[論文レビュー] Marginal modeling of cluster-period means and intraclass correlations in stepped wedge designs with binary outcomes

Fan Li, Hengshi Yu+3 more|arXiv (Cornell University)|Jan 2, 2021

Statistical Methods and Bayesian Inference被引用数 5

ひとこと要約

本稿では、二値アウトカムを伴う段階的楔型クラスターランダム化試験（SW-CRTs）におけるクラスターパーエポック平均および類内相関（ICC）のマージナルモデリングのため、計算的に効率的な推定方程式手法を提案する。個々の被験者レベルの準スコア方程式をクラスターパーエポック平均に再定式化することにより、介入効果およびICCの高速かつ妥当な点推定および区間推定が可能となり、行列調整推定方程式（MAEE）を用いることで、特にICCの小標本における推論が改善される。

ABSTRACT

Stepped wedge cluster randomized trials (SW-CRTs) with binary outcomes are increasingly used in prevention and implementation studies. Marginal models represent a flexible tool for analyzing SW-CRTs with population-averaged interpretations, but the joint estimation of the mean and intraclass correlation coefficients (ICCs) can be computationally intensive due to large cluster-period sizes. Motivated by the need for marginal inference in SW-CRTs, we propose a simple and efficient estimating equations approach to analyze cluster-period means. We show that the quasi-score for the marginal mean defined from individual-level observations can be reformulated as the quasi-score for the same marginal mean defined from the cluster-period means. An additional mapping of the individual-level ICCs into correlations for the cluster-period means further provides a rigorous justification for the cluster-period approach. The proposed approach addresses a long-recognized computational burden associated with estimating equations defined based on individual-level observations, and enables fast point and interval estimation of the intervention effect and correlations. We further propose matrix-adjusted estimating equations to improve the finite-sample inference for ICCs. By providing a valid approach to estimate ICCs within the class of generalized linear models for correlated binary outcomes, this article operationalizes key recommendations from the CONSORT extension to SW-CRTs, including the reporting of ICCs.

研究の動機と目的

• 二値アウトカムを伴うSW-CRTsにおける、大規模な個別被験者レベルのクラスターパーエポックデータに基づく推定方程式の計算負荷を軽減すること。
• SW-CRTsにおけるマージナル平均およびICCパラメータの共同推定のための妥当かつ効率的な手法を開発すること。
• 二値アウトカムにおける一般化推定方程式（GEE）において、個別被験者レベルのデータの代わりにクラスターパーエポック平均を使用することの正当化を提供すること。
• 特にクラスターパーエポックサイズが不均一な状況下でも、ICC推定の小標本バイアスを是正するため、行列調整推定方程式（MAEE）を用いて推論を改善すること。
• ICCの自然尺度での直接推定および不確実性の定量化を可能にすることで、SW-CRTsにおけるICC報告に関するCONSORT指針を実務化すること。

提案手法

• 個別被験者レベルのマージナル平均に関する準スコア方程式を、クラスターパーエポック平均に基づく同等の形に再定式化し、計算複雑性を低減する。
• 個別被験者レベルのICCをクラスターパーエポック平均の相関に変換することで、マージナルモデリング下でのクラスターパーエポックアプローチの正当化を図る。
• クラスターパーエポック平均に一般化推定方程式（GEE）を適用し、介入効果およびマージナル平均パラメータを推定する。
• 小標本バイアスを是正するため、行列調整推定方程式（MAEE）を用い、特にクラスターパーエポックサイズが不均一な状況下でのICC推定を改善する。
• 尤度の原則を活用して、二値アウトカムのクラスターパーエポック集約（二項分布合計による）が、完全なGLMMと同等の推論をもたらすことを示すが、これは集団平均解釈に限定される。
• Rパッケージ geeCRT をCRANに公開し、再現性を確保するためのサンプルコードを提供する。

実験結果

リサーチクエスチョン

• RQ1 二値アウトカムを伴うSW-CRTsにおいて、クラスターパーエポック平均を個別被験者レベルのデータの代わりに信頼性を持って使用して、介入効果およびICCを推定できるか？
• RQ2 提案されたクラスターパーエポックGEEアプローチは、個別被験者レベルGEEと比較して、計算効率および統計的精度の面でどのように異なるか？
• RQ3 行列調整推定方程式（MAEE）は、小標本SW-CRTsにおけるICC推定の有限標本カバレッジをどの程度改善するか？
• RQ4 クラスターパーエポックMAEEアプローチを用いた場合、ICC推定の名目カバレッジを達成するのに十分なクラスタ数（クラスタ数としての標本サイズ）はどの程度か？
• RQ5 実世界のSW-CRTsで一般的なクラスターパーエポックサイズの不均一性がある状況下で、本手法の性能はどのように変化するか？

主な発見

• 提案されたクラスターパーエポックGEEアプローチは、個別被験者レベルGEEと同等の推論を提供するが、特にクラスターパーエポックサイズが大きい場合に顕著な計算コストの低減が達成される。
• 行列調整推定方程式（MAEE）は、特にクラスターパーエポックサイズが不均一な状況下で、標準GEEに見られるICC推定の低カバレッジを顕著に改善する。
• シミュレーション結果から、30〜40のクラスタが、介入効果（α₀）の名目カバレッジを達成するのに十分であることが示唆され、平行CRTsにおける先行研究と整合的である。
• SW-CRTsでは、平行CRTsと比較して、期間間相関（α₁またはρ）のICC推定における名目カバレッジを達成するためにはより多くのクラスタが必要である可能性が示唆され、ICC推定要件におけるデザイン固有の差異が浮き彫りになる。
• 本手法は、ICCの自然尺度での妥当で効率的かつ高速な推定を可能にし、SW-CRTsにおけるICC報告を推奨するCONSORT拡張指針を支援する。
• 本アプローチは、横断的SW-CRTsに限らず、平行縦断的CRTsや、閉鎖コhort型や継続的参加型SW-CRTsなど、より複雑なデザインへの応用も可能である。