What is estimated in cluster randomized crossover trials with informative sizes? -- A survey of estimands and common estimators
本論文は、情報量の多いサイズを持つ2期間クラスターランダム化クロスオーバー試験における多重治療効果推定対象に対する様々な推定量の定義および一致性の評価を行い、非加重および加重の独立推定方程式（ならびに特定の固定効果モデルまたは交換可能モデル）は不偏な結果をもたらす一方で、非加重および加重の入れ子状の交換可能混合効果モデルは一致性を欠き、バイアスが生じやすいことを示している。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたは、新しい薬に関する謎を解こうとしている探偵だと想像してください。その薬をたった一人に対してテストすることはできません。学校や病院、あるいは近隣地域といった、グループ全体に対してテストしなければなりません。これは「クラスター無作為化比較試験」と呼ばれます。これは、新しいランチメニューをテストするようなものです。例えば、学校Aのランチライン全体を新しいメニューに切り替え、一方で学校Bは従来のメニューを継続し、翌週にそれらを入れ替えるといった具合です。これは、グループが役割を交代するため、「クロスオーバー」デザインと呼ばれます。
しかし、ここからが厄介なところです。もし学校の規模がバラバラだったらどうなるでしょうか？もし学校Aには生徒が500人いて、学校Bにはわずか50人しかいなかったら？もし新しいメニューが大きな学校では大好評だったのに、小さな学校では不評だったとしたら、結果をどのようにカウントすればよいのでしょうか？あなたは「平均的な生徒（個人の視点）」を気にするのでしょうか、それとも「平均的な学校（クラスターの視点）」を気にするのでしょうか？統計学の世界では、これらは「エスティマンド（推定対象）」と呼ばれます。つまり、あなたが狙おうとしている具体的な標的のことです。グループのサイズが、治療の効果と結びついている形で変化する場合、統計学者はそれを「情報を持つサイズ（informative sizes）」と呼びます。これは、もし最大の規模の学校が、偶然にも新しいメニューが最も美味しかった学校だった場合、そのことを考慮に入れなければ、あなたの計算は嘘をつくことになる、というようなものです。
この論文は、マルチピリオド・クロスオーバー試験においてこれらの謎を解こうとしている探偵（研究者）のためのガイドブックです。著者であるアメリカ、イギリス、オーストラリア、ニュージーランドの大学に所属する統計学者チームは、グループのサイズが「情報を伴う（informative）」場合に、どの数学的ツール（推定量）が正しい答えを導き出すのかを突き止めたいと考えました。彼らは4つの主要なタイプのツールを調査しました。単純な平均（独立推定方程式：IEE）、グループをランダムなサンプルとして扱うモデル（混合効果モデル）、そしてグループを固定された事実として扱うモデル（固定効果モデル）です。また、大きめのグループと小さめのグループが等しくカウントされるように、データを「重み付け」した場合に何が起こるかも調査しました。
著者らは、これらのツールをテストするために、何千回ものコンピュータ・シミュレーションを行いました。その結果、一部の人気のあるツール、具体的には「入れ子状の交換可能な混合効果（nested exchangeable mixed effects）」モデルは、グループのサイズが情報を伴う場合、しばしば計算を誤ることが分かりました。それは、まるで箱が重いことを知らないまま、重い箱に自動的に追加の重さを加えるスケールを使っているようなものです。もし箱が重いことを知らなければ、最終的な重さは間違ったものになります。これらのモデルは、一見すると現実的な結果を出しているように見えますが、実際には、個人の平均でもクラスターの平均でもない、解釈不能で混乱を招く数値をターゲットにしてしまっています。
しかし、良いニュースもあります。「独立推定方程式（IEE）」ツールは、特に適切な重み付けを用いて使用した場合、信頼できる揺るぎないスケールのようなものです。グループのサイズがバラバラであっても、個人の効果を知りたい場合でも、クラスター全体の効果を知りたい場合でも、一貫して正しいターゲットを射抜きます。また、論文は「固定効果」モデルについても、注意が必要であることを示しています。サイズが特定の形で変化する場合、それらは時として、意図せず誤ったもの（例えば、平均的なグループではなく、平均的な期間など）をターゲットにしてしまうことがあります。
実世界のテストとして、著者らは人工呼吸器を使用している患者に対する胃潰瘍薬に関する研究を再分析しました。その結果、異なるツールがわずかに異なる答えを出しており、病院の規模が「情報を伴っていた（informative）」可能性を示唆していることが分かりました。この研究は、このような複雑なマルチピリオド試験を扱う際、研究者はどのツールを選ぶかについて非常に慎重になるべきであると結論付けています。もしグループのサイズによって惑わされないようにしたいのであれば、単純で重み付けされたIEEツールが最も安全な選択であり、より複雑な入れ子状のモデルは、グループのサイズが意味を持つ形で変化する場合は、注意して使用するか、避けるべきなのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。