Choosing Among Randomized Design Families for Implementation Strategy Trials: A Question-Driven Framework with Practical Tools and Exemplars
Cet article présente un cadre pratique, fondé sur des questions directrices, ainsi que les outils d'accompagnement pour guider les chercheurs dans la sélection de la famille de plans randomisés la plus appropriée — tels que les essais cliniques par grappes parallèles, les essais en escalier (stepped-wedge), factoriels ou adaptatifs — pour les études de stratégies de mise en œuvre, en fonction de leurs objectifs décisionnels spécifiques plutôt que de leurs préférences méthodologiques.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes un chef essayant de trouver comment faire manger plus de légumes à toute une ville. Vous avez une excellente recette (l'« intervention fondée sur des preuves »), mais faire en sorte que les gens cuisinent et mangent réellement cette recette est la partie difficile. C'est là que la science de la mise en œuvre entre en jeu. Il s'agit de l'étude de la manière de prendre une bonne idée et de la faire perdurer dans le monde réel, que ce soit dans un hôpital, une école ou un centre communautaire. Pour ce faire, les scientifiques utilisent souvent des stratégies de mise en œuvre — voyez cela comme des « campagnes de marketing » ou des « cours de cuisine » conçus pour inciter les gens à utiliser la recette.
Mais voici la partie délicate : comment tester si votre campagne de marketing fonctionne réellement ? Vous ne pouvez pas simplement deviner ; vous avez besoin d'un test équitable. En science, l'étalon-or pour un test équitable est un essai randomisé. C'est comme lancer une pièce pour décider qui bénéficie du cours de cuisine spécial et qui n'en bénéficie pas, afin d'être certain que toute différence dans la consommation de légumes est due au cours, et non au fait qu'un groupe était déjà plus soucieux de sa santé. Cependant, il n'y a pas qu'une seule façon de lancer cette pièce. Vous pouvez la lancer une seule fois au début, vous pouvez la lancer pour décider quand les gens reçoivent le cours, ou vous pouvez la lancer plusieurs fois au fur et à mesure que vous apprenez de nouvelles choses. Choisir la mauvaise façon de lancer la pièce peut mener à un désordre confus où vous n'apprenez pas réellement ce que vous cherchiez à apprendre.
Cet article, écrit par Jonah K. Amponsah et ses collègues, est comme un guide amical pour les scientifiques qui s'apprêtent à lancer cette pièce. Les auteurs ont remarqué que les chercheurs choisissent souvent un plan d'essai parce que c'est celui qu'ils connaissent le mieux, plutôt que celui qui répond réellement à leur question spécifique. Pour corriger cela, ils ont construit un « cadre axé sur la question ». Ils ont classé les nombreuses façons de mener ces essais en quatre grandes familles, chacune conçue pour répondre à un type de question différent.
Premièrement, si vous voulez simplement savoir laquelle de deux stratégies statiques est la meilleure (comme « Est-ce qu'un tutoriel vidéo fonctionne mieux qu'un atelier en direct ? »), vous utilisez un Essai Randomisé par Grappes Parallèles. Imaginez affecter des écoles entières soit au tutoriel vidéo, soit à l'atelier, et voir quel groupe mange plus de légumes. C'est l'approche classique et directe.
Deuxièmement, si vous devez déployer une stratégie pour tout le monde à terme, mais que vous devez la tester en cours de route, vous utilisez un Désign de type Stepped-Wedge. Imaginez une vague de nouveaux cours de cuisine se propageant à travers la ville. Vous lancez une pièce pour décider quel quartier reçoit le cours en janvier, quel quartier en février, et ainsi de suite. Tout le monde reçoit le cours à terme, mais le calendrier aléatoire permet de comparer ceux qui l'ont déjà à ceux qui ne l'ont pas encore.
Troisièmement, si votre stratégie est un gros ensemble composé de nombreuses parties (comme un atelier qui comprend des vidéos, des documents et des appels de suivi) et que vous voulez savoir quelles parties spécifiques font le plus gros du travail, vous utilisez une Expérience Factorielle (souvent faisant partie de la Stratégie d'Optimisation Multiphase, ou MOST). C'est comme tester une recette de smoothie en changeant aléatoirement un seul ingrédient à la fois à travers de nombreuses fournées pour voir si la banane, l'épinard ou le beurre de cacahuète est l'ingrédient secret.
Enfin, si vous devez adapter votre stratégie en fonction de la façon dont les gens réagissent (comme passer d'une vidéo à un appel en direct si la vidéo ne fonctionne pas), vous utilisez un SMART (Sequential Multiple Assignment Randomized Trial - Essai Randomisé à Assignation Multiple Séquentielle). C'est comme un jeu vidéo où le niveau de difficulté change en fonction de votre score. Si une école ne s'améliore pas avec la première stratégie, la pièce est lancée à nouveau pour décider si elle reçoit un « mode difficile » ou un autre type d'aide.
Les auteurs n'ont pas seulement listé ces options ; ils ont créé une boîte à outils pratique pour aider les chercheurs à faire correspondre leur question spécifique au bon plan. Ils avertissent que choisir un plan sophistiqué et complexe juste parce qu'il a l'air cool peut se retourner contre vous si vous n'avez pas assez d'écoles ou de données pour le faire fonctionner. Au lieu de cela, ils suggèrent de commencer par la décision que vous devez prendre, puis de remonter le fil pour trouver la façon la plus simple et la plus puissante de lancer la pièce pour obtenir la réponse. En utilisant leur séquence de planification en cinq étapes et leurs cartes visuelles, les scientifiques peuvent éviter de construire des essais qui sont techniquement corrects mais scientifiquement inutiles, garantissant ainsi que les « cours de cuisine » qu'ils conçoivent aident réellement les gens à manger leurs légumes.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.