[論文レビュー] Comparative Methods for the Analysis of Cluster Randomized Trials

Alejandra Benitez, Maya L. Petersen+8 more|arXiv (Cornell University)|Oct 18, 2021

Advanced Causal Inference Techniques参考文献 37被引用数 6

ひとこと要約

本稿は、クラスターランダム化試験（CRTs）における因果推定手法を比較し、因果モデルを用いて干渉効果を形式的に定式化し、GEE、補正付きGEE、および標的最大尤度推定（TMLE）を含む手法を評価している。シミュレーションおよび実世界のPTBi研究において、TMLEは、多様な因果効果を柔軟に推定しながらも、第1種の誤りを制御し、特にクラスターサイズのばらつきがある状況でも精度を向上させ、他の手法を上回った。

ABSTRACT

Across research disciplines, cluster randomized trials (CRTs) are commonly implemented to evaluate interventions delivered to groups of participants, such as communities and clinics. Despite advances in the design and analysis of CRTs, several challenges remain. First, there are many possible ways to specify the intervention effect (e.g., at the individual-level or at the cluster-level). Second, the theoretical and practical performance of common methods for CRT analysis remain poorly understood. Here, we use causal models to formally define an array of causal effects as summary measures of counterfactual outcomes. Next, we provide a comprehensive overview of well-known CRT estimators, including the t-test and generalized estimating equations (GEE), as well as less known methods, including augmented-GEE and targeted maximum likelihood estimation (TMLE). In finite sample simulations, we illustrate the performance of these estimators and the importance of effect specification, especially when cluster size varies. Finally, our application to data from the Preterm Birth Initiative (PTBi) study demonstrates the real-world importance of selecting an analytic approach corresponding to the research question. Given its flexibility to estimate a variety of effects and ability to adaptively adjust for covariates for precision gains while maintaining Type-I error control, we conclude TMLE is a promising tool for CRT analysis.

研究の動機と目的

• 潜在的アウトカムを用いて、クラスターランダム化試験における因果効果を形式的に定義すること。
• 一般的でないCRT分析手法の理論的および有限標本における性能を評価すること。
• 効果の指定方法（個人レベル対クラスターレベル）が推定手法の性能に与える影響を評価すること。
• 実データを用いて、手法選択の実用的影響を示すこと。Preterm Birth Initiative（PTBi）研究からのデータを用いる。
• 第1種の誤りを制御しながら精度を向上させる、強固で柔軟な分析手法を特定すること。

提案手法

• 潜在的アウトカムと構造的因果モデルを用いて、CRTにおける多様な因果効果を形式的に定義する。
• 標準的な推定手法（t検定、一般化推定方程式（GEE）、補正付きGEE、標的最大尤度推定（TMLE））を比較する。
• TMLEを採用する理由は、二重ロバスト性と半パラメトリック効率性にあり、適応的共変量調整が可能である。
• 有限標本シミュレーションを用いて、クラスターサイズや効果指定の変動下での推定手法の性能を評価する。
• Preterm Birth Initiative（PTBi）研究のデータを用いて、研究結果を検証し、実世界への影響を説明する。
• シミュレーションに基づく推論を用いて、各手法における第1種の誤りの制御と精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 異なる因果効果の指定方法（個人レベル対クラスターレベル）は、CRTにおける推定手法の性能にどのように影響するか？
• RQ2 クラスターサイズの変動下で、GEE や t検定を含む一般的なCRT推定手法の有限標本における性能はいかがなものか？
• RQ3 標的最大尤度推定（TMLE）は、他の手法と比較して、第1種の誤りの制御と精度の面でどのように異なるか？
• RQ4 TMLEにおける適応的共変量調整は、第1種の誤りを増加させることなく、どの程度効率性を向上させることができるか？
• RQ5 実世界のCRT応用において、どの分析手法が研究課題と最も整合するか？

主な発見

• TMLEは、クラスターサイズのばらつきがある状況を含む多様なシミュレーション状況において、第1種の誤りを安定して制御した。
• 共変量を適切に調整した場合、TMLEはGEE や t検定よりも高い精度を達成したが、特にクラスターサイズの不均一性がある状況で顕著であった。
• 効果の指定方法が推定手法の性能に顕著な影響を及ぼし、クラスターレベルの効果は設計仮定により敏感であった。
• 補正付きGEEは標準GEEよりも効率性に優れたが、複雑な共変量調整の処理においてはTMLEほど柔軟ではなかった。
• Preterm Birth Initiative（PTBi）研究への応用により、手法選択が効果推定値の解釈と妥当性に直接影響することが確認された。
• TMLEは、多様な因果効果を推定しつつも統計的性質を維持できる能力があるため、CRT分析における有望なツールである。