📊 statistics

Orthogonal factorial designs for trials of therapist-delivered interventions: Randomising intervention-therapist combinations to patients

تقترح هذه الورقة وتقيم عائلة من التصميمات العاملية المتعامدة التي تعمد إلى عشوائية دمج المعالج مع التدخل وتوزيعها على المرضى، مما يتيح الفصل الإحصائي بين تأثيرات المعالج وتأثيرات التدخل في التجارب الخاصة بالعلاجات التي يقدمها المعالجون.

المؤلفون الأصليون: Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

نُشر 2026-02-03

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول معرفة أي من وصفتي طهي مختلفتين (التدخل أ مقابل التدخل ب) تجعل الحساء الأفضل. في تجربة نموذجية، قد تستأجر اثنين من الطهاة المشهورين (المعالجين) وتجعل الطاهي 1 يطبخ فقط الوصفة (أ)، والطاهي 2 يطبخ فقط الوصفة (ب). إذا كان حساء الطاهي 1 مذاقه أفضل، فقد لا تعرف ما إذا كان ذلك بسبب تفوق الوصفة أم ببساطة لأن الطاهي 1 طباخ أفضل.

هذه الورقة البحثية تعالج هذه المشكلة تحديداً في عالم تجارب العلاج النفسي. وهي تقترح طريقة جديدة وأكثر صرامة لتنظيم هذه التجارب حتى نتمكن من التمييز بين "الوصفة الجيدة" و"الطاهي الجيد".

إليك تفصيل أفكارهم باستخدام تشبيهات بسيطة:

1. المشكلة الجوهرية: الخلط بين "الطاهي والوصفة"

في العديد من الدراسات العلاجية، يعامل الباحثون العلاج (الوصفة) كشيء أساسي يتم اختباره، بينما يعاملون المعالج (الطاهي) كمجرد تفصيل خلفي. تجادل الورقة بأن المعالجين هم في الواقع جزء رئيسي من "العلاج". إذا لم تأخذهم في الاعتبار بشكل صحيح، فستكون نتائجك مشوشة.

2. الحل المقترح: "المطبخ المتقاطع"

يقترح المؤلفون تصميماً حيث يجرب كل طاهٍ كل وصفة.

الطريقة القديمة: الطاهي (أ) يصنع فقط الوصفة (أ)؛ الطاهي (ب) يصنع فقط الوصفة (ب).
الطريقة الجديدة: الطاهي (أ) يصنع كلاً من الوصفة (أ) والوصفة (ب). الطاهي (ب) يصنع أيضاً كلاً من الوصفة (أ) والوصفة (ب).

من خلال جعل كل طاهٍ يجرب كل وصفة، يمكنك رياضياً الفصل بين "تأثير الطاهي" (مدى جودة الشخص) و"تأثير الوصفة" (مدى جودة العلاج). وهذا ما يسمى بتصميم العوامل المتقاطعة (Crossed Factorial Design).

3. إعدادات المطابخ الثلاثة (التصاميم)

توضح الورقة ثلاث طرق لتنظيم هذا "المطبخ المتقاطع" اعتماداً على مدى تعقيد التجربة:

المطبخ البسيط (العشوائي الكامل): تخيل مطبخاً واحداً كبيراً بدون نوبات عمل. لديك قائمة بجميع تركيبات "الطاهي + الوصفة" الممكنة. تقوم بتوزيع هذه التركيبات على المرضى بشكل عشوائي تماماً. الأمر يشبه خلط مجموعة من أوراق اللعب وتوزيعها.
مطبخ النوبات (الكتل العشوائية): في الحياة الواقعية، لا يعمل الطهاة على مدار الساعة؛ بل يعملون في نوبات (أو دفعات). ربما يكون الطاهي (أ) متاحاً فقط في الصباح، والطاهي (ب) في فترة بعد الظهر. تقترح الورقة تنظيم التجربة حسب كتل الوقت هذه. تضمن أنه ضمن كل نوبة، يحصل كل طاهٍ على فرصة لطبخ كل وصفة. هذا يراعي احتمال أن يكون الطاهي متعباً في نهاية اليوم أو يتعلم أثناء العمل.
المطبخ متعدد المواقع (الكتل العشوائية متعددة المراكز): الآن تخيل أن التجربة تجري في عدة مدن (مراكز). في كل مدينة، يوجد طهاة محليون لا يمكنهم السفر إلى مدن أخرى. يضمن التصميم أنه داخل كل مدينة، وداخل كل نوبة زمنية، تظل تركيبات "الطاهي + الوصفة" مختلطة بشكل عادل.

4. الرياضيات: كيف تتذوق الحساء (التحليل)

بمجرد جمع البيانات، لا يمكنك استخدام آلة حاسبة عادية لمعرفة الفائز. ولأن التصميم محدد للغاية، يجب أن تكون الرياضيات محددة بنفس القدر.

"مخطط هاسي" (Hasse Diagram): يستخدم المؤلفون مخططات تدفق خاصة (مخططات هاسي) لرسم خريطة توضح بالضبط كيف تتداخل الطهاة والوصفات والوقت والمواقع معاً. اعتبر هذا بمثابة مخطط للمطبخ لضمان عدم احتساب أي مكون مرتين.
تعديل "ساترثويت" (Satterthwaite): عندما تخلط الكثير من المتغيرات (طهاة، وصفات، وقت، مواقع)، تصبح القواعد القياسية لحساب "الدلالة الإحصائية" (احتمالات أن تكون النتيجة قد حدثت بالصدفة) معقدة. توصي الورقة باستخدام تعديل رياضي محدد (طريقة ساترثويت) لضمان دقة الحكم النهائي.

5. المحاكاة: "تجربة تشغيلية"

قبل إخبار الأطباء بكيفية تغيير طريقة إجراء التجارب، أجرى المؤلفون محاكاة حاسوبية ("تجربة تشغيلية") مع 10,000 تجربة وهمية. لقد اختبروا طريقتهم الجديدة مقابل الطرق القديمة الفوضوية.

ما وجدوه:

العدالة: عندما قاموا بتعيين تركيبات "الطاهي + الوصفة" عشوائياً، استطاعوا قياس مقدار ما يعود للنتيجة من الطاهي ومقدار ما يعود للوصفة بدقة.
خطر التخمين: إذا حاولوا تعيين الطهاة للوصفات بعد رؤية الوصفة التي حصل عليها المريض (أو إذا لم يتم إخفاء الوصفة عن الطاهي)، فإن النتائج تعرضت للانحراف. كان الأمر أشبه بطاهٍ يتذوق الحساء قبل تقديمه ويغير الوصفة لتناسب مزاج الزبون. هذا جعل الدراسة غير موثوقة.
الحكم النهائي: الطريقة الجديدة لتعشية (randomizing) "تركيبة" المعالج والتدخل معاً هي الطريقة الأكثر موثوقية للحصول على إجابة حقيقية.

الملخص

تجادل الورقة بأنه لمعرفة ما إذا كان العلاج فعالاً حقاً، يجب أن نتوقف عن معاملة المعالجين كضجيج خلفي غير مرئي. بدلاً من ذلك، يجب أن نعاملهم كمكون رئيسي في الوصفة. ومن خلال تصميم تجارب حيث يجرب كل معالج كل علاج، وباستخدام أدوات رياضية محددة لتحليل النتائج، يمكننا الحصول على صورة أكثر وضوحاً وعدلاً لما يساعد المرضى بالفعل.

الخلاصة: لا تختبر العلاج فحسب؛ بل اختبر الفريق (المعالج + العلاج) معاً، واستخدم الرياضيات الصحيحة لمعرفة من فعل ماذا.

ملخص تقني: التصميمات العاملية المتعامدة لتجارب التدخلات المقدمة من المعالجين

بيان المشكلة
تُعد مشكلة التكتل المرتبط بالعلاج (treatment-related clustering) قضية معترف بها في التجارب المتوازية ذات المجموعات المتعددة والتعشية الفردية لتقييم التدخلات التي يقدمها المعالجون (مثل العلاج النفسي)، حيث تكون نتائج المرضى مرتبطة ببعضها البعض داخل نطاق المعالجين. وبينما يقر الممارسة القياسية بهذا التكتل لأغراض تحديد حجم العينة والتحليل، إلا أن التركيز الأساسي يظل على تقدير آثار التدخل، مع معاملة المعالجين مجرد مصدر للتباين بدلاً من كونهم عاملاً علاجياً. إن الفصل بين الآثار المحددة للمعالجين وآثار التدخلات يظل تحدياً قائماً. غالباً ما تتناول الأدبيات الحالية التصميمات المتداخلة (nested) أو المتداخلة جزئياً (حيث يقدم المعالجون تدخلاً واحداً فقط)، لكنها تركت الأدبيات المتعلقة بالتصميمات "المتقاطعة" (crossed) (حيث يقدم كل معالج جميع التدخلات) غير متطورة نسبياً. علاوة على ذلك، هناك انفصال بين أدبيات "تصميم التجارب" (DoE)، التي تفترض عادةً عوامل علاج ثابتة، وبين منهجية التجارب السريرية، التي غالباً ما تعامل المعالجين كآثار عشوائية.

المنهجية
يقترح المؤلفون عائلة من التصميمات التجريبية العاملية المتعامدة التي تعامل كلاً من التدخل والمعالج كعوامل علاجية. في هذا الإطار، يشكل الجمع بين معالج محدد وتدخل محدد "العلاج"، والذي يتم تعشيته للمرضى. وتعمل الورقة على تكييف نهج تصميم التجارب الكلاسيكي الموصوف من قبل "بيلي" [42] لاستيعاب المعالجين كعامل علاج عشوائي.

يحدد المؤلفون ثلاثة هياكل تصميمية محددة:

التصميم العاملي العشوائي الكامل: تجربة أحادية المركز حيث تكون التدخلات والمعالجون ثابتين عبر الزمن. يتم تعشية المرضى لجميع مجموعات التدخلات والمعالجين.
التصميم العاملي ذو الكتل العشوائية: يأخذ في الاعالح "تعلم المعالج" أو آثار الوقت من خلال إدخال عامل حجز (blocking factor) يسمى "الدفعات" (Batches/Time periods). يتم تعشية العلاجات للمرضى ضمن كل دفعة.
التصميم العاملي ذو الكتل العشوائية متعدد المراكز: يوسع التصميم السابق ليشمل مراكز متعددة، حيث يتم تضمين المعالجين داخل المراكز، وتتقاطع الدفعات مع المراكز.

لكل تصميم، يقدم المؤلفون:

مخططات هاسي (Hasse Diagrams): لتصور العلاقات بين وحدات القياس وعوامل العلاج، مع التمييز بين الآثار الثابتة والعشوائية.
تحليل التباين (ANOVA): جداول مفصلة تحدد الطبقات، ومصادر التباين، ودرجات الحرية، ومتوسطات المربعات المتوقعة. ويشير المؤلفون إلى أنه في تصميمات الكتل، لا يكون الهيكل متعامداً بشكل صارم وفقاً للتعريفات القياسية بسبب "الآثار العشوائية المعتمدة" (حيث يتداخل الحد الأعلى للآثار العشوائية مع العوامل الثابتة). وبناءً على ذلك، يقترحون استخدام تركيبات خطية لمتوسطات المربعات وتقريب "ساترثويت" (Satterthwaite's approximation) لتقدير درجات الحرية المناسبة لاختبار آثار التدخل الثابتة.
نماذج الانحدار: تُعرض النماذج الخطية المكافئة (نماذج المعاملات العشوائية) لكل تصميم، والتي تربط مكونات التباين (التباين بين المعالجين، والتباين في أثر التدخل بين المعالجين، وخطأ مستوى المريض) بالقيم الذاتية لتحليل التباين (ANOVA eigenvalues).
التنفيذ: يتم توفير كود لغة R محدد باستخدام aov و lmer لتنفيذ هذه التحليلات.

الدراسة المحاكية
أُجريت دراسة محاكاة لتقييم أداء خمس طرق للتعشية عبر التصميمات المقترحة:

تعشية غير عشوائية للمعالج بعد تعشية التدخل.
تعشية غير عشوائية للمعالج قبل تعشية التدخل.
تعشية التدخل عن طريق الحجز حسب المعالج.
الطريقة المقترحة: تعشية مزيج (المعالج-التدخل) للمرضى.
تعشية التدخلات، ثم تعشية المعالجين للمرضى (محجوزة حسب التدخل).

وقد نوعت الدراسة المتغيرات الأساسية (baseline covariates) التي تتنبأ بالنتائج لمحاكاة سيناريوهات قد يتأثر فيها تعيين المعالج بخصائص المريض أو معرفته بالتدخل.

النتائج الرئيسية

التحيز وتقدير التباين: تم تقدير أثر التدخل ( $\delta_1$ $δ_{1}$ ) دون تحيز عبر جميع الطرق. ومع ذلك، كان تقدير مكونات التباين حساساً للغاية لطريقة التعشية.
- أدت التعيينات غير العشوائية للمعالجين (الطرق 1-3) إلى مبالغة كبيرة في تقدير التباين بين المعالجين ( $\sigma^2_{u1}$ ) والتباين في أثر التدخل بين المعالجين ( $\sigma^2_{v1}$ ) عندما كانت المتغيرات المستقلة غير متوازنة.
- سهلت طريقة تعشية مزيج المعالج-التدخل (الطريقة 4) أو تعشية المعالجين للمرضى (الطريقة 5) عملية التقدير غير المنحاز لهذه المكونات.
الخطأ المعياري والقوة الإحصائية: عندما تسببت التعيينات غير العشوائية في تضخم تقدير التباين في أثر التدخل بين المعالجين، زاد الخطأ المعياري لأثر التدخل، مما أدى إلى ارتفاع كبير في خطأ النوع الثاني (انخفاض القوة الإحصائية).
خطأ النوع الأول: ظل معدل خطأ النوع الأول عند 5% لمعظم الطرق. ومع ذلك، أظهر سيناريو محدد (الطريقة 5، حيث تم تعشية المعالجين بعد التدخلات) تضخماً في خطأ النوع الأول عندما أثر متغير مستقل على تعيين المعالج. حدث هذا لأن موازنة المتغير المستقل اللاحقة أدت إلى عدم توازن في عدد المرضى لكل تركيبة علاجية، وهو ما لم يتم تعديله في التحليل.
تقديرات الحدود (Boundary Estimates): أشارت الدراسة إلى أن مكونات التباين غالباً ما تُقدر بصفر (تقديرات حدودية)، مما يؤثر على درجات الحرية المتاحة لاختبار أثر التدخل.

الأهمية والادعاءات
تزعم الورقة أنها الأولى التي تطبق نهجاً رسمياً من "تصميم التجارب" (DoE) لتصميم تجارب التدخلات المقدمة من المعالجين حيث يُعامل المعالج كعامل علاج عشوائي في تصميم متقاطع. ويجادل المؤلفون بأن هذا النهج:

يوفر إطاراً صارماً للفصل بين آثار المعالج وآثار التدخل.
يوفر عائلة من التصميمات المتعامدة التي تسمح بتقدير تعلم المعالج (عبر الحجز) وآثار المراكز.
يثبت من خلال المحاكاة أن التعشية الهادفة لمزيج المعالج-التدخل هي الأفضل للتقدير غير المنحاز لمكونات التباين وللحفاظ على القوة الإحصائية.
يسلط الضوء على ضرورة استخدام تقريب "ساترثويت" لدرجات الحرية، ويقترح أن التحليل القائم على تحليل التباين (ANOVA) قد يكون مفضلاً على الانحدار القياسي لتجنب العواقب غير المقصودة لتقديرات الحدود على درجات الحرية.

يخلص المؤلفون إلى أنه بينما تعتبر التصميمات المقترحة مثالية من الناحية النظرية، فإن القيود العملية (مثل توافر المعالجين ودوران الموظفين) تتطلب مزيداً من البحث المنهجي لتطوير طرق تعشية مرنة. ويؤكدون أن التصميم الأكثر تعمداً للتجارب لديه القدرة على توليد أدلة أفضل للتدخلات المعقدة في العلاج النفسي، والعلاج الطبيعي، والتأهيل، والجراحة.