📊 statistics

Sample size calculations for multilevel factorial longitudinal cluster randomised trials

यह शोध पत्र निरंतर परिणामों वाले स्प्लिट-प्लॉट फैक्टोरियल अनुदैर्ध्य क्लस्टर रैंडमाइज्ड परीक्षणों के लिए समर्पित नमूना आकार पद्धति प्रस्तुत करता है, जो विभिन्न अनुदैर्ध्य डिजाइनों, जैसे कि स्टेप्ड वेज या क्लस्टर रैंडमाइज्ड क्रॉसओवर के माध्यम से व्यक्तिगत-स्तर और क्लस्टर-स्तर के हस्तक्षेपों और उनके अंतर्संबंधों के संयुक्त मूल्यांकन को सक्षम बनाता है।

मूल लेखक: Rhys Bowden, Rebecca Walwyn, Jessica Kasza, Andrew Copas, Fan Li, James Wason, Andrew Forbes

प्रकाशित 2026-05-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rhys Bowden, Rebecca Walwyn, Jessica Kasza, Andrew Copas, Fan Li, James Wason, Andrew Forbes

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शेफ हैं जो एक नए व्यंजन के लिए एकदम सही रेसिपी खोजने की कोशिश कर रहे हैं। आपके पास परीक्षण करने के लिए दो मुख्य सामग्रियां हैं: एक विशेष जड़ी-बूटी (जिसे हम "व्यक्तिगत सामग्री" कहेंगे) और एक विशिष्ट पकाने की विधि (जिसे हम "क्लस्टर सामग्री" कहेंगे)।

आमतौर पर, वैज्ञानिक प्रयोगों को दो में से एक तरीके से करते हैं:

व्यक्तिगत परीक्षण: वे कुछ लोगों को जड़ी-बूटी देते हैं और दूसरों को नहीं, जबकि सभी एक ही तरह से खाना पकाते हैं।
समूह परीक्षण: वे कुछ पूरे किचन (क्लस्टर्स) को पकाने की विधि देते हैं और दूसरों को नहीं, जबकि उन किचन में रहने वाले सभी लोग एक ही चीज़ खाते हैं।

लेकिन क्या होगा अगर आप इन दोनों को एक साथ टेस्ट करना चाहते हैं? और क्या होगा अगर आप यह जानना चाहते हैं कि क्या जड़ी-बूटी विशेष पकाने की विधि के साथ उपयोग करने पर बेहतर स्वाद देती है? यहीं पर यह पेपर काम आता है। यह स्पष्ट उत्तर पाने के लिए आपको ठीक कितनी लोगों की आवश्यकता होगी, इसे समझने के लिए एक नया "गणितीय नुस्खा" (mathematical recipe) प्रदान करता है।

यहाँ इस पेपर का विवरण दिया गया है, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: "स्प्लिट-प्लॉट" किचन

यह पेपर एक विशिष्ट प्रकार के प्रयोग पर केंद्रित है जिसे "स्प्लिट-प्लॉट फैक्टोरियल लॉन्गिट्यूडिनल क्लस्टर रैंडमाइज्ड ट्रायल" कहा जाता है। यह सुनने में बहुत जटिल लगता है, आइए इसे तोड़ते हैं:

स्प्लिट-प्लॉट (Split-Plot): एक बड़े बगीचे (एक "क्लस्टर") की कल्पना करें। आप पूरे बगीचे में एक विशेष उर्वरक (क्लस्टर इंटरवेंशन) डालते हैं। लेकिन उस बगीचे के अंदर, आपके पास व्यक्तिगत पौधे हैं। आप उन पौधों में से कुछ को एक विशेष स्प्रे देते हैं और दूसरों को बिना स्प्रे के छोड़ देते हैं। आप पूरे बगीचे पर उर्वरक का परीक्षण कर रहे हैं और व्यक्तिगत पौधों पर स्प्रे का भी।
लॉन्गिट्यूडिनल (Longitudinal): यह केवल एक बार की तस्वीर नहीं है। आप इन बगीचों को समय के साथ देख रहे हैं। शायद आप बिना उर्वरक के शुरू करते हैं, और फिर आधे सीजन के बाद, आप कुछ बगीचों में उर्वरक डालना शुरू कर देते हैं। यह एक "स्टेपड-वेज" (stepped-wedge) डिजाइन की तरह है, जहाँ हस्तक्षेप (intervention) धीरे-धीरे लागू किया जाता है।
चुनौती: जब आप इन दोनों चीजों को मिलाते हैं (समय के साथ एक समूह परिवर्तन और साथ ही एक व्यक्तिगत परिवर्तन), तो गणित अविश्वसनीय रूप से जटिल हो जाता है। पिछले गणितीय उपकरण या तो "समूह के बदलाव" को संभाल सकते थे या "व्यक्तिगत बदलाव" को, लेकिन वे दोनों को एक साथ संभालने में सक्षम नहीं थे, खासकर जब आप यह जानना चाहते हों कि क्या दोनों हस्तक्षेप आपस में क्रिया करते हैं (यानी, क्या स्प्रे उर्वरक के साथ बेहतर काम करता है?)।

2. समाधान: एक नया कैलकुलेटर

लेखकों (रीस बोडेन और उनके सहयोगियों) ने "क्लोज्ड-फॉर्म फॉर्मूला" का एक नया सेट बनाया है।

सोचिए कि पिछले तरीके हजारों कंप्यूटर सिमुलेशन चलाने (जैसे कि परिणाम देखने के लिए लाखों बार पासा फेंकना) के माध्यम से उत्तर का अनुमान लगाने की कोशिश करने जैसे थे। इसमें बहुत समय लगता है और यह आपको यह नहीं बताता कि उत्तर ऐसा क्यों है।

यह पेपर एक सीधा कैलकुलेटर प्रदान करता है। यह आपको एक विशिष्ट समीकरण देता है जहाँ आप अपने नंबर डालते हैं (आपके पास कितने समूह हैं, प्रत्येक समूह में कितने लोग हैं, एक समूह के लोग एक-दूसरे से कितने मिलते-जुलते हैं), और यह तुरंत आपको बताता है:

आपको कितने लोगों को भर्ती करने की आवश्यकता है।
आपके अध्ययन में प्रभावों का पता लगाने की कितनी "शक्ति" (आत्मविश्वास/power) होगी।

3. मुख्य अंतर्दृष्टि: कौन अधिक महत्वपूर्ण है?

इस पेपर की सबसे दिलचस्प खोजों में से एक यह है कि "शोर" (noise) कहाँ से आता है।

समूह प्रभाव (The Group Effect): यदि आप जानना चाहते हैं कि उर्वरक (क्लस्टर इंटरवेंशन) काम करता है या नहीं, तो आपकी सटीकता मुख्य रूप से इस बात पर निर्भर करती है कि आपके पास कितने बगीचे (क्लस्टर्स) हैं।
व्यक्तिगत प्रभाव (The Individual Effect): यदि आप जानना चाहते हैं कि स्प्रे (व्यक्तिगत इंटरवेंशन) काम करता है या नहीं, तो आपकी सटीकता मुख्य रूप से इस बात पर निर्भर करती है कि आपके पास कुल कितने पौधे (व्यक्ति) हैं।

पेपर दिखाता है कि भले ही उर्वरक पूरे बगीचे में लगाया जाता है, लेकिन व्यक्तिगत स्प्रे के लिए गणित आश्चर्यजनक रूप से मजबूत है। यह व्यक्तियों की कुल संख्या के साथ बढ़ता है, न कि केवल समूहों की संख्या के साथ। यह शोधकर्ताओं के लिए अच्छी खबर है क्योंकि इसका मतलब है कि आप व्यक्तिगत उपचार के बारे में बहुत सटीक उत्तर प्राप्त कर सकते हैं, भले ही आपके पास समूहों की बड़ी संख्या न हो, बशर्ते कि आपके पास प्रत्येक समूह के भीतर पर्याप्त लोग हों।

4. "इंटरेक्शन" का मोड़

यह पेपर इंटरेक्शन (interaction) के पेचीदा सवाल को भी हल करता है।

क्या स्प्रे बेहतर काम करता है जब उर्वरक मौजूद होता है?

लेखक दिखाते हैं कि इन विशिष्ट "स्प्लिट-प्लॉट" डिजाइनों में, आप इस इंटरेक्शन का बहुत सटीक अनुमान लगा सकते हैं। वास्तव में, जैसे-जैसे आप प्रत्येक समय अवधि में अधिक लोग जोड़ते हैं, आपकी इस "इंटरेक्शन" का पता लगाने की क्षमता मुख्य समूह प्रभाव की तुलना में और भी तेज हो जाती है। यह एक आवर्धक लेंस (magnifying glass) होने जैसा है जो अधिक लोगों को जोड़ने के साथ और भी शक्तिशाली होता जाता है।

5. वास्तविक दुनिया का उदाहरण: शरएस (SharES) ट्रायल

यह साबित करने के लिए कि उनका गणित काम करता है, लेखकों ने शरएस (SharES) ट्रायल नामक एक वास्तविक अध्ययन को लागू किया।

सेटअप: इस ट्रायल में स्तन कैंसर के रोगियों पर नज़र रखी गई।
- व्यक्तिगत स्तर पर: रोगियों को निर्णय लेने का एक टूल (जैसे कि एक पैम्फलेट या ऐप) दिया गया।
- समूह स्तर पर: चिकित्सकों को मरीजों की जरूरतों की समीक्षा करने में मदद करने के लिए एक डैशबोर्ड दिया गया।
परिणाम: लेखकों ने इन दोनों टूल्स के बीच के इंटरेक्शन को देखने के लिए अपने नए फॉर्मूले का उपयोग किया। उन्होंने दिखाया कि यदि आप दोनों टूल्स के बीच के इंटरेक्शन को अनदेखा करते हैं, तो आपको कम लोगों की आवश्यकता होती है। लेकिन यदि आप यह देखना चाहते हैं कि क्या दोनों टूल्स मिलकर बेहतर काम करते हैं, तो आपको अधिक लोगों को भर्ती करने की आवश्यकता होती है।

सारांश

संक्षेप में, यह पेपर बेहतर प्रयोग बनाने के लिए एक निर्देश पुस्तिका है। यह शोधकर्ताओं को बताता है कि जब वे एक साथ दो अलग-अलग चीजों का परीक्षण कर रहे हों—एक जो समय के साथ पूरे समूहों को प्रभावित करती है, और दूसरा जो व्यक्तियों को प्रभावित करती है—तो उन्हें अपने अध्ययन का आकार कैसे निर्धारित करना चाहिए। यह धीमी, अनुमान-आधारित सिमुलेशन को तेज़, स्पष्ट गणित से बदल देता है, जिससे यह सुनिश्चित होता है कि अध्ययन न तो बहुत छोटे हों (समय बर्बाद करना) और न ही बहुत बड़े (पैसा बर्बाद करना)।

यहाँ बोडेन एवं अन्य द्वारा लिखित शोध पत्र "Sample size calculations for multilevel factorial longitudinal cluster randomised trials" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

नैदानिक परीक्षणों (clinical trials) को अक्सर व्यक्तिगत प्रभावों और उनके संभावित अंतर्संबंधों (interactions) को समझने के लिए एक साथ कई हस्तक्षेपों (interventions) का मूल्यांकन करने की आवश्यकता होती है। जबकि फैक्टोरियल डिजाइन (इकाइयों को उपचार के संयोजनों में यादृच्छिक रूप से आवंटित करना) व्यक्तिगत रूप से यादृच्छिक परीक्षणों और मानक समानांतर क्लस्टर रैंडमाइज्ड ट्रायल्स (CRTs) के लिए अच्छी तरह से स्थापित हैं, स्प्लिट-प्लॉट फैक्टोरियल लॉन्जिट्यूडिनल क्लस्टर रैंडमाइज्ड ट्रायल्स (LCRTs) के लिए कार्यप्रणाली में एक महत्वपूर्ण अंतर है।

विशेष रूप से, मौजूदा पद्धतियां उन डिजाइनों को पर्याप्त रूप से संबोधित नहीं करती हैं जहाँ:

क्लस्टर-स्तर के हस्तक्षेपों को लॉन्जिट्यूडिनल डिजाइनों (जैसे, स्टेप्ड-वेज या क्लस्टर क्रॉसओवर डिजाइन) का उपयोग करके यादृच्छिक किया जाता है।
व्यक्तिगत-स्तर के हस्तक्षेपों को उन क्लस्टरों के भीतर स्वतंत्र रूप से यादृच्छिक किया जाता है।
शोधकर्ताओं को दोनों हस्तक्षेपों के मुख्य प्रभावों और उनके अंतर्संबंध (interaction) का आकलन करने की आवश्यकता होती है।

वर्तमान साहित्य अक्सर नमूना आकार अनुमान (sample size estimation) के लिए सिमुलेशन पर निर्भर करता है, जिसमें क्लोज्ड-फॉर्म विश्लेषणात्मक अभिव्यक्तियों (closed-form analytical expressions) का अभाव है। यह जटिल हाइब्रिड डिजाइनों के लिए डिज़ाइन ट्रेड-ऑफ का तेजी से मूल्यांकन करने या विशिष्ट मापदंडों (जैसे, सहसंबंध संरचनाएं या क्लस्टर आकार) को कैसे प्रभावित करते हैं, यह समझने में कठिनाई पैदा करता है।

2. कार्यप्रणाली (Methodology)

लेखक निरंतर परिणामों (continuous outcomes) वाले स्प्लिट-प्लॉट फैक्टोरियल LCRTs के लिए एक व्यापक सांख्यिकीय ढांचा विकसित करते हैं।

सांख्यिकीय मॉडल (Statistical Model)

पेपर एक अवलोकन $Y_{i,j,k}$ (क्लस्टर $i$ में व्यक्ति $k$ , अवधि $j$ ) के लिए एक लीनियर मिक्सड-इफेक्ट्स मॉडल को परिभाषित करता है:
$Y_{i,j,k} = \beta_C X_{i,j} + \beta_I Z_{i,j,k} + \beta_{IC} X_{i,j}Z_{i,j,k} + \beta_j + a_i + b_{i,j} + \varepsilon_{i,j,k}$
जहाँ:

$X_{i,j}$ : क्लस्टर-अवधि स्तर का उपचार संकेतक (क्लस्टर स्तर पर यादृच्छिक)।
$Z_{i,j,k}$ : व्यक्तिगत-स्तर का उपचार संकेतक (क्लस्टर के भीतर यादृच्छिक)।
$\beta_C, \beta_I, \beta_{IC}$ : रुचि के पैरामीटर (क्लस्टर प्रभाव, व्यक्तिगत प्रभाव, अंतर्संबंध)।
$a_i, b_{i,j}$ : क्लस्टर और क्लस्टर-अवधि परिवर्तनशीलता का प्रतिनिधित्व करने वाले रैंडम इफेक्ट्स।
$\varepsilon_{i,j,k}$ : अवशेष त्रुटि (residual error)।

मॉडल एक ब्लॉक एक्सचेंज करने योग्य सहसंबंध संरचना (block exchangeable correlation structure) मानता है, जो निम्नलिखित के बीच अंतर करता है:

अवधि-के-भीतर सहसंबंध ( $\rho_C$ ): एक ही क्लस्टर और अवधि में व्यक्तियों के बीच सहसंबंध।
अवधि-के-बीच सहसंबंध ( $\rho_{CT}$ ): विभिन्न अवधियों में एक ही क्लस्टर के बीच सहसंबंध।

विचरण अभिव्यक्तियों का व्युत्पन्न (Derivation of Variance Expressions)

मुख्य पद्धतिगत योगदान उपचार प्रभाव अनुमानकों ( $\hat{\beta}_C, \hat{\beta}_I, \hat{\beta}_{IC}$ ) के एसिम्प्टोटिक वेरिएंस (asymptotic variance) के लिए क्लोज्ड-फॉर्म एनालिटिकल एक्सप्रेशन का व्युत्पन्न है।

लेखक जनरलाइज्ड लीस्ट स्क्वायर्स (GLS) सिद्धांत का उपयोग करते हैं।
वे कोवेरियेंस मैट्रिक्स के व्युत्पन्न को सुगम बनाने के लिए मार्जिनल क्लस्टर प्रभाव ( $\tilde{\beta}_C$ ) को अंतर्संबंध से अलग करने के लिए मॉडल को पुन: पैरामीटराइज करते हैं।
व्युत्पन्न दो परिदृश्यों को ध्यान में रखते हैं:
1. अंतर्संबंध के साथ: मॉडल में $\beta_{IC}$ पद शामिल है।
2. अंतर्संबंध के बिना: अंतर्संबंध पद को शून्य माना जाता है।
लेखक क्लस्टर-अवधि के माध्य के कोवेरियंस मैट्रिक्स को उलटने (invert करने) के लिए शेरमैन-मोरिसन फॉर्मूला का उपयोग करके परिवर्तनीय क्लस्टर-अवधि आकार ( $m_{i,j}$ ) को संभालने के लिए इन व्युत्पत्तियों का विस्तार करते हैं, जो एक सामान्य वास्तविक दुनिया का परिदृश्य है।

नमूना आकार सूत्र (Sample Size Formula)

व्युत्पन्न विचरण अभिव्यक्तियों का उपयोग करते हुए, पेपर दो-तरफा परीक्षण के लिए मानक नमूना आकार सूत्र प्रदान करता है:
$1 = \text{var}(\hat{\theta}) \left( \frac{z_{1-\alpha/2} + z_{1-\beta}}{\delta} \right)^2$
जहाँ $\theta$ रुचि का प्रभाव ( $\beta_C, \beta_I,$ या $\beta_{IC}$ ) है, $\delta$ प्रभाव का आकार है, और $\text{var}(\hat{\theta})$ चुने गए डिजाइन और मॉडल के लिए विशिष्ट विचरण अभिव्यक्ति है।

3. मुख्य योगदान (Key Contributions)

प्रथम क्लोज्ड-फॉर्म एक्सप्रेशन: यह पहला पेपर है जो व्यक्तिगत रूप से यादृच्छिक उपचारों के साथ लॉन्जिट्यूडल क्लस्टर रैंडमाइज्ड डिजाइन (जैसे, स्टेप्ड-वेज) को संयोजित करने वाले फैक्टोरियल ट्रायल्स के लिए विश्लेषणात्मक, क्लोज्ड-फॉर्म वेरिएंस और नमूना आकार सूत्र प्रदान करता है।
विचरण का अपघटन (Decomposition of Variance): लेखक प्रदर्शित करते हैं कि व्यक्तिगत-स्तर के प्रभाव और अंतर्संबंध का विचरण कुल अवलोकनों ( $N$ ) के साथ स्केल होता है, जैसा कि व्यक्तिगत रूप से यादृच्छिक ट्रायल्स में होता है। इसके विपरीत, क्लस्टर-स्तर के प्रभाव का विचरण क्लस्टरों की संख्या के साथ स्केल होता है, जैसा कि मानक LCRTs में होता है।
परिवर्तनीय क्लस्टर आकार को संभालना: कार्यप्रणाली स्पष्ट रूप से प्रति क्लस्टर-अवधि प्रतिभागियों की असमान संख्या को समायोजित करती है, जो नैदानिक अभ्यास में एक सामान्य घटना है।
अंतर्संबंध विश्लेषण: पेपर अंतर्संबंध पद के वेरिएंस के लिए विशिष्ट सूत्र प्रदान करता है, जो दिखाता है कि स्प्लिट-प्लॉट डिजाइनों में, यदि प्रति क्लस्टर अवलोकनों की संख्या अधिक है, तो अंतर्संबंध अनुमान क्लस्टर-स्तर के अनुमानों की तुलना में काफी अधिक सटीक हो सकते हैं।
व्यावहारिक अनुप्रयोग: पेपर में यह प्रदर्शित करने के लिए एक कार्यरत उदाहरण शामिल है कि विभिन्न सहसंबंध धारणाओं (एक्सचेंजेबल बनाम ब्लॉक-एक्सचेंजेबल) के तहत इन सूत्रों को कैसे लागू किया जाए, कि SharES ट्रायल (एक स्तन कैंसर हस्तक्षेप अध्ययन) का उपयोग किया गया था।

4. परिणाम (Results)

विचरण निर्भरताएँ (Variance Dependencies):
- व्यक्तिगत-स्तर का प्रभाव ( $\beta_I$ ): विचरण कुल नमूना आकार ( $N$ ) और उपचार प्राप्त करने वाले व्यक्तियों के अनुपात ( $\pi_Z$ ) पर निर्भर करता है। यह क्लस्टरों की संख्या से काफी हद तक स्वतंत्र है।
- क्लस्टर-स्तर का प्रभाव ( $\beta_C$ ): विचरण क्लस्टरों की संख्या और लॉन्जिट्यूडल घटक के डिजाइन (जैसे, स्टेप्ड-वेज अनुक्रम) पर निर्भर करता है।
- अंतर्संबंध ( $\beta_{IC}$ ): विचरण कुल नमूना आकार और दोनों उपचारों के अनुपातों के गुणनफल पर निर्भर करता है।
सहसंबंध संरचना का प्रभाव:
- एक ब्लॉक-एक्सचेंजेबल संरचना (इन-पीरियड और बिटवीन-पीरियड सहसंबंधों के बीच अंतर करते हुए) का उपयोग करने के लिए, साधारण एक्सचेंज करने योग्य संरचना की तुलना में क्लस्टर-स्तर के प्रभाव के लिए आम तौर पर बड़े नमूना आकार की आवश्यकता होती है, विशेष रूप से जब इन-पीरियड सहसंबंध उच्च हो।
- हालांकि, व्यक्तिगत-स्तरीय प्रभावों के लिए नमूना आकार की आवश्यकताएं सहसंबंध संरचनाओं के बीच अपेक्षाकृत स्थिर रहती हैं।
SharES ट्रायल अनुप्रयोग:
- SharES ट्रायल के लिए, एक अंतर्संबंध मानते हुए, क्लस्टर-स्तर के प्रभाव के लिए प्रति क्लस्टर-अवधि आवश्यक अवलोकन 4 (बिना अंतर्संबंध के) से बढ़कर 6 हो गया, और व्यक्तिगत-स्तर के प्रभाव के लिए 2 से 3 हो गया।
- अध्ययन ने रेखांकित किया कि बड़े क्लस्टर आकार के लिए, क्लस्टर-स्तर का डिजाइन (LCRT घटक), व्यक्तिगत-स्तर के यादृच्छिककरण के बजाय, कुल नमूना आकार का प्राथमिक चालक है।

5. महत्व (Significance)

ट्रायल डिजाइन में दक्षता: विश्लेषणात्मक सूत्र प्रदान करके, शोधकर्ता समय लेने वाले सिमुलेशन में जाने के बजाय प्रतिस्पर्धी ट्रायल डिजाइनों का तेजी से मूल्यांकन कर सकते हैं। यह "उद्देश्यपूर्ण डिजाइन" (purposeful design) की सुविधा प्रदान करता है जहाँ शोधकर्ता संसाधनों को अनुकूलित कर सकते हैं।
जटिल ट्रायल्स की व्यवहार्यता: यह कार्यप्रणाली जटिल बहु-स्तरीय फैक्टोरियल ट्रायल्स के संचालन की बाधा को कम करती है, जो व्यवहार संबंधी और कार्यान्वयन विज्ञान हस्तक्षेपों (जैसे, क्लिनिशियन प्रशिक्षण को रोगी-सामना करने वाले ऐप्स के साथ जोड़ना) के मूल्यांकन के लिए आवश्यक हैं।
अंतर्संबंध अनुमानों की सटीकता: परिणाम बताते हैं कि स्प्लिट-प्लॉट LCRTs अंतर्संबंधों का पता लगाने के लिए अद्वितीय रूप से शक्तिशाली हैं। क्योंकि व्यक्तिगत-स्तर का यादृच्छिककरण अंतर्संबंध पदों के लिए उच्च सटीकता प्रदान करता है, ये डिजाइन उन डिजाइनों की तुलना में बेहतर हैं जहाँ सभी कारक क्लस्टर-रैंडमाइज्ड होते हैं और अंतर्संबंध एक प्राथमिक शोध प्रश्न है।
संसाधन आवंटन के लिए मार्गदर्शन: निष्कर्ष स्पष्ट करते हैं कि क्लस्टर-स्तर के प्रभावों का पता लगाने के लिए क्लस्टरों की संख्या बढ़ाना महत्वपूर्ण है, जबकि व्यक्तिगत-स्तर के प्रभावों और अंतर्संबंधों का पता लगाने के लिए प्रति क्लस्टर व्यक्तियों की संख्या बढ़ाना महत्वपूर्ण है। यह फंडर्स और जांचकर्ताओं को संसाधनों को अधिक प्रभावी ढंग से आवंटित करने में मदद करता है।

संक्षेप में, यह पेपर एक महत्वपूर्ण पद्धतिगत अंतर को भरता है, जिससे आधुनिक, बहु-स्तरीय लॉन्जिट्यूडल ट्रायल्स का कठोर डिजाइन और विश्लेषण संभव होता है जो व्यक्तिगत और प्रणालीगत हस्तक्षेपों के बीच जटिल परस्पर क्रिया को समझने का लक्ष्य रखते हैं।