Làm thế nào để phân tích RCT nơi tồn tại sự khác biệt cơ bản đáng kể mặc dù ngẫu nhiên?

Tôi đang phân tích một RCT mù đôi, giả dược được kiểm soát bằng cách sử dụng ANCOVA trong R, trong đó "hiệu quả điều trị" được dự đoán sẽ xuất hiện trước khi điều trị xảy ra!

Mục tiêu của nghiên cứu là xác định xem việc điều trị bệnh có làm giảm một hành vi cụ thể hay không. Những người mắc cả bệnh và hành vi được chọn ngẫu nhiên 50-50 vào nhánh điều trị và giả dược.

Theo dự đoán, có một sự tương tác đáng kể giữa can thiệp và trạng thái bệnh cơ bản (tất cả các biến là khoảng thời gian, ngoại trừ "can thiệp", là biến nhân tố hai cấp xác định điều trị so với nhóm đối chứng):

MODEL 1:

Call:
lm(formula = follow_up_behavior ~ baseline_behavior + baseline_disease * 
intervention, data = d)

                                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)                            11.28464    0.51177  22.050   <2e-16 ***
baseline_behavior                       0.77872    0.05112  15.234   <2e-16 ***
baseline_disease                        0.36726    0.23110   1.589   0.1146    
interventiontreatment                   0.74738    0.70254   1.064   0.2895    
baseline_disease:interventiontreatment -0.64681    0.31374  -2.062   0.0414 *  

Sự tương tác đã được dự đoán bởi vì sự can thiệp là một phương pháp điều trị bệnh rất hiệu quả, nhưng tình trạng bệnh cơ bản thay đổi liên tục từ gần 0 đến rất cao. Do đó, những người mắc bệnh cơ bản cao có được lợi ích lớn nhất từ ​​việc điều trị, và do đó nên có sự giảm thiểu lớn nhất trong phản ứng hành vi. Càng xa càng tốt.

Trong một thời gian ngắn, tôi đã chạy một mô hình hành vi cơ bản rất giống nhau :

MODEL 2:

Call:
lm(formula = baseline_behavior ~ baseline_disease * intervention, 
data = d)
                                        Estimate Std. Error t value Pr(>|t|)  
(Intercept)                             -0.6350     0.7620  -0.833   0.4062  
baseline_disease                         0.7422     0.5016   1.480   0.1415  
interventiontreatment                    1.1941     1.0611   1.125   0.2626  
baseline_disease:interventiontreatment  -1.3320     0.6510  -2.046   0.0428 *

Như bạn có thể thấy, có một sự tương tác đáng kể rất giống nhau giữa trạng thái bệnh và nhóm can thiệp, mặc dù sự can thiệp chưa xảy ra. Điều này dường như là một thất bại của ngẫu nhiên.

Mối quan tâm chính của tôi là bởi vì follow_up_behavior có mối tương quan rất cao với baseline_behavior, nên sự tương tác đáng kể trong mô hình đầu tiên là do sự tương tác trước đó được thấy trong mô hình thứ hai, và do đó không phải là hậu quả của sự can thiệp.

Câu hỏi của tôi là:

1. Tôi thực sự có một vấn đề?

2. Nếu vậy, việc bao gồm baseline_behavior làm biến điều khiển trong mô hình 1 có khắc phục được sự cố không, có nghĩa là đảm bảo rằng sự tương tác đáng kể trong mô hình này không phải là hậu quả của sự tương tác có sẵn trong mô hình 2 mà thay vào đó là do sự can thiệp?

3. Nếu bao gồm baseline_behavior làm điều khiển là không đủ, tôi có thể làm gì để cứu vãn nghiên cứu không?

Rất cám ơn trước cho bất kỳ sự giúp đỡ hoặc hiểu biết.

Nếu có đủ dữ liệu để thực hiện việc này, bao gồm các đồng biến cơ sở quan trọng nhất trong mô hình, cho bạn cách điều chỉnh sự mất cân bằng covaraite. Có một cuốn sách thú vị của Vance Berger đề cập cụ thể đến vấn đề mất cân bằng đồng biến trong các thử nghiệm lâm sàng và cách phát hiện nó.