Wie kann man RCT analysieren, wenn trotz Randomisierung signifikante Basislinienunterschiede bestehen?

8

Ich analysiere eine doppelblinde, placebokontrollierte RCT mit einer ANCOVA in R, bei der der vorhergesagte "Behandlungseffekt" vor der Behandlung auftritt!

Ziel der Studie ist es festzustellen, ob die Behandlung einer Krankheit ein bestimmtes Verhalten reduziert. Menschen mit sowohl der Krankheit als auch dem Verhalten wurden 50-50 in Behandlungs- und Placebo-Kontrollarme randomisiert.

Wie vorhergesagt gab es eine signifikante Wechselwirkung zwischen der Intervention und dem Grunderkrankungszustand (alle Variablen sind Intervalle, mit Ausnahme von "Intervention", einer zweistufigen Faktorvariablen, die die Behandlung gegenüber der Kontrollgruppe identifiziert):

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 *  

Die Wechselwirkung wurde vorhergesagt, da die Intervention eine sehr wirksame Behandlung der Krankheit darstellt, der Grunderkrankungszustand jedoch entlang eines Kontinuums von nahe 0 bis sehr hoch variiert. Daher hatten Menschen mit einer hohen Grunderkrankung den größten Nutzen aus der Behandlung und hätten daher die größte Verringerung der Verhaltensreaktion erfahren müssen. So weit, ist es gut.

Auf einer Lerche habe ich ein sehr ähnliches Modell des Grundverhaltens erstellt :

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 *

Wie Sie sehen können, gibt es eine sehr ähnliche signifikante Wechselwirkung zwischen Krankheitszustand und Interventionsgruppe, obwohl die Intervention noch nicht stattgefunden hat. Dies scheint ein Misserfolg der Randomisierung zu sein.

Mein Hauptanliegen ist, dass die signifikante Interaktion im ersten Modell auf die bereits vorhandene Interaktion im zweiten Modell zurückzuführen ist und daher keine Folge der Intervention ist, da das Follow-up-Verhalten sehr stark mit dem Baseline-Verhalten korreliert.

Meine Fragen sind:

  1. Habe ich tatsächlich ein Problem?

  2. Wenn ja, behebt die Aufnahme von base_behavior als Steuervariable in Modell 1 das Problem, dh garantiert, dass die signifikante Interaktion in diesem Modell nicht eine Folge der bereits vorhandenen Interaktion in Modell 2 ist, sondern auf die Intervention zurückzuführen ist?

  3. Wenn es nicht ausreicht, base_behavior als Kontrolle einzubeziehen, kann ich dann irgendetwas tun, um die Studie zu retten?

Vielen Dank im Voraus für jede Hilfe oder Erkenntnisse.

Biomarker
quelle

Antworten:

2

Wenn dafür genügend Daten vorhanden sind, sind die wichtigsten Basiskovariaten im Modell enthalten, sodass Sie das Ungleichgewicht der Kovaraiten anpassen können. Es gibt ein interessantes Buch von Vance Berger, das sich speziell mit dem Problem des kovariaten Ungleichgewichts in klinischen Studien und seiner Erkennung befasst.

Michael R. Chernick
quelle
Vielen Dank. Der Hinweis auf Berger ist sehr hilfreich. Er hat einige Artikel zu diesem Thema, die mich zu nützlichen Artikeln anderer Autoren geführt haben.
Biomarker
1
Aber ich habe die wichtigsten Basiskovariaten im Modell. Was mich wirft, ist, dass das Ungleichgewicht im Grundverhalten in Wechselwirkung mit der Grundkrankheit steht. Berger erwähnt beiläufig, dass ein theoretischer Ansatz, den er verwendet, für Interaktionen gilt (zumindest denke ich, dass das sein Punkt ist), aber es geht mir über den Kopf. Im Allgemeinen scheint es viele Diskussionen über kovariate Ungleichgewichte zu geben, z. B. zu viele alte Leute oder zu viele Männer, aber nicht über interagierende Ungleichgewichte, z. B. zu viele alte Männer.
Biomarker