Örneklem büyüklüğünüzü titizlikle hesapladınız, etik kurul onayını aldınız, veri toplamaya başladınız. Üç ay sonra fark ettiniz ki katılımcıların %25'i takipten çıktı, formlar yarım kaldı, bazı laboratuvar sonuçları eksik. Kağıt üzerinde %80 olan güç, pratikte %60'ın altına düştü. Hepimizin başına gelmiştir.
Kayıp neden oluşuyor?
Klinik araştırmalarda kayıp farklı biçimlerde ortaya çıkıyor: hastanın takip vizitine gelmemesi, çalışmadan kendi isteğiyle çekilmesi, protokol ihlali nedeniyle çıkarılması, veri formlarının eksik doldurulması veya ölüm. Kayıp oranını doğru değerlendirebilmek için öncelikle eksik verinin neden oluştuğunu anlamak gerekiyor.
Rubin (1976) tarafından tanımlanan üç mekanizma bu konunun temelini oluşturuyor:
MCAR (Tamamen Rastgele Kayıp): Kaybın hiçbir değişkenle ilişkisi yok. Laboratuvar numunesinin taşımada bozulması, veri giriş hatası gibi durumlar. En nadir mekanizma — sağlandığında yalnızca örneklem küçülüyor, yanlılık oluşmuyor.
MAR (Koşullu Rastgele Kayıp): Kayıp, gözlenen diğer değişkenlerle açıklanabiliyor. Yaşlı hastaların kontrol vizitlerini daha sık kaçırması, düşük eğitim düzeyindekilerin uzun anketleri yarım bırakması gibi. Çoklu imputasyon yöntemleri MAR altında geçerli sonuçlar üretiyor.
MNAR (Rastgele Olmayan Kayıp): En sorunlu mekanizma. Kayıp, doğrudan kayıp olan verinin kendisiyle ilişkili. Tedaviye yanıt vermeyen hastaların çalışmadan çekilmesi, yan etki yaşayan katılımcıların ilacı bırakması gibi. Standart yöntemler yanlı sonuçlar üretiyor ve duyarlılık analizi zorunlu hale geliyor.
Uyarı
Kayıp mekanizmasını kesin olarak belirlemek istatistiksel olarak mümkün değil — çünkü MNAR tanımı gereği gözlenemeyen veriye dayanıyor. Bu yüzden protokolde kayıp nedenlerinin sistematik olarak kaydedilmesi kritik önem taşıyor. Neden kaydı tutulmadan yapılan "kayıp tamamen rastgeledir" varsayımı, hakemler tarafından sorgulanıyor.
Güce etkisi: rakamlarla bakalım
İki grup karşılaştırması için %80 güçle (α = 0.05, Cohen's d = 0.50) her grupta 64 katılımcı hesapladığınızı düşünelim. Toplam 128 kişi. Farklı kayıp oranlarının güce etkisi şöyle:
%20 kayıp oranında güç %80'den %66'ya düşüyor. Gerçek bir farkı tespit edememe olasılığı %20'den %34'e yükseliyor. %40 kayıpta ise güç %48'e iniyor — bu noktada çalışmanın bilimsel değeri ciddi biçimde sorgulanıyor.
Dahası, kayıp MCAR değilse güç kaybının yanı sıra parametre tahminlerinde yanlılık da oluşuyor. Tedaviye yanıt vermeyen hastalar sistematik olarak çekiliyorsa, kalan örneklem popülasyonu temsil etmiyor ve sonuçlar olduğundan daha olumlu görünüyor.
Düzeltme formülü
Kayıp oranını örneklem büyüklüğü hesaplamasına dahil etmek için basit ama etkili bir formül var:
N_düzeltilmiş = N_hesaplanan / (1 − d)
Burada d beklenen kayıp oranı (0 ile 1 arasında). Örneklem büyüklüğü hesaplama yazımızda temel kullanımı ele almıştık. Burada daha detaylı senaryolar üzerinden gidelim:
Tek vizit kesitsel: n = 200, %8 kayıp → 200 / 0.92 = 218 katılımcı. Altı ay kohort: n = 150, %18 kayıp → 150 / 0.82 = 183 katılımcı. İki yıl RKÇ: n = 240, %28 kayıp → 240 / 0.72 = 334 katılımcı.
| Çalışma Türü | Beklenen Kayıp | Başlıca Nedenler |
|---|---|---|
| Tek vizit kesitsel | %3-10 | Eksik form, veri hatası |
| Kısa süreli RKÇ (< 6 ay) | %10-20 | Yan etki, tedavi bırakma |
| Uzun süreli RKÇ (6-24 ay) | %15-30 | Takip kaybı, motivasyon |
| Kohort (1+ yıl) | %15-25 | Adres değişikliği, mortalite |
| Online anket | %30-60 | Düşük yanıt oranı, yarıda bırakma |
| Çok merkezli çalışma | %15-35 | Merkezler arası farklılık |
Sully ve arkadaşları (2013), İngiltere'deki 73 RKÇ'yi incelediğinde çalışmaların %45'inin hedef örnekleme ulaşamadığını ve ortanca kayıp oranının %11 olduğunu buldu. Kayıp oranının hafife alınmaması gerektiğini gösteren çarpıcı bir veri.
Akademik Not
N / (1 − d) formülü yaygın ve çoğu durumda yeterli. Ancak uzun süreli takip çalışmalarında kayıp oranı doğrusal değil — ilk aylarda yüksek, sonra azalan bir eğilim gösteriyor. Bu durumda Lakatos (1988) tarafından önerilen zaman bağımlı kayıp modellemesi veya simülasyon tabanlı yaklaşımlar daha gerçekçi tahminler sunuyor.
Kayıp oranını azaltmak mümkün mü?
Sıfıra indirmek mümkün değil, ama dikkatli planlama ciddi fark yaratıyor.
Brueton ve arkadaşları (2014), sistematik derlemelerinde hatırlatma mesajları ve esnek randevuların takip oranını %10-15 artırdığını raporladı. Somut adımlar: katılımcılarla düzenli iletişim (vizit öncesi hatırlatma SMS'i, vizit sonrası teşekkür mesajı), esnek randevu saatleri, birden fazla iletişim bilgisi toplama, gerçekçi takip takvimi ve kayıp nedenlerinin sistematik kaydı.
Kayıp nedenlerinin kaydedilmesi CONSORT akış diyagramının zorunlu bir bileşeni — ve mekanizma değerlendirmesinin temeli.
ITT vs Per-Protokol: kayıp perspektifi
Kayıp oranı, analiz stratejisi seçimini doğrudan etkiliyor.
ITT (Intention-to-Treat): Randomize edilen herkes, başlangıçta atandığı grupta kalıyor — çalışmadan çıksa bile. Randomizasyonu koruyor, gerçek dünya etkinliğini yansıtıyor. Ama kayıp katılımcıların verileri bir şekilde ele alınmalı (çoklu imputasyon, model bazlı yaklaşımlar). Kayıp arttıkça imputasyonun etkisi büyüyor.
Per-Protokol: Yalnızca protokolü tamamlayanlar değerlendiriliyor. Biyolojik etkinliği yansıtıyor ama randomizasyonu bozabiliyor. Kayıp yüksekse ciddi seçim yanlılığı oluşabiliyor.
ICH E9 kılavuzu birincil analiz olarak ITT'yi öneriyor. PP analizi duyarlılık analizi olarak sunulabiliyor. Her ikisinin tutarlılığı, çalışmanın güvenilirliğini artırıyor.
Türkiye bağlamı
Türkiye'de iç göç oranının yüksekliği, özellikle uzun süreli takip çalışmalarında adres ve iletişim bilgilerinin değişmesine yol açıyor. Retrospektif çalışmaların yaygınlığı da ayrı bir zorluk — hastane arşiv sistemlerindeki dijitalleşme düzeyi kurumlar arasında büyük farklılıklar gösteriyor.
Etik kurullar, kayıp oranı tahmini ve düzeltilmiş örneklem büyüklüğünün protokolde yer almasını giderek daha sıkı talep ediyor. TÜBİTAK ARDEB başvurularında kayıp oranıyla tutarlı bütçe gerekçesi hakem değerlendirmesinde olumlu izlenim bırakıyor.
Karmaşık tasarımlarda — sağkalım analizlerinde zaman bağımlı kayıp, küme randomize çalışmalarda çok düzeyli kayıp — erken aşamada uzman desteği almak riskleri en aza indiriyor. Model İstatistik CRO ekibi olarak hem güç analizi hem de klinik araştırma tasarımı süreçlerinde araştırmacıyla birlikte yürüyoruz.