سوگیری ریزش

سوگیری ریزش چیست؟

سوگیری ریزش (Attrition Bias) در تحقیقات زمانی رخ می‌دهد که شرکت‌کنندگان در مطالعه که از مطالعه خارج می‌شوند، ویژگی‌هایی داشته باشند که به طور قابل توجهی با شرکت‌کنندگان باقی‌مانده متفاوت باشد. این ریزش انتخابی می‌تواند منجر به نتایج انحرافی و تفسیرهای نادرست شود، اگر محققان به اندازه کافی به آن نپردازند. این تهدید برای مطالعات طولی و آن‌هایی که نرخ ریزش نسبتاً بالایی دارند، بیشتر است.

در واقع، سوگیری ریزش یک خطای سیستماتیک است که در اثر از دست دادن نابرابر شرکت‌کنندگان از یک کارآزمایی تصادفی کنترل‌شده (RCT) ایجاد می‌شود. در کارآزمایی‌های بالینی، شرکت‌کنندگان ممکن است به دلیل اثربخشی نامطلوب درمان، عوارض جانبی غیرقابل تحمل یا حتی مرگ، از مطالعه خارج شوند. علاوه بر این، بیمارانی که از برنامه درمانی پیروی نمی‌کنند یا به دنبال مداخلات اضافی خارج از پروتکل مطالعه هستند، به احتمال زیاد به دلیل نقض پروتکل مطالعه از مطالعه حذف می‌شوند. این انصراف‌ها می‌توانند بر (1) قدرت آماری مطالعه و (2) تعادل عوامل مخدوش‌کننده بین گروه‌ها تأثیر بگذارند.

(1) قدرت آماری یک مطالعه به توانایی تشخیص یک اثر در صورت وجود اشاره دارد. فرض کنید دو درمان را مقایسه می‌کنید و متوجه می‌شوید که هیچ تفاوت معنی‌داری بین آنها وجود ندارد. اگر قدرت آماری کافی ندارید، نمی‌دانید که آیا به دلایل زیر نتوانسته‌اید تفاوتی پیدا کنید:

الف) واقعاً هیچ تفاوتی بین گروه‌ها وجود ندارد.

یا

2) شما فقط نتوانسته‌اید تفاوت را تشخیص دهید.

برای داشتن قدرت آماری کافی، باید مطمئن شوید که اندازه نمونه شما به اندازه کافی بزرگ است. (این باید قبل از مطالعه شما محاسبه شود).

(2) عوامل مخدوش‌کننده متغیرهایی هستند که محقق نتوانسته آنها را کنترل یا حذف کند و می‌توانند بر نتیجه مطالعه تأثیر بگذارند. به عنوان مثال، اگر یک گروه درمانی و یک گروه کنترل از نظر متغیرهایی مانند جنسیت یا وضعیت اجتماعی-اقتصادی متفاوت باشند، این عوامل می‌توانند مخدوش‌کننده‌های بالقوه باشند. بنابراین، به عنوان مثال، اگر تعداد نامتناسبی از زنان از یک گروه خارج شوند، این می‌تواند بر تعادل عوامل مخدوش‌کننده بین گروه‌های مطالعه تأثیر بگذارد. این به این دلیل است که در حالت ایده‌آل، ما می‌خواهیم گروه‌های مطالعه تا حد امکان مشابه باشند و فقط از نظر مداخله‌ای که دریافت می‌کنند متفاوت باشند.

چگونه بر سوگیری ریزش غلبه کنیم یا حداقل آن را کاهش دهیم؟

• ارتباط مؤثر: ارتباط منظم و واضح می‌تواند شرکت‌کنندگان را درگیر و از اهمیت مطالعه مطلع نگه دارد.
• استراتژی‌های پیگیری: اجرای یادآوری‌ها، تماس‌های پیگیری یا ایمیل‌ها می‌تواند مشارکت مداوم را تشویق کند.
• به حداقل رساندن بار: کاهش دفعات آزمایش و آسان کردن مشارکت تا حد امکان می‌تواند میزان ریزش را کاهش دهد.
• انگیزه‌ها: ارائه انگیزه‌های پولی یا غیرپولی می‌تواند شرکت‌کنندگان را به ماندن ترغیب کند.
• اطلاعات دقیق شرکت‌کنندگان را حفظ کنید: به تضمین ارتباط مداوم با شرکت‌کنندگان، حتی در صورت جابجایی آنها، کمک می‌کند.

برای جلوگیری از کاهش قابل توجه در قدرت مطالعه، توصیه می‌شود که محققان شرکت‌کنندگان بیشتری نسبت به حداقل اندازه نمونه مورد نیاز ثبت نام کنند. این به محققان اجازه می‌دهد تا خروج‌های مورد انتظار را جبران کنند. با این حال، اگرچه این مرحله مهم است، اما برای جلوگیری کامل از سوگیری کافی نیست، حتی اگر تعداد بیماران باقی مانده (پس از خروج‌ها) برای ارائه قدرت آماری مورد نیاز کافی باشد.

این به این دلیل است که همانطور که گفته شد، تخصیص تصادفی شرکت‌کنندگان به گروه مطالعه، تعادل عوامل مخدوش‌کننده شناخته شده (و ناشناخته) را تضمین می‌کند. این امر برای تضمین اعتبار کارآزمایی‌های تصادفی کنترل‌شده حیاتی است. بنابراین، خروج نامتناسب شرکت‌کنندگان از یک گروه می‌تواند بر توزیع متغیرهای مخدوش‌کننده در بین گروه‌های مطالعه تأثیر بگذارد.

برای جلوگیری از سوگیری ناشی از این امر، لازم است بیمارانی که از مطالعه خارج می‌شوند در تحلیل لحاظ شوند. بر این اساس، تحلیل قصد درمان (Intention to Treat (ITT)) به عنوان یک راه‌حل آماری معرفی شده است. در این روش، همه بیماران تصادفی در تحلیل نهایی (صرف نظر از هرگونه عدم انطباق یا خروج از مطالعه) گنجانده می‌شوند. مرحله چالش‌برانگیز در تحلیل ITT، تخمین مقادیر نقطه پایانی بیماران غیرمطابق یا از دست رفته است زیرا این داده‌ها معمولاً در دسترس نیستند. با این حال، رویکردهای متعددی برای تخمین این داده‌ها وجود دارد:

(1) تحلیل آخرین مشاهده منتقل‌شده به آینده (LOCF)

در این رویکرد، محققان از آخرین داده‌های مشاهده به عنوان داده‌های نقطه پایانی بیماران از دست رفته استفاده می‌کنند. به عنوان مثال، تصور کنید که قرار بود یک شرکت‌کننده در 6 هفته، 10 هفته و 16 هفته پیگیری شود. با این حال، در پیگیری 16 هفته‌ای، امکان تماس با آنها وجود نداشت. در این مورد، داده‌هایی که آنها در 10 هفته ارائه داده‌اند «به بعد منتقل می‌شود» و فرض می‌شود که نمره او در 16 هفته است. با این حال، این روش باید با احتیاط استفاده شود، زیرا فرض می‌کند که شرکت‌کنندگان به تدریج در طول مطالعه بهبود می‌یابند. مشکل این است که این سناریو می‌تواند نتایج مغرضانه‌ای را در زمانی که بیماری زمینه‌ای ماهیت پیشرونده دارد، به دست دهد، به این معنی که بیماری با گذشت زمان بدتر می‌شود.

به عنوان مثال: یک RCT در مورد محافظت عصبی در برابر بیماری پارکینسون را تصور کنید. (استراتژی‌های محافظت عصبی استراتژی‌هایی هستند که می‌توانند در اوایل بیماری با هدف به تأخیر انداختن پیشرفت بیماری اعمال شوند). با این حال، هنگامی که محققان از آخرین مقدار مشاهده استفاده می‌کنند، احتمالاً بیماران از دست رفته مقادیری خواهند داشت که نشان دهنده پیشرفت بیماری کمتر از نقطه پایانی واقعی است. یعنی، چه آنها مداخله فعال دریافت کنند و چه کنترل، مقادیر اولیه آنها احتمالاً بهتر است. و این می‌تواند منجر به تخمین بیش از حد اثربخشی مداخله شود.

(2) جایگذاری چندگانه (Multiple Imputation)

هدف از این رویکرد، پیش‌بینی مقدار نقطه پایانی بیماران از دست رفته با استفاده از مدل‌های رگرسیون است. در این رویکرد، جایگذاری‌ها از طریق مدل‌های رگرسیون انجام می‌شوند. سپس خطاهای تصادفی از طریق یک مولد اعداد تصادفی به مقادیر مورد انتظار اضافه می‌شوند. اساساً، هدف این رویکرد تجمیع مقادیر ثبت شده در یک نتیجه واحد (تخمین زده شده) است.

(3) تحلیل بدترین حالت ممکن (Worst-case Scenario)

در یک RCT، از آنجا که شرکت‌کنندگان به طور تصادفی به گروه‌های درمان و کنترل اختصاص داده می‌شوند، هرگونه تفاوت سیستماتیک بین آنها به احتمال زیاد به درمان نسبت داده می‌شود. بنابراین یک رویکرد برای محققان این است که بدترین سناریوی ممکن را برای پر کردن داده‌ها برای شرکت‌کنندگانی که به دلیل ریزش از مطالعه حذف شده‌اند، در نظر بگیرند.

اگر نتیجه دو حالتی باشد (مثلاً مرگ و میر)، می‌توانیم بدترین رویداد (یعنی مرگ) را برای خروج از گروه آزمایش و بهترین رویداد (یعنی بقا) را برای هر شرکت‌کننده‌ای که از گروه کنترل خارج شده است، در نظر بگیریم.

اگر نتیجه یا خروجی مداوم باشد، می‌توانیم بهترین مقدار پایه و بدترین مقدار نقطه پایانی را به خروج از مطالعه اختصاص دهیم.

این رویکرد تخمینی محافظه‌کارانه از اثر درمان ارائه می‌دهد. بنابراین اگر درمان نسبت به کنترل برتر تشخیص داده شود، می‌توانیم مطمئن باشیم که درمان واقعاً مؤثرتر بوده است. دلیل این امر این است که، اگر هیچ چیز دیگری وجود نداشته باشد، این نوع تحلیل، میزان اثر درمان را کمتر از حد واقعی تخمین می‌زند. با این حال، یک مشکل کلیدی در این رویکرد این است که تبعیت (از درمان) ضعیف ممکن است لزوماً به معنای بی‌اثر بودن درمان نباشد. اگر این تحلیل نشان دهد که درمان نسبت به کنترل برتر نیست، نمی‌توانیم مطمئن باشیم که چرا این‌طور است. این می‌تواند به این دلیل باشد: ۱) درمان واقعاً بی‌اثر است یا ۲) نتیجه‌ی انصراف از درمان است. بنابراین، برای جلوگیری از تفسیر نادرست، توصیه می‌شود RCTها را با استفاده از رویکردهای چندگانه، از جمله تجزیه و تحلیل پیش از پروتکل و سناریوهای متعدد ITT در صورت امکان، تجزیه و تحلیل کنید.

مثال:

آلتمن و همکارانش یک RCT انجام دادند که دو درمان برای افتادگی اندام لگنی را مقایسه می‌کرد. در این حالت، برآمدگی یک یا چند اندام لگنی به داخل واژن وجود دارد. (دو درمان مورد مقایسه، کولپورافی قدامی در مقابل مش ترانس واژینال بودند).

در این مطالعه، آنها موارد زیر را انجام دادند:

۱) تجزیه و تحلیل پیش از پروتکل (یعنی فقط شامل بیمارانی که هم درمان و هم پیگیری را تکمیل کردند).

و

۲) یک سناریوی تجزیه و تحلیل دیگر (تجزیه و تحلیل ITT با فرض بدترین حالت).

در بخش تحلیل آماری، آنها این دو جمله را نوشتند:

«تحلیل‌ها شامل تحلیل پیش از پروتکل و تحلیل حساسیت محافظه‌کارانه از پیامد اولیه دوتایی بود. برای اهداف تحلیل حساسیت، ما بدترین سناریو را برای گروه ترمیم مش در نظر گرفتیم. (یعنی برای همه بیماران دارای داده‌های از دست رفته در گروه ترمیم مش، درمان مطالعه ناموفق در نظر گرفته شد، در حالی که برای بیماران دارای داده‌های از دست رفته در گروه کولپورافی، درمان مطالعه موفق در نظر گرفته شد)».

علاوه بر این، نویسندگان هنگام گزارش پیامد اولیه ذکر کردند: «نتیجه تحلیل پیش از پروتکل مشابه تحلیل قصد درمان بود (نسبت شانس تعدیل‌شده، ۴.۳؛ ۹۵٪ CI، ۲.۶ تا ۷.۲)». بنابراین، می‌توانیم مطمئن باشیم که اثر درمانی گزارش‌شده در این مطالعه احتمالاً تحت تأثیر افتراقی برخی از شرکت‌کنندگان در طول پیگیری قرار نمی‌گیرد.

نتیجه‌گیری

از دست رفتن متفاوت شرکت‌کنندگان از RCTها منجر به سوگیری ریزش می‌شود. تحلیل ITT برای به حداقل رساندن سوگیری ریزش جمعیت توصیه می‌شود. به محققان توصیه می‌شود:

(1) در صورت امکان، سعی کنند داده‌های مربوط به ریزش را از منابع دیگر (مثلاً ثبت مرگ و میر) به دست آورند.

(2) سعی کنند داده‌های از دست رفته را با استفاده از رویکردهای چندگانه جایگزین کنند.

(3) انواع مختلفی از تحلیل‌ها، از جمله تحلیل‌های مبتنی بر پروتکل و سناریوهای ITT را انجام دهند.

به این ترتیب، وقتی تحلیل‌های مختلف به نتایج یکسانی منجر می‌شوند، می‌توانیم اطمینان بیشتری داشته باشیم که نتیجه‌گیری‌ها قوی هستند.

مطالب مرتبط مفید

سوگیری در تحقیق

سوگیری پاسخ: تعریف و مثال ها

سوگیری عدم پاسخ: تعریف و کاهش