Kayıp Oranını Örneklem Planına Nasıl Dahil Edersiniz?

Bir çalışma güç analizine göre "yeterli" sayıda katılımcıyla planlanır; ama prospektif takipte hastaların bir kısmı çekilir, kontrole gelmez, adres değiştirir ya da verisi eksik kalır. Elde kalan kullanılabilir örneklem küçüldükçe istatistiksel güç de planlanan hedefin altına düşer.

Bu kaybı — dropout, yani örneklem erimesi — baştan hesaba katmak, güç analizinin çoğu zaman atlanan ama belirleyici bir adımı. Aksi hâlde titizlikle hesaplanmış bir örneklem, takip sonunda yetersiz güçlü bir çalışmaya dönüşebiliyor.

Kayıp payını doğrudan hesaba katıp düzeltilmiş örneklemi görmek için web sitemizdeki örneklem hesaplama aracını kullanabilirsiniz; girdiğiniz kayıp yüzdesine göre analiz için gereken ve başlangıçta alınması gereken sayıları ayrı ayrı gösteriyor.

Kayıp yalnızca çekilme mi?

Kayıp deyince akla ilk gelen, hastanın "artık istemiyorum" demesi. Ama kavram bundan çok daha geniş: takip vizitine gelmeme, protokol ihlali nedeniyle çıkarılma, adres değişikliği sonucu iletişim kopması, veri toplama formlarının eksik doldurulması, tedavi yan etkisi nedeniyle bırakma — hepsi bu kategoriye giriyor. Her birinin analiz üzerindeki etkisi farklı ama ortak sonuç aynı: planlanan örneklem küçülüyor, istatistiksel güç düşüyor.

Kayıp mekanizması neden önemli?

Hastalar neden takipten düştü? Bu soru merak için değil; analiz stratejisini doğrudan belirliyor.

Bir laboratuvar numunesinin yanlışlıkla dökülmesi tamamen rastgele kayıp (MCAR); kayıp hiçbir değişkenle ilişkili değil, yalnızca örneklem küçülüyor ve gerçek hayatta çok nadir. Yaşlı hastaların daha fazla vizit kaçırması koşullu rastgele kayıp (MAR); kayıp gözlenen değişkenlerle açıklanabiliyor ve çoklu atama (imputasyon) gibi yöntemlerle yanlılık kontrol edilebiliyor. Tedaviye yanıt vermeyen hastaların çekilmesi ise rastgele olmayan kayıp (MNAR); en sorunlu durum, çünkü kayıp doğrudan kayıp olan verinin kendisiyle ilişkili, standart yöntemler yanlı sonuç üretiyor ve duyarlılık analizi zorunlu hâle geliyor.

Kayıp güce ne kadar zarar veriyor?

Somut bir senaryo: iki grup karşılaştırması, α = 0,05, güç = 0,80, Cohen's d = 0,50; grup başına 64, toplam 128 hasta. Kayıp arttıkça kalan güç düşüyor: %15 kayıpta güç yaklaşık 0,73'e, %20 kayıpta ~0,71'e, %25 kayıpta ~0,69'a, %40 kayıpta ~0,59'a iniyor.

Dahası, kayıp MCAR değilse — yani sistematik bir örüntü varsa — yalnızca güç kaybı değil, sonuçlarda yanlılık da oluşuyor. Tedaviye yanıt vermeyen hastalar sistematik olarak çekiliyorsa kalan örneklem popülasyonu temsil etmiyor ve sonuçlar olduğundan daha olumlu görünüyor.

Kayıp örneklem planına nasıl eklenir?

Kaybı hesaba katmanın en basit yolu, başlangıçta daha fazla hasta almak:

n_düzeltilmiş = n_hesaplanan / (1 − kayıp oranı)

Üç senaryo: kesitsel çalışmada güç analizi n = 150 verdiyse ve beklenen kayıp %10 ise 150 / 0,90 ≈ 167 hasta; 6 aylık takipte toplam n = 160 ve beklenen kayıp %18 ise 160 / 0,82 ≈ 196 hasta (her grupta 98); 2 yıllık RKÇ'de toplam n = 240 ve beklenen kayıp %30 ise 240 / 0,70 ≈ 343 hasta (her grupta 172).

Bu formül, kayıp oranının zamanla sabit olduğunu varsayıyor. Uzun süreli takipte kayıp ilk aylarda daha yüksek, sonra azalıyor; o durumda simülasyon bazlı güç analizi veya Lakatos yöntemi daha gerçekçi tahminler sunuyor.

Beklenen kayıp oranı nereden bilinir?

En güvenilir kaynak, benzer popülasyonda ve benzer tasarımla yapılmış çalışmaların kayıp oranları. Literatür taraması yaparken yöntem bölümlerinden çok CONSORT akış diyagramına bakmakta fayda var — gerçek rakamlar orada.

Genel kayıp aralıkları: tek vizit kesitsel çalışmalarda %3-10, kısa RKÇ'lerde (6 aydan kısa) %10-20, uzun RKÇ'lerde (6-24 ay) %15-30, kohort çalışmalarında %15-25, çevrimiçi anketlerde %30-60, retrospektif dosya taramalarında %5-20. Bu oranlar genel rehber; kendi çalışmanız için en doğru tahmin pilot çalışma verilerinizden geliyor. Pilot çalışma yoksa, aynı hastanede aynı popülasyonla yapılmış önceki çalışmaların kayıp oranlarını sormak pratik bir yol.

Sully ve arkadaşları (2013), İngiltere'de kamu fonlu 73 randomize kontrollü çalışmayı inceledi: yalnızca %55'i hedeflenen örneklem büyüklüğüne ulaşabilmiş, %45'i hedefin altında kalmış ve yaklaşık yarısı ek süre veya bütçe talep etmiş. Çalışma, mümkün olduğunda %90 güçle planlama yapılmasını öneriyor. Örneklemin planlanan sayıya ulaşamaması yaygın bir gerçek; ister alım yetersizliğinden ister kayıptan kaynaklansın, baştan tampon bırakmak şart.

Kayıp nasıl azaltılır?

Tamamen önlemek mümkün değil ama sistematik önlemlerle azaltılabiliyor. Katılımcı odaklı bir takip planı etkili oluyor: randevuları hastanın günlük rutinine uydurmak, akşam ve hafta sonu seçenekleri sunmak, evde ziyaret veya telefon takibi gibi esneklikler kaybı azaltıyor. Brueton ve arkadaşları (2014), hatırlatma mesajları ve esnek randevuların takip oranını artırabildiğini gösterdi.

Kayıt sırasında en az iki telefon numarası, e-posta ve bir alternatif iletişim kişisi almak, takipten düşen hastaya ulaşmanın en temel yolu. Takip süresini gereksiz uzatmamak ve vizit sayısını asgaride tutmak katılımcı motivasyonunu koruyor. İlaç çalışmalarında randomizasyon öncesi bir ön dönem (run-in period) uygulamak, uyumsuz hastaları erken tespit edip randomizasyon sonrası kaybı azaltıyor. Her çıkan hastanın nedenini sistematik olarak kaydetmek ise hem CONSORT akış diyagramı hem de mekanizma değerlendirmesi için zorunlu.

Türkiye'de hangi etkenler kaybı artırıyor?

Türkiye'deki klinik araştırmalarda kayıp bazı yapısal nedenlerle farklılaşabiliyor. İç göç oranının yüksekliği, özellikle büyükşehirlerde sık adres değişikliği ve taşra illerinde ulaşım güçlüğü kaybı artırıyor; uzun süreli takip çalışmalarında bu demografik gerçekliği hesaba katmak gerekiyor. Hastane arşiv sistemleri arasındaki farklar da retrospektif çalışmaları etkiliyor: kâğıt kayıt sisteminde eksik veri, elektronik sisteme göre çok daha yüksek.

Etik kurullar artık kayıp düzeltmesi yapılmış örneklem büyüklüğü talep ediyor; "ardışık hastalar alınacaktır" ifadesi yeterli görülmüyor. Etik kurul başvuru rehberi yazımızda bu gereksinimleri ele almıştık. Çok merkezli araştırma yönetiminde merkezler arası kayıp farkları da hesaba katılmalı; büyükşehirdeki üniversite hastanesi ile taşradaki devlet hastanesi arasında hasta takip kapasitesi ve veri altyapısı açısından ciddi farklar olabiliyor.

Planlamaya hangi adımlarla dahil edilir?

Kaybı araştırma planına doğru dahil etmek için birkaç adım işe yarıyor: benzer çalışmalardan ve pilot verilerden kayıp oranı tahmini yapmak; n / (1 − kayıp) formülüyle düzeltilmiş örneklemi hesaplayıp hem etik kurul protokolünde hem makale yöntem bölümünde şeffaf sunmak; her çıkan hasta için nedeni kaydetmek; hatırlatma, esnek vizit ve çoklu iletişim gibi tutma stratejilerini protokolde tanımlamak; birincil analizi ITT (tedavi amaçlı) olarak planlayıp Per-Protokol'ü duyarlılık analizi olarak sunmak; uzun süreli çalışmalarda kaybı belirli aralıklarla izleyip beklenenden yüksek çıkarsa katılımcı alımını artırmak. Eksik veri analizi yöntemleri yazımızda atama (imputasyon) stratejilerini ele almıştık.

Model İstatistik olarak güç analizi ve örneklem büyüklüğü hesaplama süreçlerinde kayıp düzeltmesini standart olarak dahil ediyoruz. Karmaşık tasarımlarda — sağkalım analizinde zaman bağımlı kayıp, küme randomize çalışmalarda çok düzeyli kayıp — standart formüller yetersiz kalıyor ve simülasyon bazlı yaklaşımlar gerekiyor. Kaybı planlamak, onu kabul etmek değil; hesaba katarak daha güçlü bir çalışma tasarlamak anlamına geliyor.

Not: Buradaki güç değerleri iki yönlü test için normal yaklaşımıyla hesaplanmış tipik değerlerdir ve tasarıma göre az miktarda değişebilir; kayıp aralıkları da yol gösterici niteliktedir. Kesin planlama G*Power veya R gibi araçlarla, çalışmanın kendi tasarımı üzerinden yapılır.

Kullanılan kaynaklar

• Sully BGO, Julious SA, Nicholl J. A reinvestigation of recruitment to randomised, controlled, multicentre trials: a review of trials funded by two UK funding agencies. Trials. 2013;14:166. PMID 23758961 · DOI
• Brueton VC, Tierney JF, Stenning S, ve ark. Strategies to improve retention in randomised trials. Cochrane Database of Systematic Reviews. 2014.
• Little RJA, Rubin DB. Statistical Analysis with Missing Data. 3rd ed. Hoboken, NJ: Wiley; 2019.