Triagem para agrupamento de dados em estudos multicêntricos: a correlação intraclasse residual

BACKGROUND: Em estudos multicêntricos, variações específicas do centro nas medições podem surgir por várias razões, como baixa confiabilidade entre avaliadores, diferenças nos equipamentos, desvios do protocolo, características socioculturais e diferenças nas populações de pacientes devido, por exemplo, a padrões locais de encaminhamento. O objetivo desta pesquisa é derivar medidas para o grau de agrupamento. Apresentamos um método para detectar variáveis fortemente agrupadas e identificar médicos com medições discrepantes. METHODS: Usamos modelos de regressão com efeitos fixos para levar em conta o mix de casos de pacientes e um intercepto de cluster aleatório para estudar o agrupamento por médicos. Propomos usar a correlação intraclasse residual (RICC), a proporção da variância residual que está situada no nível do cluster, para detectar variáveis que são influenciadas pelo agrupamento. Um RICC de 0 indica que a variância nas medições não se deve à variação entre clusters. Sugerimos ainda, quando apropriado, avaliar o RICC em combinação com R2, a proporção da variância explicada pelos efeitos fixos. Variáveis com um R2 alto podem ter benefícios que superam as desvantagens do agrupamento em termos de análise estatística. Aplicamos os métodos propostos a um conjunto de dados coletado para o desenvolvimento de modelos para diagnóstico de tumor ovariano. Estudamos a variabilidade em 18 características de tumor coletadas por meio de exame de ultrassom, 4 características de pacientes e o marcador sérico CA-125 medido por 40 médicos em 2407 pacientes. RESULTS: O RICC mostrou grande variação entre as variáveis: de 2,2% para idade a 25,1% para a quantidade de líquido na bolsa de Douglas. Sete variáveis tiveram um RICC acima de 15%, indicando que uma parte considerável da variância se deve a diferenças sistemáticas no nível do médico, em vez de diferenças aleatórias no nível do paciente. Considerar as diferenças na qualidade da máquina de ultrassom reduziu o RICC para várias medições de fluxo sanguíneo. CONCLUSIONS: Recomendamos que o grau de agrupamento de dados seja abordado durante a monitoramento e análise de estudos multicêntricos. O RICC é uma ferramenta útil que expressa o grau de agrupamento como uma porcentagem. Aplicações específicas incluem monitoramento da qualidade dos dados e triagem de variáveis antes do desenvolvimento de um modelo preditivo.