📊 statistics

Orthogonal factorial designs for trials of therapist-delivered interventions: Randomising intervention-therapist combinations to patients

本文提出并评估了一类正交析因设计，该设计通过将治疗师-干预组合随机分配给患者，从而能够在治疗师交付型治疗的试验中实现治疗师效应与干预效应在统计上的分离。

原作者： Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

发布于 2026-02-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Rebecca EA Walwyn, Rosemary A Bailey, Arpan Singh, Neil Corrigan, Steven G Gilmour

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图弄清楚两种不同的烹饪食谱（干预措施 A 对比干预措施 B）中，哪一种能做出最好的汤。在典型的实验中，你可能会雇佣两位名厨（治疗师），让厨师 1 只做食谱 A，让厨师 2 只做食谱 B。如果厨师 1 做的汤更好吃，你可能无法确定是因为食谱更优越，还是仅仅因为厨师 1 厨艺更高。

这篇论文就在心理治疗试验领域解决了这个完全相同的问题。它提出了一种更严谨的新方法来组织这些实验，使我们能够区分出什么是“好的食谱”，什么是“好的厨师”。

以下是他们利用简单的类比对想法进行的拆解：

1. 核心问题：“厨师 vs. 食谱”的混淆

在许多治疗研究中，研究人员将疗法（食谱）视为主要测试对象，而将治疗师（厨师）仅视为背景细节。论文指出，治疗师实际上是“治疗”的重要组成部分。如果你没有正确地考虑到他们，你的结果就会变得模糊不清。

2. 提出的解决方案：“交叉厨房”

作者建议采用一种设计，即每一位厨师都要尝试每一种食谱。

旧方法： 厨师 A 只做食谱 A；厨师 B 只做食谱 B。
新方法： 厨师 A 既做食谱 A 也做食谱 B。厨师 B 也做食谱 A 和食谱 B。

通过让每位厨师尝试每种食谱，你可以从数学上将“厨师效应”（一个人的水平如何）与“食谱效应”（疗法本身有多好）区分开来。这被称为交叉因子设计（Crossed Factorial Design）。

3. 三种厨房设置（设计方案）

根据试验的复杂程度，论文概述了三种组织这种“交叉厨房”的方法：

简单厨房（完全随机化）： 想象一个没有轮班的大厨房。你有一份所有可能的“厨师 + 食谱”组合清单。你将这些组合完全随机地分配给患者。这就像洗一副扑克牌然后发牌一样。
轮班厨房（随机区组）： 在现实生活中，厨师不会 24 小时工作；他们有轮班（或“批次”）。也许厨师 A 只在早上有空，而厨师 B 在下午。论文建议按这些时间块来组织试验。你要确保在每个轮班内，每位厨师都有机会烹饪每种食谱。这考虑到了厨师在一天结束时可能会疲劳，或者正在学习过程中。
多中心厨房（多中心随机区组）： 现在想象试验在多个城市（中心）进行。每个城市都有当地的厨师，他们无法前往其他城市。该设计确保在每个城市内，以及在每个时间轮班内，“厨师 + 食谱”的组合仍然被公平地混合。

4. 数学：如何品尝汤的味道（分析）

一旦收集到数据，你不能只用普通的计算器来判断胜负。因为设计非常特殊，数学也必须同样精确。

“哈斯图”（Hasse Diagram）： 作者使用特殊的流程图（哈斯图）来绘制厨师、食谱、时间以及地点是如何相互关联的。这可以看作是厨房的蓝图，以确保没有任何一种成分被重复计算。
“萨特思韦特”（Satterthwaite）调整： 当你混合了如此多的变量（厨师、食谱、时间、地点）时，计算“统计显著性”（即结果纯属巧合的概率）的标准规则会变得很棘手。论文建议使用一种特定的数学调整方法（Satterthwaite 方法），以确保最终结论的准确性。

5. 模拟实验：一次“试运行”

在告诉医生们应该如何改变运行试验的方式之前，作者通过计算机模拟进行了 10,000 次虚假试验。他们将这种新方法与旧的、混乱的方法进行了对比。

他们的发现如下：

公平性： 当他们随机分配“厨师 + 食谱”的组合时，他们可以准确测量出结果中有多少归功于厨师，有多少归功于食谱。
猜测的危险： 如果他们在看到患者得到了哪种食谱之后才去分配厨师（或者如果他们没有对厨师隐藏食谱的信息），结果就会发生偏差。这就像厨师在端上汤之前先尝了味道，然后为了迎合顾客的心情而改变了食谱。这会让研究变得不可靠。
结论： 随机化“治疗师与干预措施组合”的方法是获得真实答案最可靠的方法。

总结

论文认为，要真正了解一种疗法是否有效，我们必须停止将治疗师视为隐形的背景噪音。相反，我们应该将治疗师视为食谱中的关键成分。通过设计让每位治疗师都尝试每种疗法的试验，并使用特定的数学工具进行分析，我们可以得到一个更清晰、更公平的图景。

底线是： 不要只测试疗法；要将“团队”（治疗师 + 疗法）作为一个整体进行测试，并使用正确的数学方法来理清谁做了什么。

核心观点： 不要只测试疗法；要同时测试“团队”（治疗师 + 疗法），并使用正确的数学方法来厘清其中的因果关系。

技术摘要：治疗师交付干预试验中的正交因子设计

问题陈述
在评估治疗师交付干预（如心理治疗）的个体随机平行组试验中，存在已知的与治疗相关的聚类问题，即患者结局在治疗师内部是相关的。虽然标准做法承认这种聚类现象对样本量和分析的影响，但主要重点仍在于估计干预效应，将治疗师仅视为方差来源而非治疗因子。将治疗师的具体效应与干预的具体效应区分开来仍然是一个挑战。现有文献通常处理嵌套或部分嵌套设计（即治疗师仅交付一种干预），但在“交叉”设计（即每位治疗师交付所有干预措施）方面的文献研究相对不足。此外，设计实验（DoE）文献（通常假设固定治疗因子）与临床试验方法论（通常将治疗师视为随机效应）之间存在脱节。

方法论
作者提出了一系列正交因子实验设计，将干预措施和治疗师都视为治疗因子。在该框架下，特定治疗师与特定干预措施的组合构成了“治疗”，并将其随机分配给患者。本文改编了 Bailey [42] 描述的经典设计实验（DoE）方法，以适应将治疗师作为随机治疗因子的情形。

作者概述了三种具体的设计结构：

完全随机因子设计： 单中心试验，干预措施和治疗师随时间保持不变。患者被随机分配到所有干预措施和治疗师的组合中。
随机区组因子设计： 通过引入“批次”（时间段）这一区组因子，来解释“治疗师学习”或时间效应。治疗在每个批次内向患者进行随机分配。
多中心随机区组因子设计： 将上述设计扩展到多个中心，其中治疗师嵌套在中心内，且批次与中心相互交叉。

对于每种设计，作者提供了：

哈斯图（Hasse Diagrams）： 用于可视化单元因子与治疗因子之间的关系，区分固定效应与随机效应。
对于每种设计，作者提供了：
方差分析（ANOVA）： 详细的表格定义了层级、变异来源、自由度和期望均方。作者指出，在区组设计中，由于“依赖性随机效应”（即随机因子的上确界与固定因子共线性/混淆），其结构在标准定义下并非严格正交。因此，他们建议使用均方线性组合和 Satterthwaite 近似法来估计用于检验固定干预效应的适当残差自由度。
回归模型： 提供了等效的线性混合模型（随机系数模型），将方差分量（治疗师间方差、干预效应的治疗师间方差以及患者层面误差）与 ANOVA 特征值联系起来。
实现： 提供了使用 aov 和 lmer 执行这些分析的具体 R 代码。

模拟研究
研究开展了一项模拟研究，旨在评估五种随机化方法在所提设计中的表现：

在干预随机化后进行非随机治疗师分配。
在干预随机化前进行非随机治疗师分配。
按治疗师进行干预随机化区组化。
拟议方法： 将治疗师-干预组合随机分配给患者。
先随机化干预措施，然后将治疗师随机分配给患者（按干预措施区组化）。

研究通过改变对结局具有预测性的基线协变量，来模拟治疗师分配可能受患者特征或干预知识影响的情景。

关键结果

偏差与方差估计： 干预效应 ( $\delta_1$ $δ_{1}$ ) 在所有方法中均得到无偏估计。然而，方差分量的估计对随机化方法高度敏感。
- 非随机分配治疗师（方法 1–3）在协变量不平衡时，会导致对治疗师间方差 ( $\sigma^2_{u1}$ ) 和干预效应的治疗师间方差 ( $\sigma^2_{v1}$ ) 的严重高估。
- 随机化治疗师-干预组合（方法 4）或随机化治疗师至患者（方法 5）有助于实现这些方差分量的无偏估计。
标准误与效能： 当非随机分配导致干预效应的治疗师间方差估计过高时，干预效应的标准误会增加，从而导致第二类错误显著上升（效能降低）。
第一类错误： 大多数方法的第 I 类错误率保持在 5%。然而，在一种特定情景下（方法 5，即在干预之后随机化治疗师），当协变量影响治疗师分配时，出现了第一类错误膨胀。这是因为对协变量的后验平衡导致了每个治疗组合患者数量的不平衡，而分析中并未对此进行调整。
边界估计： 研究指出，方差分量经常被估计为零（边界估计），这会影响用于检验干预效应的自由度。

意义与主张
本文声称是第一个将正式的设计实验方法应用于治疗师交付干预试验的设计研究，其中治疗师被视为交叉设计中的随机治疗因子。作者认为，这种方法：

提供了一个严谨的框架，用于分离治疗师效应与干预效应。
提供了一系列正交设计，允许估计治疗师学习效应（通过区组化）和中心效应。
通过模拟证明，有目的性的治疗师-干预组合随机化在实现无偏方差估计和维持统计效能方面优于顺序分配或非随机分配。
强调了在这些复杂设计中使用 Satterthwaite 近似法进行自由度计算的必要性，并建议使用基于 ANOVA 的分析而非标准回归，以避免边界估计对自由度产生的意外影响。

作者总结道，虽然其提出的设计在理论上是理想的，但实际约束（如治疗师的可获得性和流失率）需要进一步的方法论研究来开发灵活的随机化方法。他们强调，更具针对性的试验设计有潜力为心理治疗、物理治疗、康复治疗及外科手术等复杂干预措施提供更好的证据。