Ensayo clínico de medidas repetidas Modelo lineal mixto

Question

Estoy trabajando en un ensayo clínico que pone a prueba una innovadora terapia de rehabilitación en pacientes y me gustaría recibir algunas sugerencias sobre cómo analizar los datos.

El diseño del estudio es: 2 grupos: tratamiento convencional (n=17) vs innovador (n=15); 4 puntos temporales (antes de la terapia, T0; a la mitad del periodo de terapia, T1; al final de la terapia, T2; 2 meses de seguimiento, T3). Como resultado, registramos una variable continua: tiempo (en segundos) para caminar desde el punto A hasta el punto B. Registramos múltiples valores para cada sujeto en cada punto temporal (T0,T1,T2,T3).

He visto artículos en los que los autores utilizaban el ANOVA para evaluar el cambio en el rendimiento dentro de cada grupo. Sin embargo, también me gustaría evaluar la diferencia entre los grupos, preferiblemente también en cada punto temporal. He observado otros estudios que utilizan modelos lineales mixtos.

He pensado en la configuración como efecto fijo: Grupo, Punto de tiempo; Efecto aleatorio: intercepción por sujeto, Grupo por sujeto.

Sin embargo, no soy un experto de esta técnica y no sé realmente cómo aplicarla, ni cómo escribirla en R/Statsmodels. ¿Podríais ayudarme a entender cómo configurarlo y cómo escribirlo en una plataforma de codificación?

Muchas gracias de antemano.

Answer 1

Basado en su descripción, en R usted comenzaría con un modelo como:

outcome ~ group * time-point + (group | subject)

Esto estimará los efectos fijos para el grupo, el punto de tiempo y la interacción entre ellos. Si tiene suficiente potencia estadística, esto le permitirá responder a las preguntas de la investigación. El efecto principal para el grupo estimará la diferencia en el resultado entre los dos grupos en el punto de tiempo 0, el efecto principal para el punto de tiempo (asumiendo que es un factor y no continuo) tendrá 3 estimaciones, siendo cada una de ellas la diferencia estimada en el resultado entre cada estimación del punto de tiempo y el punto de tiempo 0, en el grupo convencional (es decir, si el convecional es el nivel de referencia para la variable de grupo). Las interacciones estimarán la diferencia en el resultado entre los dos grupos para cada punto temporal en relación con el punto temporal 0.

El modelo también ajusta las pendientes aleatorias para group que permitirá que el "efecto" del grupo sea diferente para cada sujeto (es decir, como una compensación del efecto principal para group )

A menudo, en los estudios longitudinales también se desea que el efecto del tiempo (y las interacciones) varíe según el sujeto, es decir, que se ajusten pendientes aleatorias, pero en este caso, con relativamente pocos sujetos y una variable temporal con 4 niveles, es posible que los datos no respalden dicho modelo. Una alternativa sería codificar el tiempo como continuo, pero entonces habría que conocer los puntos temporales reales de cada medición y posiblemente permitir la no linealidad.