Örneklem büyüklüğü titizlikle hesaplanır, etik kurul onayı alınır, veri toplama başlar. Ama prospektif takipte katılımcıların bir bölümü kontrole gelmez, çalışmadan çekilir, formları yarım kalır. Elde kalan kullanılabilir örneklem küçüldükçe kağıt üzerinde 0,80 olan güç pratikte hedefin altına iner.
Buradaki soru kaybın olup olmayacağı değil — her prospektif çalışmada bir miktar kayıp oluyor. Asıl mesele üç noktada toplanıyor: kayıp gücü ne kadar eritiyor, kaybın nedeni sonuçları çarpıtıyor mu, ve bu tablo hangi analiz stratejisini gerektiriyor. Kaybı baştan hesaba katmanın pratik yolları için kayıp oranını örneklem planına dahil etme yazımıza bakabilirsiniz; burada kaybın örnekleme ve çıkarıma etkisine odaklanıyoruz.
Kaybın nedeni neden bu kadar belirleyici?
Kayıp klinik araştırmada tek biçimde ortaya çıkmıyor: hastanın takip vizitine gelmemesi, kendi isteğiyle çekilmesi, protokol ihlali nedeniyle çıkarılması, formların eksik doldurulması ya da ölüm. Ama analiz açısından belirleyici olan kaybın miktarı kadar nedeni — çünkü neden, hangi yöntemin geçerli sonuç üreteceğini tayin ediyor.
Rubin'in (1976) tanımladığı üç mekanizma bu ayrımın temeli:
MCAR — tamamen rastgele kayıp: Kaybın hiçbir değişkenle ilişkisi yok. Laboratuvar numunesinin taşımada bozulması, rastgele bir veri giriş hatası gibi. Gerçek hayatta en nadir durum; 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 atama (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 çekilmesi, yan etki yaşayanların ilacı bırakması gibi. Standart yöntemler yanlı sonuç veriyor, duyarlılık analizi zorunlu hale geliyor.
Uyarı
Kayıp mekanizmasını kesin belirlemek istatistiksel olarak mümkün değil — MNAR tanımı gereği gözlenemeyen veriye dayanıyor. Bu yüzden protokolde her kayıp nedeninin sistematik kaydı kritik. Neden kaydı tutulmadan yapılan "kayıp tamamen rastgeledir" varsayımı hakemler tarafından mutlaka sorgulanıyor.
Kayıp gücü ne kadar eritiyor?
Somut bir senaryo üzerinden bakalım. İki grup karşılaştırması için α = 0,05, güç = 0,80 ve Cohen's d = 0,50 ile grup başına 64, toplam 128 katılımcı planladığınızı düşünün. Kayıp arttıkça kalan güç şöyle düşüyor:
%20 kayıpta güç 0,80'den yaklaşık 0,71'e iniyor; gerçek bir farkı tespit edememe olasılığı %20'den yaklaşık %29'a çıkıyor. %40 kayıpta güç ~0,59'a düşüyor — bu düzeyde çalışmanın bir farkı yakalama şansı ile kaçırma şansı neredeyse eşitleniyor.
Dahası, sorun yalnızca güç kaybıyla sınırlı değil. Kayıp MCAR değilse parametre tahminlerinde yanlılık da oluşuyor. Tedaviye yanıt vermeyen hastalar sistematik olarak çekiliyorsa kalan örneklem popülasyonu temsil etmiyor ve sonuçlar olduğundan daha olumlu görünüyor. Yani yüksek kayıp hem çalışmayı zayıflatıyor hem de bulguları gerçekte olduğundan farklı gösterebiliyor.
Kaybı örneklem hesabına nasıl katarsınız?
Kaybı hesaba katmanın en basit yolu, başlangıçta daha fazla katılımcı almak:
n_düzeltilmiş = n_hesaplanan / (1 − kayıp oranı)
Örneğin güç analizi 240 katılımcı verdiyse ve beklenen kayıp %28 ise 240 / 0,72 ≈ 334 katılımcı gerekiyor. Formülün ayrıntılı senaryoları, beklenen kayıp oranının nereden tahmin edileceği ve kaybı azaltma stratejileri kayıp oranını örneklem planına dahil etme yazımızda; burada kritik nokta şu: bu formül kayıp oranının zaman içinde sabit olduğunu varsayıyor.
Akademik Not
Uzun süreli takip çalışmalarında kayıp doğrusal ilerlemiyor — ilk aylarda yüksek, sonra azalan bir eğilim gösteriyor. Bu durumda n / (1 − d) formülü kaba kalıyor; Lakatos (1988) tarafından önerilen zaman bağımlı kayıp modellemesi veya simülasyon tabanlı yaklaşımlar daha gerçekçi tahminler sunuyor. Sağkalım analizlerinde ve küme randomize tasarımlarda bu ayrım özellikle önem kazanıyor.
Kaybın gerçekten karşılaşılan bir sorun olduğunu Sully ve arkadaşlarının (2013) çalışması net gösteriyor: İngiltere'de iki kamu fonu tarafından desteklenen 73 randomize kontrollü çalışmanın yalnızca %55'i hedeflenen örneklem büyüklüğüne ulaşabilmiş, %45'i hedefin altında kalmış. Yazarlar, mümkün olduğunda %90 güçle planlama yapılmasını öneriyor — çünkü örneklemin planlanan sayıya ulaşamaması, ister alım yetersizliğinden ister kayıptan kaynaklansın, istisna değil kural.
ITT mi, Per-Protokol mü?
Kayıp oranı yalnızca örneklem büyüklüğünü değil, analiz stratejisi seçimini de doğrudan etkiliyor. Aynı randomize kohort, iki farklı analizle farklı soruya yanıt veriyor:
ITT (tedavi amaçlı — intention-to-treat): Randomize edilen herkes, çalışmadan çıksa bile başlangıçta atandığı grupta değerlendiriliyor. Randomizasyonu koruyor, gerçek dünya etkinliğini yansıtıyor. Ama kayıp katılımcıların verisi bir şekilde ele alınmalı (çoklu atama, model bazlı yaklaşımlar) ve kayıp arttıkça bu ele alışın sonuca etkisi büyüyor.
Per-Protokol: Yalnızca protokolü eksiksiz tamamlayanlar değerlendiriliyor. Biyolojik etkinliği yansıtıyor ama randomizasyonu bozabiliyor; kayıp yüksekse ciddi seçim yanlılığı doğuruyor.
ICH E9 kılavuzu birincil analiz olarak ITT'yi öneriyor, Per-Protokol'ü duyarlılık analizi olarak konumlandırıyor. İki analizin tutarlı sonuç vermesi çalışmanın güvenilirliğini artırıyor; ayrışması ise kaybın sonuçları etkilediğine dair bir uyarı işareti oluyor. Hatırlatma mesajları ve esnek randevu gibi tutma stratejilerinin takip oranını iyileştirebildiğini Brueton ve arkadaşları (2014) sistematik derlemede gösterdi — ve her çıkan katılımcının nedeninin kaydı, CONSORT akış diyagramının zorunlu bir bileşeni.
Türkiye bağlamında kayıp neden farklılaşıyor?
Türkiye'de iç göç oranının yüksekliği, özellikle uzun süreli takip çalışmalarında adres ve iletişim bilgilerinin değişmesine yol açıyor; büyükşehirlerde sık taşınma, taşra illerinde ulaşım güçlüğü kaybı artırıyor. Retrospektif çalışmaların yaygınlığı ayrı bir zorluk — hastane arşiv sistemlerindeki dijitalleşme düzeyi kurumlar arasında büyük farklılıklar gösteriyor ve kağıt kayıt sisteminde eksik veri, elektronik sisteme göre çok daha yüksek çıkıyor.
Etik kurullar, kayıp oranı tahmini ve düzeltilmiş örneklem büyüklüğünün protokolde yer almasını giderek daha sıkı talep ediyor. TÜBİTAK ARDEB başvurularında kayıp oranıyla tutarlı bir bütçe gerekçesi, hakem değerlendirmesinde olumlu izlenim bırakıyor. Sağkalım analizlerinde zaman bağımlı kayıp ya da küme randomize çalışmalarda çok düzeyli kayıp gibi karmaşık tasarımlarda 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.
Not: Buradaki güç değerleri iki yönlü test için normal yaklaşımıyla hesaplanmış tipik değerlerdir ve tasarıma göre az miktarda değişebilir; kayıp aralıkları yol gösterici niteliktedir. Kesin planlama G*Power veya R gibi araçlarla, çalışmanın kendi tasarımı üzerinden yapılır.
Kullanılan kaynaklar
- Rubin DB. Inference and missing data. Biometrika. 1976;63(3):581-592. · DOI
- 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 controlled trials. Cochrane Database of Systematic Reviews. 2014;12:MR000032. · DOI
- Lakatos E. Sample sizes based on the log-rank statistic in complex clinical trials. Biometrics. 1988;44(1):229-241. · DOI
- ICH E9 Expert Working Group. Statistical Principles for Clinical Trials (ICH E9). 1998.