gms | German Medical Science

EbM – ein Gewinn für die Arzt-Patient-Beziehung?
Forum Medizin 21
11. EbM-Jahrestagung

Paracelsus Medizinische Privatuniversität, Deutsches Netzwerk Evidenzbasierte Medizin e. V.

25.02. - 27.02.2010, Salzburg, Österreich

Der Einfluss von Cluster-Randomisierung auf Studienplanung und -auswertung

Meeting Abstract Freie Themen I

Search Medline for

  • corresponding author presenting/speaker Sigrid Panisch - PMU, Salzburg, Österreich
  • Andreas Sönnichsen - PMU, Salzburg, Österreich

EbM – ein Gewinn für die Arzt-Patient-Beziehung?. Forum Medizin 21 der Paracelsus Medizinischen Privatuniversität & 11. EbM-Jahrestagung des Deutschen Netzwerks Evidenzbasierte Medizin. Salzburg, 25.-27.02.2010. Düsseldorf: German Medical Science GMS Publishing House; 2010. Doc10ebm109

doi: 10.3205/10ebm109, urn:nbn:de:0183-10ebm1094

Published: February 22, 2010

© 2010 Panisch et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Hintergrund: Nicht bei jedem RCT ist es sinnvoll, möglich oder zulässig die Randomisierung auf Individualebene zu vollziehen. Dies ist z.B. dann der Fall, wenn die zu untersuchenden Personen, beispielsweise als Mitglied eines Vereins oder als Patienten einer Arztordination miteinander interagieren (können). Um Kontamination zu vermeiden, hat die Randomisierung in solchen Fällen auf eben dieser Ebene (Verein, Ordination etc.) zu erfolgen. Dieses Vorgehen wird als Cluster-Randomisierung (→ CR) bezeichnet.

Material/Methoden: Bei der Studienplanung sind einige Aspekte zu beachten:

a. Um bei der Stichprobenberechnung die Clustereffekte miteinbeziehen zu können, sind zusätzlich zu den üblicherweise notwendigen Parametern, auch die Angabe des voraussichtlichen Intracluster-Korrelationskoeffizient (ICC), sowie Größe der Cluster (CG) wichtig. Der ICC drückt den Zusammenhang zwischen der Varianz innerhalb der Cluster und der Varianz zwischen den Clustern aus.

b. Bei Auswertung einer Studie stellt sich die Frage, ob ein Teil des Ergebnisses auf die Clusterbildung zurückzuführen ist, ob also die Unterschiede zwischen Interventions- und Kontrollgruppe in Wahrheit nicht aufgrund der Intervention zustande kamen, sondern vielmehr in der Tatsache begründet liegen, dass sich die Cluster (bzw. die damit verbundenen Eigenschaften) in den beiden Gruppen so unterscheiden, dass es zu den beobachteten (signifikanten) Ergebnissen kam. Um dies feststellen zu können, sollte aus den erhobenen Daten der ICC berechnet werden.

c. Um die Planung nachfolgender Studien mit Cluster-Randomisierung zu verbessern, sollte die Stärke des Clustereffekts – respektive der ICC – publiziert werden. Dies erleichtert die Wahl des für die jeweilige Forschungsfrage passenden ICC für die korrekte Fallzahlplanung.

Ergebnisse: Bei der Stichprobenberechnung von CRTssind, neben den „Standard“-Parametern Signifikanzniveau, Power und – je nach Skalenniveau des primären Endpunktes – Mittelwertsdifferenz und Standardabweichung bzw. den prognostizierten Anteilswerten von Kontroll- bzw. Interventionsgruppe, zudem noch der ICC und die CG wie folgt zu berücksichtigen: Nclusterkorrigiert=N*(1+ICC*(CG-1)).

Schlussfolgerung/Implikation: Wird der ICC bei der Planung eines CRT nicht berücksichtigt, kann es vorkommen, dass die Power das gewünschte Ausmaß nicht erreicht, was die Ergebnisse entwerten kann.

Treten bei der Datenauswertung unerwartet hohe ICC-Werte auf, sind geeignete Analysemethoden anzuwenden um die Ergebnisse von den Clustereffekten zu bereinigen.


Literatur

1.
Donner A, Klar N. Design and Analysis of Cluster Randomization Trials in Health Research. London: Hodder Arnold Publication; 2000.
2.
Eldridge SM, Ashby D, Kerry S. Sample size for cluster randomized trials: effect of coefficient of variation of cluster size and analysis method. Int J Epidemiol. 2006;35(5):1292-300.
3.
Wears RL. Advanced statistics: statistical methods for analyzing cluster and cluster-randomized data. Acad Emerg Med. 2002;9(4):330-41.