A Bayesian hierarchical push-forward method for cluster Randomized Controlled Trial power calculations in complex humanitarian settings

ملخص تقني: طريقة هرمية بايزية للتدفق الأمامي لحساب القوة الإحصائية لتجارب cRCT في السياقات الإنسانية المعقدة

بيان المشكلة
يفرض تصميم التجارب العشوائية المنتظمة على مستوى المجموعات (cRCTs) في السياقات الإنسانية (مثل مخيمات اللاجئين، أو مناطق النزاع) تحديات فريدة تفشل طرق حساب القوة الإحصائية التقليدية (التكرارية) في معالجتها بشكل كافٍ. وتتسم هذه البيئات بعدم يقين شديد فيما يتعلق بمعلمات التصميم الرئيسية، بما في ذلك فعالية التدخل، ومعامل الارتباط داخل المجموعة (ICC)، والأهم من ذلك، معدل التسرب (فقدان المتابعة). في مثل هذه البيئات، يمكن أن تؤدي عمليات النزوح، وقيود الموارد، والمخاوف الأمنية إلى تباين في معدلات المتابعة أو الفقدان الكامل لمجموعات بأكملها. تعتمد الطرق التقليدية عادةً على تقديرات نقطية لهذه المعلمات، مما يعطي قيمة واحدة للقوة الإحصائية تحجب الخطر الكبير المتمثل في أن تكون القوة الفعلية للتجربة أقل من العتبات المقبولة (مثل 80%) بسبب فقدان البيانات غير المتوقع. وهناك فجوة معترف بها في الأدبيات فيما يتعلق بطرق التصميم البايزية التي تدمج صراحةً المعلومات السابقة وعدم اليقين بشأن فقدان البيانات في مرحلة تصميم تجارب cRCT.

المنهجية
يقترح المؤلفون إطار عمل تصميمي بايزي يولد توزيع تدفق أمامي للقوة (PFPD). يتجاوز هذا النهج التقديرات النقطية ليوفر توصيفاً لتوزيع القوة الإحصائية الكاملة، مع مراعاة عدم اليقين في معلمات التصميم. تتكون المنهجية من ثلاثة مكونات أساسية:

1. النمذجة الهرمية للبيانات التاريخية: يستخدم إطار العمل بيانات من تجارب مكتملة سابقة (أو معلومات سابقة) لتقدير التوزيعات البعدية للمعلمات الرئيسية: تأثير العلاج ($\delta$)، ومعامل الارتباط داخل المجموعة للنتيجة ($\rho$)، ومعدل المتابعة ($\pi$)، ومعامل الارتباط داخل المجموعة للتسرب ($\tau$). تسمح النمذجة الهرمية باستمداد القوة من عدة دراسات إذا توفرت، وذلك عبر نمذجة معلمات التجربة الخاصة كعينات من توزيع سكاني محدد بالمعلمات الفائقة.
2. نماذج التسرب والنتائج:
   • التسرب: يعامل النموذج نزعات المتابعة الخاصة بكل مجموعة كمتغيرات كامنة تتبع توزيع بيتا (Beta). يسمح هذا باشتقاق متوسط معدل المتابعة ($\pi$) ومعامل الارتباط داخل المجموعة للتسرب ($\tau$)، والذي يحدد مدى ارتباط فقدان البيانات داخل المجموعات (تتراوح من الفقدان العشوائي إلى فقدان المجموعة بالكامل).
   • النتيجة: تُستخدم نموذج التأثيرات المختلطة الخطية المعممة (تحديداً نموذج برنولي مع رابط لوجيت) لنمذجة النتيجة الثنائية، مع دمج تأثير عشوائي يتبع التوزيع الطبيعي للمجموعات لتقدير معامل الارتباط داخل المجموعة للنتيجة (ICC).
3. رسم خرائط التدفق الأمامي (Push-Forward Mapping): الابتكار الجوهري هو آلية "التدفق الأمامي". فبدلاً من تثبيت المعلمات عند تقديرات نقطية، تقوم الطريقة بسحب عينات من التوزيعات البعدية لمعلمات التصميم ($\Theta$). يتم تمرير هذه العينات عبر دالة رسم خرائط حتمية ($f$)، وهي صيغة حجم العينة/القوة القياسية لـ cRCT مع مراعاة التسرب (بإدراج عامل تضخم التباين $G$). تؤدي هذه العملية إلى توليد توزيع تجريبي لقيم القوة الإحصائية ($P(\xi | D, \Gamma)$)، حيث تمثل $\xi$ القوة، و$D$ هي البيانات التاريخية، و$\Gamma$ تمثل قيود التصميم الثابتة (مثل عدد المجموعات $n$، وعدد الأفراد في كل مجموعة $m$).

المساهمات الرئيسية

• إطار عمل مبتكر: يقدم البحث استراتيجية بايزية رسمية مصممة خصيصاً لتصميم cRCT، تدمج صراحةً عدم اليقين في التسرب (على مستوى الفرد والمجموعة) في حسابات القوة الإحصائية.
• توزيع التدفق الأمامي: يوسع طرق تقدير الـ ICC البايزية الحالية (مثل Turner et al.) ليشمل معلمات التسرب، مما يوفر تمثيلاً توزيعياً للقوة بدلاً من مجرد تقدير نقطي واحد.
• التطبيق العملي: طور المؤلفون ونشروا تطبيق R Shiny متاحاً للجمهور لجعل هذه الحسابات المعقدة سهلة الوصول للباحثين، مما يسمح باستكشاف تفاعلي لكيفية تأثير حجم العينة وعدم يقين المعلمات على القوة الإحصائية.
• التطبيق في العالم الحقيقي: يتم تطبيق الطريقة على تصميم تجربة cRCT مرتقبة في "كوكس بازار" ببنجلاديش، لتقييم تدخل للعاملين الصحيين المجتمعيين فيما يخص أمراض القلب والأوعية الدموية والتهاب الكبد الوبائي (C) بين لاجئي الروهينجا.

النتائج

• دراسة المحاكاة: أجرى المؤلفون عمليات محاكاة بتغيير أحجام العينات، وتأثيرات العلاج، ومعدلات التسرب.
  • أظهرت عمليات المحاكاة أنه بينما قد تشير التقديرات النقطية التكرارية ومتوسطات PFPD إلى أن التجربة ذات قوة كافية (مثلاً > 80%)، فإن PFPD غالباً ما يكشف عن احتمال غير مهمل (خطر الذيل) بأن القوة الفعلية قد تنخفض دون هذا الحد.
  • على سبيل المثال، في السيناريوهات التي بلغت فيها التقديرات التكرارية 83% وكان وسيط PFPD هو 92%، ظل هناك احتمال بنسبة 35% أن تكون القوة الحقيقية أقل من 80%.
  • سلطت الدراسة الضوء على أن زيادة حجم المجموعة تؤدي إلى عوائد متناقصة في استقرار القوة بمجرد الوصول إلى حجم عينة إجمالي معين، وهو تفصيل دقيق يلتقطه شكل التوزيع الخاص بـ PFPD.
• تطبيق بنجلاديش: بتطبيق الطريقة على تصميم تجربة بنجلاديش باستخدام بيانات من تجربة مماثلة اكتملت في ميانمار:
  • قيم المؤلفون ستة سيناريوهات تتراوح من الفقدان العشوائي للأفراد إلى الفقدان الكامل للمجموعة.
  • رغم التقلبات في معلمات التسرب (خاصة في سيناريوهات سقوط المجموعات)، أشارت توزيعات PFPD إلى احتمال عالٍ لتحقيق القوة الكافية (الوسيط $\ge$ 0.87).
  • ومع ذلك، فقد قامت التحليلات أيضاً بقياس المخاطر: حتى في أكثر السيناريوهات تفاؤلاً، كان هناك احتمال يصل إلى 0.35 بأن تكون التجربة ضعيفة القدرة (underpowered)، وهو خطر كان سيظل غير مرئي في حسابات التقدير النقطي القياسية.

الأهمية والادعاءات
يدعي البحث أن هذا العمل يوفر أساساً لتجارب cRCT أكثر متانة وكفاءة في السياقات الإنسانية من خلال إضفاء الطابع الرسمي على الاستراتيجيات التي تتوقع فقدان البيانات. تكمن الأهمية في التحول من القرارات الثنائية ("ذات قوة/ليست ذات قوة") إلى فهم احتمالي لخصائص تشغيل التجربة. ومن خلال قياس عدم اليقين في القوة الإحصائية، تتيح هذه الطريقة للباحثين وأصحاب المصلحة اتخاذ قرارات أكثر استنارة بشأن حجم العينة وتخصيص الموارد، مع الإقرار بعدم الاستقرار المتأصل في البيئات الإنسانية. ويرى المؤلفون أن هذا النهج يعزز قاعدة الأدلة للتدخلات الصحية في المجموعات السكانية محدودة الموارد والمتضررة من الأزمات من خلال ضمان أن تصميمات التجارب مرنة تجاه مستويات التسرب العالية الشائعة في هذه البيئات. وتعتبر ادعاءات العمل متواضمة، حيث أشارت إلى القيود مثل التركيز الحالي على النتائج الثنائية والاعتماد على مصدر واحد للبيانات السابقة في التطبيق، مع اقتراح توسعات مستقبلية لتشمل النتائج المستمرة ومصادر بيانات متعددة.