Prospektif kohort çalışmanız 6 ayda bitiyor. Güç analizine göre 80 hasta yeterli. İlk 3 ayda 80 hastayı aldınız. Sonra fark ettiniz: 4'ü çalışmadan çekildi, 6'sı kontrole gelmedi, 3'ü şehir değiştirdi, 2'sinin kaydı eksik kaldı. Elinizdeki kullanılabilir veri 65 hasta. Güç %80'den %68'e düştü.
Tanıdık geliyorsa, güç analizinizde dropout rate (kayıp oranı) hesaplaması eksik kalmış demektir.
Dropout sadece "çekilme" değil
Dropout deyince akla ilk gelen hastanın "ben 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 -- bunların hepsi dropout kategorisine 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 stratejinizi belirliyor.
Bir hastanın laboratuvar numunesinin yanlışlıkla dökülmesi tamamen rastgele kayıp (MCAR). Kayıp hiçbir değişkenle ilişkili değil, sadece örneklem küçülüyor. Gerçek hayatta çok nadir.
Yaşlı hastaların genç hastalara göre daha fazla vizit kaçırması koşullu rastgele kayıp (MAR). Kayıp gözlenen değişkenlerle açıklanabiliyor. Çoklu imputasyon gibi yöntemlerle yanlılık kontrol edilebiliyor.
Tedaviye yanıt vermeyen hastaların çalışmadan çekilmesi rastgele olmayan kayıp (MNAR). En sorunlu durum. Kayıp, doğrudan kayıp olan verinin kendisiyle ilişkili. Standart yöntemler yanlı sonuç üretiyor, duyarlılık analizi zorunlu.
Uyarı
Kayıp mekanizmasını kesin olarak belirlemek istatistiksel olarak imkansız -- MNAR tanımı gereği gözlenemeyen veriye dayanıyor. Bu yüzden her kayıp hastanın nedenini sistematik olarak kaydetmek kritik. "Kayıp tamamen rastgeledir" varsayımı hakemler tarafından mutlaka sorgulanacak.
Güce etkisi: Rakamlarla bakalım
Somut bir senaryo: iki grup karşılaştırması, alfa=0.05, güç=0.80, Cohen's d=0.50. Grup başına 64 hasta, toplam 128.
%0 dropout'ta güç 0.80. %15 dropout'ta güç 0.70'e düşüyor. %25 dropout'ta 0.62. %40 dropout'ta 0.48 -- para atıp tura demekten çok az daha iyi.
%20 dropout, gücü %80'den %66'ya düşürüyor. Gerçek bir farkı kaçırma olasılığınız %20'den %34'e yükseliyor.
Dahası, dropout MCAR değilse -- yani sistematik bir örüntü varsa -- sadece güç kaybı değil, sonuçlarda yanlılık da oluşuyor. Tedaviye yanıt vermeyen hastalar sistematik olarak çekiliyorsa, kalan örneklem popülasyonu temsil etmiyor. Sonuçlar olduğundan daha olumlu görünüyor.
Düzeltme formülü
Dropout'u hesaba katmanın en basit yolu, başlangıçta daha fazla hasta almak. Formül:
N_düzeltilmiş = N_hesaplanan / (1 - dropout_oranı)
Üç farklı senaryo üzerinden gidelim.
Kesitsel çalışma, güç analizi n=150 vermiş, beklenen dropout %10 (form eksikliği, veri hatası): 150 / 0.90 = 167 hasta.
6 aylık takip çalışması, grup başına n=80 (toplam 160), beklenen dropout %18: 160 / 0.82 = 196 hasta (her grupta 98).
2 yıllık RCT, grup başına n=120 (toplam 240), beklenen dropout %30: 240 / 0.70 = 343 hasta (her grupta 172).
Bu formül dropout oranının zamanla sabit olduğunu varsayıyor. Uzun süreli takip çalışmalarında ilk aylarda dropout daha yüksek, sonra azalıyor. O durumda simülasyon bazlı güç analizi veya Lakatos yöntemi daha gerçekçi tahminler sunuyor.
Dropout Düzeltmesi: Öncesi ve Sonrası
Düzeltmesiz planlama
Düzeltmeli planlama
Beklenen dropout oranını nereden bileceksiniz?
En güvenilir kaynak, benzer popülasyonda ve benzer tasarımla yapılmış çalışmaların dropout oranları. Literatür taraması yaparken metodoloji bölümlerinden çok, CONSORT akış diyagramına bakmakta fayda var -- gerçek rakamlar orada.
Genel dropout aralıkları: tek vizit kesitsel çalışmalarda %3-10 (form eksikliği, veri hatası), kısa RCT'lerde (6 aydan kısa) %10-20, uzun RCT'lerde (6-24 ay) %15-30, kohort çalışmalarında %15-25, online anketlerde %30-60, retrospektif dosya taramalarında %5-20.
Bu oranlar genel rehber niteliğinde. Kendi çalışmanız için en doğru tahmin pilot çalışma verilerinizden geliyor. Pilot çalışmanız yoksa, aynı hastanede aynı popülasyonla yapılmış önceki çalışmaların dropout oranlarını sormak pratik bir yol.
Sully ve arkadaşları (2013) Birleşik Krallık'ta 73 RCT'yi incelemiş: çalışmaların %45'i hedef örnekleme ulaşamamış, ortanca dropout %11 bulunmuş. Dropout'un hafife alınmaması gerektiğini gösteren somut bir veri.
Dropout'u azaltmanın yolları
Tamamen önlemek mümkün değil ama sistematik önlemlerle azaltılabiliyor.
Katılımcı odaklı takip planı yapmak etkili. Randevuları hastanın günlük rutinine uydurmak, akşam saatleri ve hafta sonu seçenekleri sunmak, evde ziyaret veya telefon takibi gibi esneklikler dropout'u azaltıyor. Brueton ve arkadaşları (2014), hatırlatma mesajları ve esnek randevuların takibi %10-15 artırdığını göstermiş.
Kayıt sırasında en az 2 telefon numarası, e-posta ve bir alternatif iletişim kişisi almak, takipten düşen hastaya ulaşabilmenin en temel yolu.
Takip süresini gereksiz uzatmamak ve vizit sayısını minimum tutmak, katılımcı motivasyonunu koruyor.
Run-in period (ön dönem) uygulamak, özellikle ilaç çalışmalarında işe yarıyor. Randomizasyon öncesi bir deneme dönemi, uyumsuz hastaları erken tespit edip randomizasyon sonrası dropout'u azaltıyor.
Ve her çıkan hastanın nedenini sistematik olarak kaydetmek -- hem CONSORT akış diyagramı hem de mekanizma değerlendirmesi için zorunlu.
Türkiye'ye özel durumlar
Türkiye'deki klinik araştırmalarda dropout bazı yapısal nedenlerle farklılık gösterebiliyor.
İç göç oranının yüksekliği, özellikle büyükşehirlerde sık adres değişikliği ve taşra illerinde ulaşım güçlüğü dropout'u artırıyor. Uzun süreli takip çalışmalarında bu demografik gerçekliği hesaba katmakta fayda var.
Hastane arşiv sistemleri arasındaki farklılıklar retrospektif çalışmaları etkiliyor. Kağıt kayıt sisteminde eksik veri, elektronik HBS'ye göre çok daha yüksek.
Etik kurullar artık dropout düzeltmesi yapılmış örneklem büyüklüğü talep ediyor. "Ardışık hastalar alınacaktır" ifadesi yeterli görülmüyor. Etik kurul başvuru rehberi yazımızda bu gereksinimleri ele almıştık.
Çok merkezli araştırma yönetimi yapılıyorsa merkezler arası dropout farkları da hesaba katılmalı -- büyük şehirdeki üniversite hastanesi ile taşradaki devlet hastanesi arasında hem hasta takip kapasitesi hem de veri altyapısı açısından ciddi farklılıklar olabiliyor.
Pratik kontrol listesi
Dropout'u araştırma planınıza doğru şekilde dahil etmek için şu adımları takip etmekte fayda var.
Benzer çalışmalardan ve pilot verilerden dropout oranı tahmini yapmak. N / (1 - d) formülüyle düzeltilmiş örneklemi hesaplayıp hem etik kurul protokolünde hem makale yöntem bölümünde şeffaf biçimde sunmak. Her çıkan hasta için nedenini kaydetmek. Hatırlatma, esnek vizit, çoklu iletişim gibi katılımcı tutma stratejilerini protokolde tanımlamak. Birincil analizi ITT olarak planlamak, PP'yi duyarlılık analizi olarak sunmak. Uzun süreli çalışmalarda belirli aralıklarla dropout'u izlemek ve beklenenden yüksek çıkıyorsa katılımcı alımını artırmak. Eksik veri analizi yöntemleri yazımızda imputasyon stratejilerini detaylı ele almıştık.
Model İstatistik olarak güç analizi ve örneklem büyüklüğü hesaplama süreçlerinde dropout düzeltmesini standart olarak dahil ediyoruz. Karmaşık tasarımlarda -- sağkalım analizinde zaman bağımlı dropout, küme randomize çalışmalarda çok düzeyli dropout -- standart formüller yetersiz kalıyor ve simülasyon bazlı yaklaşımlar gerekiyor.
Dropout'u planlamak, onu kabul etmek demek değil. Onu hesaba katarak daha güçlü bir çalışma tasarlamak demek.