DOI: https://doi.org/10.1136/bmj-2025-084194
PMID: https://pubmed.ncbi.nlm.nih.gov/41136249
تاريخ النشر: 2025-10-24
المؤلف: Karla Hemming وآخرون
الموضوع الرئيسي: طرق إحصائية واستدلال بايزي
نظرة عامة
تقدم المقالة إرشادات عملية حول تعديل المتغيرات المشتركة في التجارب العشوائية المجمعة (CRTs)، مشددة على دورها في تعزيز الدقة الإحصائية وتقليل التحيزات الناجمة عن التوظيف المختلف أو البيانات المفقودة. توصي المقالة بإدراج المتغيرات المشتركة التي تُستخدم في العشوائية المقيدة أو التي تتنبأ بالنتائج، بالإضافة إلى تلك المتعلقة بالتوظيف والافتقار. يتم مناقشة مجموعة من الأساليب القائمة على النماذج لتعديل المتغيرات المشتركة، إلى جانب تقنيات التعامل مع البيانات المفقودة، مثل الاستبدال المتعدد واستبدال متوسط المجموعة. توضح دراسة حالة تطبيق هذه التوصيات باستخدام المتغيرات المشتركة المحددة مسبقًا.
في الختام، يبرز المؤلفون أهمية تعديل المتغيرات المشتركة في CRTs لتحسين النتائج الإحصائية وتقليل التحيزات. يؤكدون أن أي تحليل معدل للمتغيرات المشتركة يجب أن يكون محددًا مسبقًا في خطة التحليل الإحصائي، مما يتطلب اعتبارًا دقيقًا للنهج التحليلي، والأشكال الوظيفية للمتغيرات المشتركة، واستراتيجيات إدارة البيانات المفقودة. ومع ذلك، يحذرون من أن تعديل المتغيرات المشتركة وحده قد لا يكون كافيًا لمعالجة التحيزات الناتجة عن التعرف بعد العشوائية أو مشاكل التوظيف، مما يبرز ضرورة وجود استراتيجيات وقائية ضد التعرف أو التوظيف المختلف وبيانات النتائج المفقودة.
نقاش
تتناول قسم النقاش في دراسة الحالة GBS2 تصميم واعتبارات تحليل تجربة عشوائية مجمعة تهدف إلى تقييم انتقال المجموعة ب من المكورات العقدية (GBS) من الأم إلى الطفل. شملت التجربة 20 وحدة أمومة في المملكة المتحدة، والتي تم عشوائياً تخصيصها إما لتدخل اختبار سريع أو رعاية عادية، مع الهدف الأساسي المتمثل في تقليل استخدام المضادات الحيوية أثناء المخاض بين النساء الحوامل اللاتي لديهن عوامل خطر محددة لـ GBS. يؤكد المؤلفون على أهمية تعديل المتغيرات المشتركة في التجارب العشوائية المجمعة (CRTs) لتعزيز الدقة الإحصائية وتقليل التحيز، خاصة عندما يحدث التعرف على المشاركين بعد العشوائية. يجادلون بأن عدم تعديل المتغيرات المشتركة المستخدمة في العشوائية المقيدة يمكن أن يقلل بشكل كبير من القوة الإحصائية، بينما يمكن أن يؤدي تضمين متغيرات مشتركة تنبؤية إضافية إلى تحسين الدقة بشكل أكبر.
يوصي المؤلفون باتباع نهج مقتصد لاختيار المتغيرات المشتركة، مع التركيز على تلك التي تُعتبر ذات قوة تنبؤية تتعلق بالنتيجة، والتوظيف المختلف، أو البيانات المفقودة. يبرزون أن التعديلات يجب أن تتم على كل من المتغيرات المشتركة على مستوى المجموعة وعلى مستوى الفرد، اعتمادًا على أهميتها وتصميم الدراسة. يتناول النقاش أيضًا مجموعة من الأساليب التحليلية لتعديل المتغيرات المشتركة، بما في ذلك النماذج الخطية المختلطة العامة والمعادلات التقديرية العامة، ويؤكد على الحاجة إلى التعامل الدقيق مع البيانات المفقودة. بشكل عام، يدعو المؤلفون إلى خطة تعديل متغيرات مشتركة منظمة ومحددة مسبقًا لضمان نتائج تجريبية قوية وموثوقة.
DOI: https://doi.org/10.1136/bmj-2025-084194
PMID: https://pubmed.ncbi.nlm.nih.gov/41136249
Publication Date: 2025-10-24
Author(s): Karla Hemming et al.
Primary Topic: Statistical Methods and Bayesian Inference
Overview
The article provides practical guidance on covariate adjustment in cluster randomized trials (CRTs), emphasizing its role in enhancing statistical precision and mitigating biases arising from differential recruitment or missing data. It recommends the inclusion of covariates that are either used in restricted randomization or are prognostic of outcomes, as well as those related to recruitment and missingness. Various model-based approaches for covariate adjustment are discussed, alongside techniques for handling missing data, such as multiple imputation and cluster mean imputation. A case study illustrates the application of these recommendations using prespecified covariates.
In conclusion, the authors highlight the significance of covariate adjustment in CRTs for improving statistical outcomes and reducing biases. They stress that any covariate-adjusted analysis should be prespecified in the statistical analysis plan, requiring careful consideration of the analytical approach, functional forms of covariates, and strategies for managing missing data. However, they caution that covariate adjustment alone may not suffice to address biases resulting from post-randomization identification or recruitment issues, underscoring the necessity for preventive strategies against differential identification or recruitment and missing outcome data.
Discussion
The discussion section of the case study GBS2 outlines the design and analytical considerations of a cluster randomized trial aimed at evaluating the transmission of group B Streptococcus (GBS) from mother to child. The trial involved 20 UK maternity units, which were randomized to either a rapid testing intervention or usual care, with the primary goal of reducing the use of intrapartum antibiotics among pregnant women with specific risk factors for GBS. The authors emphasize the importance of covariate adjustment in cluster randomized trials (CRTs) to enhance statistical precision and reduce bias, particularly when participant identification occurs post-randomization. They argue that failing to adjust for covariates used in restricted randomization can significantly diminish statistical power, while including additional prognostic covariates can further improve precision.
The authors recommend a parsimonious approach to covariate selection, focusing on those with perceived prognostic strength related to the outcome, differential recruitment, or missing data. They highlight that adjustments should be made for both cluster-level and individual-level covariates, depending on their relevance and the study design. The discussion also addresses various analytical methods for covariate adjustment, including generalised linear mixed models and generalised estimating equations, and underscores the need for careful handling of missing data. Overall, the authors advocate for a structured and prespecified covariate adjustment plan to ensure robust and reliable trial outcomes.