Article
Die Auswirkung von Kontaminationen auf die Schätzung von Interventionseffekten in Crossover Stepped-Wedge-Designs – Ergebnisse einer Computer Simulation in R
Search Medline for
Authors
Published: | February 23, 2016 |
---|
Outline
Text
Hintergrund und Fragestellung: Das Design einer Stepped-Wedge-cluster randomisierten Studie (SWD) ist eine besondere Form des Cross-Over Designs, das vermehrt in der Versorgungsforschung angewendet wird, um die Effektivität von Interventionen zu untersuchen (Leontjevas et al. 2013; Zwijsen et al. 2014). Einflüsse auf die korrekte Schätzung eines Interventionseffektes durch, in der Forschungspraxis häufig auftretende Szenarien für Kontaminationen, sind bisher in der Literatur unzureichend thematisiert (Hughes et al. 2015). Aus diesem Grund wurde im Rahmen einer Simulationsstudie der Frage nachgegangen, in wie weit ein fraktionierter Interventionseffekt, der Verlust von Clustern während der Studie und der Zeitpunkt des Verlust des Clusters einen Einfluss auf die Schätzung des Interventionseffektes in Studien mit dem SWD haben. In dem Beitrag werden die Kernergebnisse der Simulationsstudie vorgestellt und dessen Auswirkungen für Forscher, die dieses Studiendesign verwenden möchten, kritisch diskutiert.
Material und Methoden: Für das Simulationsexperiment wurde basierend auf einer realen Studie (Reuther et al. 2014) aus der Versorgungsforschung eine Modelstudie mit 10 Cluster, 10 Individuen per Cluster und 6 Zeitpunkten generiert. Zur Schätzung des Interventionseffektes wurde mit Hilfe des Statistikprogrammes R eine Simulation mit 100.000 Wiederholungen durchgeführt. Die Schätzung des Interventionseffektes erfolgte mit einem für das SWD angepassten „Linear Mixed-Effect Model“ von Hughes et al (2015). Hier wurden Intervention und Zeit als „Fixed Effekts“ und Cluster als „Random Effekt“ im Model definiert.
Ergebnisse: Die Ergebnisse zeigen, dass beim Auftreten fraktionierte Interventionseffekte, die bisherigen statistischen Modelle für das SWD nicht mehr in der Lage sind, den „wahren“ Interventionseffektes korrekt einzuschätzen. Die Varianz der Schätzung des Interventionseffektes nimmt mit zunehmender Anzahl an verlorengegangen Cluster (Missing Data) zu und reduziert die statistische Power in Studien mit dem SWD. Eine Sensitivitätsanalyse zeigt außerdem, dass die empirische Power unter bestimmten Voraussetzungen (u.a. große Clustergröße, große ICC Werte) verbessert werden kann.
Schlussfolgerung: Es empfiehlt es sich die Durchführung eines SWD durch eine parallele Prozessevaluation zu begleiten (Holle et al. 2014), da oft nicht alle Kontaminationen umfänglich erfasst werden können. Daraus ergeben sich Möglichkeiten zur Modellanpassung um Fehlschätzungen zukünftig zu vermeiden.