Choosing Among Randomized Design Families for Implementation Strategy Trials: A Question-Driven Framework with Practical Tools and Exemplars
Este artigo apresenta uma estrutura prática, orientada por questões, e ferramentas acompanhantes para guiar pesquisadores na seleção da família de delineamento randomizado mais apropriada — como ensaios de clusters paralelos, stepped-wedge, fatoriais ou adaptativos — para estudos de estratégia de implementação com base em seus objetivos de tomada de decisão específicos, em vez de preferência metodológica.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine que você é um chef tentando descobrir como fazer uma cidade inteira comer mais vegetais. Você tem uma ótima receita (a "intervenção baseada em evidências"), mas fazer as pessoas realmente cozinharem e comerem é a parte difícil. É aqui que entra a ciência da implementação. É o estudo de como pegar uma boa ideia e fazê-la aderir ao mundo real, seja em um hospital, em uma escola ou em um centro comunitário. Para fazer isso, os cientistas frequentemente usam estratégias de implementação — pense nelas como "campanhas de marketing" ou "aulas de culinária" projetadas para fazer as pessoas usarem a receita.
Mas aqui está a parte complicada: como você testa se sua campanha de marketing realmente funciona? Você não pode apenas adivinhar; você precisa de um teste justo. Na ciência, o padrão ouro para um teste justo é um ensaio randomizado. Isso é como jogar uma moeda para decidir quem recebe a aula de culinária especial e quem não recebe, para que você possa ter certeza de que qualquer diferença no consumo de vegetais se deve à aula, e não ao fato de um grupo já ser mais consciente da saúde. No entanto, não existe apenas uma maneira de jogar essa moeda. Você pode jogá-la uma vez no início, pode jogá-la para decidir quando as pessoas recebem a aula, ou pode jogá-la várias vezes à medida que aprende mais. Escolher a maneira errada de jogar a moeda pode levar a uma confusão onde você não aprende de fato o que pretendia aprender.
Este artigo, escrito por Jonah K. Amponsah e colegas, é como um guia amigável para cientistas que estão prestes a jogar essa moeda. Os autores notaram que os pesquisadores frequentemente escolhem um desenho de ensaio porque é o que eles conhecem melhor, em vez de escolher o que realmente responde à sua pergunta específica. Para corrigir isso, eles construíram uma "estrutura orientada por perguntas". Eles classificaram as muitas maneiras de realizar esses ensaios em quatro famílias principais, cada uma projetada para responder a um tipo diferente de pergunta.
Primeiro, se você quer apenas saber qual de duas estratégias estáticas é melhor (como "Um tutorial em vídeo funciona melhor do que um workshop presencial?"), você usa um Ensaio Cluster-Randomizado Paralelo. Imagine atribuir escolas inteiras para receber ou o vídeo ou o workshop e ver qual grupo come mais vegetais. Esta é a abordagem clássica e direta.
Segundo, se você precisa implementar uma estratégia para todos eventualmente, mas precisa testá-la ao longo do caminho, você usa um Desenho Stepped-Wedge. Imagine uma onda de novas aulas de culinária sendo implementada pela cidade. Você joga uma moeda para decidir qual bairro recebe a aula em janeiro, qual em fevereiro, e assim por diante. Todos recebem a aula eventualmente, mas o tempo aleatório permite comparar aqueles que já a têm com aqueles que ainda não têm.
Terceiro, se a sua estratégia é um pacote grande de muitas partes (como um workshop que inclui vídeos, folhetos e acompanhamento por telefone) e você quer saber quais partes específicas estão realmente fazendo o trabalho pesado, você usa um Experimento Fatorial (frequentamente parte da Estratégia de Otimização Multifásica, ou MOST). Isso é como testar uma receita de smoothie mudando aleatoriamente apenas um ingrediente de cada vez em vários lotes para ver se a banana, o espinafre ou a pasta de amendoim é o ingrediente secreto.
Finalmente, se você precisa adaptar sua estratégia com base na resposta das pessoas (como mudar de um vídeo para uma chamada ao vivo se o vídeo não estiver funcionando), você usa um SMART (Ensaio Randomizado de Atribuição Múltipla Sequencial). Isso é como um videogame onde o nível de dificuldade muda com base na sua pontuação. Se uma escola não está melhorando com a primeira estratégia, a moeda é jogada novamente para decidir se eles recebem um modo "difícil" de intervenção ou um tipo diferente de ajuda.
Os autores não apenas listaram essas opções; eles criaram um kit de ferramentas prático para ajudar os pesquisadores a combinar sua pergunta específica com o desenho correto. Eles alertam que escolher um desenho sofisticado e complexo apenas porque parece legal pode ser contraproducente se você não tiver escolas ou dados suficientes para fazê-lo funcionar. Em vez disso, eles sugerem começar pela decisão que você precisa tomar e, então, trabalhar de trás para frente para encontrar a maneira mais simples e poderosa de jogar a moeda para obter a resposta. Ao usar sua sequência de planejamento de cinco etapas e mapas visuais, os cientistas podem evitar construir ensaios que são tecnicamente corretos, mas cientificamente inúteis, garantindo que as "aulas de culinária" que eles desenham realmente ajudem as pessoas a comer seus vegetais.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.