

Seperti yang diperkirakan ada interaksi yang signifikan antara intervensi dan keadaan penyakit awal (semua variabel adalah interval, kecuali untuk "intervensi", yang merupakan variabel faktor dua tingkat yang mengidentifikasi kelompok pengobatan vs kelompok kontrol):

MODEL 1:

Call:
lm(formula = follow_up_behavior ~ baseline_behavior + baseline_disease * 
intervention, data = d)

                                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)                            11.28464    0.51177  22.050   <2e-16 ***
baseline_behavior                       0.77872    0.05112  15.234   <2e-16 ***
baseline_disease                        0.36726    0.23110   1.589   0.1146    
interventiontreatment                   0.74738    0.70254   1.064   0.2895    
baseline_disease:interventiontreatment -0.64681    0.31374  -2.062   0.0414 *  

Interaksi diprediksi karena intervensi adalah pengobatan penyakit yang sangat efektif, tetapi keadaan penyakit awal bervariasi sepanjang kontinum dari dekat 0 hingga sangat tinggi. Oleh karena itu, orang dengan penyakit awal yang tinggi mendapat manfaat terbesar dari pengobatan, dan karena itu seharusnya memiliki pengurangan terbesar dalam respon perilaku. Sejauh ini bagus.

Pada suatu saat, saya menjalankan model perilaku dasar yang sangat mirip :

MODEL 2:

Call:
lm(formula = baseline_behavior ~ baseline_disease * intervention, 
data = d)
                                        Estimate Std. Error t value Pr(>|t|)  
(Intercept)                             -0.6350     0.7620  -0.833   0.4062  
baseline_disease                         0.7422     0.5016   1.480   0.1415  
interventiontreatment                    1.1941     1.0611   1.125   0.2626  
baseline_disease:interventiontreatment  -1.3320     0.6510  -2.046   0.0428 *

Seperti yang Anda lihat, ada interaksi signifikan yang sangat mirip antara keadaan penyakit dan kelompok intervensi, meskipun intervensi belum terjadi. Ini tampaknya merupakan kegagalan pengacakan.

Perhatian utama saya adalah karena follow_up_behavior sangat berkorelasi dengan baseline_behavior, interaksi yang signifikan dalam model pertama adalah karena interaksi yang sudah ada sebelumnya yang terlihat pada model kedua, dan karenanya bukan konsekuensi dari intervensi.

Pertanyaan saya adalah:

  1. Apakah saya benar-benar memiliki masalah?

  2. Jika demikian, apakah termasuk baseline_behavior sebagai variabel kontrol dalam model 1 memperbaiki masalah, yaitu, menjamin bahwa interaksi yang signifikan dalam model ini bukan konsekuensi dari interaksi yang sudah ada sebelumnya yang terlihat dalam model 2 tetapi sebaliknya karena intervensi?

  3. Jika memasukkan baseline_behavior sebagai kontrol tidak mencukupi, adakah yang bisa saya lakukan untuk menyelamatkan studi ini?

Terima kasih banyak sebelumnya atas bantuan atau wawasan.

biomarker
sumber

Jawaban:

2

Jika ada cukup data untuk melakukan ini, termasuk kovariat garis dasar yang paling signifikan dalam model memberi Anda cara untuk menyesuaikan ketidakseimbangan kovarait. Ada buku yang menarik dari Vance Berger yang secara khusus membahas masalah ketidakseimbangan kovariat dalam uji klinis dan bagaimana cara mendeteksinya.

Michael R. Chernick
sumber
Terima kasih. Referensi ke Berger sangat membantu. Dia memiliki beberapa artikel tentang topik ini, dan ini telah membawa saya ke artikel yang bermanfaat oleh penulis lain.
biomarker
1
Tapi, saya memiliki kovariat garis dasar yang paling signifikan dalam model. Apa yang melemparkan saya adalah bahwa ketidakseimbangan dalam perilaku dasar dalam interaksi dengan penyakit dasar. Berger menyebutkan secara sepintas bahwa satu pendekatan teoretis yang ia gunakan berlaku untuk interaksi (setidaknya, saya pikir itu maksudnya), tetapi itu sudah terlintas di kepala saya. Secara umum, tampaknya ada banyak diskusi tentang ketidakseimbangan kovariat, misalnya, terlalu banyak orang tua atau terlalu banyak laki-laki, tetapi tidak berinteraksi ketidakseimbangan, misalnya, terlalu banyak orang tua.
biomarker