393. Zmiana wyniku czy ANCOVA – dwa podejścia do badań przed–po

W badaniach przed–po ten sam parametr mierzy się u uczestników przed rozpoczęciem interwencji oraz po jej zakończeniu. Najczęściej chcemy odpowiedzieć na pytanie, czy grupa poddana interwencji zmieniła się bardziej niż grupa kontrolna. Można wówczas analizować bezpośrednio zmianę wyniku albo zastosować analizę kowariancji ANCOVA, w której parametr po interwencji jest objaśniany za pomocą przynależności do grupy i wyniku początkowego. Oba podejścia są związane z tym samym schematem badania, ale nie są całkowicie wymienne pod względem modelu, założeń i interpretacji.

W tej lekcji kursu na statystyk.edu.pl uporządkujemy te różnice. Najważniejszy wniosek brzmi: w randomizowanym badaniu z ilościowym punktem końcowym ANCOVA zwykle zapewnia większą precyzję niż proste porównanie zmian, ale analiza zmiany może być przejrzystym rozwiązaniem, gdy pytanie rzeczywiście dotyczy różnicy między przyrostami lub spadkami.

1. Schemat badania przed–po

Załóżmy, że badacz porównuje dwie grupy: grupę interwencyjną i kontrolną. U każdego uczestnika mierzy wynik w dwóch momentach:

• pomiar początkowy — przed interwencją, oznaczany zwykle jako Ypre;
• pomiar końcowy — po interwencji, oznaczany jako Ypost.

Przykładowym wynikiem może być ciśnienie skurczowe, nasilenie depresji, wynik testu wiedzy, liczba punktów w skali bólu albo czas wykonania zadania. Jeżeli badanie obejmuje dwie grupy i dwa pomiary, interesujące pytanie nie brzmi zazwyczaj: „czy grupa interwencyjna zmieniła się sama w sobie?”. Bardziej użyteczne pytanie brzmi: czy zmiana w grupie interwencyjnej była inna niż zmiana w grupie kontrolnej?

To rozróżnienie ma znaczenie. Grupa kontrolna również może się zmieniać wskutek upływu czasu, efektu pomiaru, naturalnego przebiegu choroby, regresji do średniej albo dodatkowych działań niezwiązanych bezpośrednio z badaną interwencją. Dlatego samo stwierdzenie, że w jednej grupie wynik zmniejszył się istotnie statystycznie, nie dowodzi jeszcze skuteczności interwencji.

2. Analiza zmiany wyniku

2.1. Definicja zmiany

Dla każdej osoby można obliczyć zmianę:

ΔY = Ypost − Ypre

gdzie:

• ΔY oznacza zmianę wyniku u konkretnej osoby;
• Ypost oznacza wynik po interwencji;
• Ypre oznacza wynik przed interwencją.

Dodatnia wartość oznacza wzrost wyniku, a ujemna — spadek. Kierunek korzystnej zmiany zależy od konstrukcji skali. Spadek ciśnienia lub nasilenia bólu może być korzystny, natomiast spadek wyniku testu wiedzy może być niekorzystny.

Następnie porównuje się średnią zmianę w obu grupach. Efekt interwencji można zapisać jako różnicę różnic:

δ = średnia(ΔYinterwencja) − średnia(ΔYkontrola)

Jeżeli δ = −6 punktów, oznacza to, że średnia zmiana w grupie interwencyjnej była o 6 punktów niższa niż w kontrolnej. Nie należy jednak automatycznie nazywać tego „redukcją o 6 punktów dzięki interwencji”, jeśli badanie nie było randomizowane lub występowały poważne różnice między grupami.

2.2. Jak analizować zmianę?

Jeżeli zmiana jest traktowana jako wynik ilościowy, można zastosować model liniowy, test t dla dwóch prób niezależnych albo jego wariant Welcha. W prostym modelu:

ΔYi = β0 + β1Gi + εi

gdzie:

• ΔYi jest zmianą u osoby i;
• Gi jest wskaźnikiem grupy, na przykład 0 dla kontroli i 1 dla interwencji;
• β0 jest średnią zmianą w grupie kontrolnej;
• β1 jest różnicą średnich zmian między grupami;
• εi oznacza składnik losowy.

W tym modelu najważniejszy jest współczynnik β1, jego przedział ufności i wielkość efektu. Wartość p nie jest prawdopodobieństwem prawdziwości hipotezy zerowej. Informuje jedynie, jak bardzo obserwowane dane byłyby niezgodne z określonym modelem przy założeniu hipotezy zerowej.

3. ANCOVA z wynikiem początkowym jako kowariantą

W ANCOVA wynik po interwencji jest zmienną zależną, grupa jest główną zmienną objaśniającą, a wynik początkowy pełni funkcję kowariaty:

Ypost,i = β0 + β1Gi + β2Ypre,i + εi

Oznaczenia są następujące:

• Ypost,i — wynik końcowy u osoby i;
• Gi — przynależność do grupy;
• Ypre,i — wynik początkowy;
• β1 — różnica między grupami w wyniku końcowym po uwzględnieniu wyniku początkowego;
• β2 — związek wyniku początkowego z końcowym, przy pozostałych zmiennych w modelu stałych;
• εi — składnik losowy.

W praktyce ANCOVA porównuje przewidywane wyniki końcowe grup przy tym samym poziomie wyjściowym. Nie oznacza to, że badacz „usuwa” prawdziwe różnice między uczestnikami. Chodzi o statystyczne wykorzystanie informacji prognostycznej zawartej w pomiarze początkowym. Jeżeli wynik przed interwencją jest silnie skorelowany z wynikiem po interwencji, korekta może zmniejszyć wariancję resztową i zwiększyć precyzję oszacowania efektu (Vickers i Altman, 2001; Senn, 2006).

4. Zmiana a ANCOVA — najważniejsze różnice

4.1. Co jest wynikiem modelu?

W analizie zmiany wynik końcowy jest różnicą Ypost − Ypre. W ANCOVA wynik końcowy pozostaje wynikiem po interwencji, a wynik początkowy jest predyktorem. Dlatego współczynniki obu modeli nie muszą mieć identycznego znaczenia, nawet gdy dotyczą tego samego badania.

4.2. Precyzja

W randomizowanych badaniach kontrolowanych ANCOVA często ma większą moc statystyczną niż prosta analiza zmiany, szczególnie wtedy, gdy pomiar początkowy i końcowy są silnie skorelowane. Wynika to z tego, że ANCOVA wykorzystuje wynik początkowy do wyjaśnienia części zróżnicowania wyniku końcowego. Badania metodologiczne i empiryczne wskazują jednak, że przewaga ta zależy od danych, jakości pomiaru i spełnienia założeń (Van Breukelen, 2006; Zhang i in., 2014).

4.3. Różnice początkowe między grupami

W badaniu randomizowanym różnice wyjściowe są zwykle wynikiem losowości, choć przy małych próbach mogą być znaczne. ANCOVA może poprawić precyzję, ale nie należy wybierać modelu wyłącznie dlatego, że test porównujący grupy na początku badania był istotny lub nieistotny. Statystyczne testowanie równowagi bazowej jako warunku wyboru analizy jest słabą praktyką. Sposób analizy powinien wynikać z projektu, planu analitycznego i wiedzy przed rozpoczęciem analizy.

W badaniu nierandomizowanym sytuacja jest trudniejsza. Różnice początkowe mogą odzwierciedlać systematyczny dobór osób do grup, a zwykła ANCOVA z jedną kowariatą nie musi usuwać wszystkich zakłóceń. Van Breukelen (2006, 2013) wskazuje, że w badaniach nierandomizowanych ANCOVA może być obciążona, jeżeli zależność między wynikiem początkowym, przydziałem do grupy i wynikiem końcowym nie jest odpowiednio modelowana.

4.4. Założenia ANCOVA

Przed zastosowaniem ANCOVA należy rozważyć:

• liniowy związek między wynikiem początkowym a końcowym;
• porównywalność nachyleń regresji w grupach, czyli brak istotnej interakcji G × Ypre, chyba że interakcja jest jawnie modelowana;
• niezależność obserwacji między osobami;
• odpowiednią skalę i rozkład reszt;
• wpływ obserwacji odstających;
• wiarygodność i porównywalność pomiaru początkowego.

Jeżeli efekt interwencji zależy od poziomu wyjściowego, nie należy bezrefleksyjnie zakładać wspólnego nachylenia regresji. Można rozważyć model z interakcją:

Ypost = β0 + β1G + β2Ypre + β3(G × Ypre) + ε

Wtedy β3 opisuje, czy związek między wynikiem początkowym a końcowym różni się między grupami. Interpretacja efektu grupy wymaga wskazania, przy jakiej wartości wyniku początkowego jest on oceniany.

5. Przykład medyczny: ciśnienie tętnicze

Załóżmy, że 80 osób z podwyższonym ciśnieniem przydzielono losowo do programu edukacyjnego albo do standardowej opieki. Średnie ciśnienie skurczowe w grupie programu wynosiło przed badaniem 154 mmHg, a po 8 tygodniach 142 mmHg. W grupie kontrolnej wartości wynosiły odpowiednio 153 i 147 mmHg.

Analiza zmian daje:

• program: średnia zmiana −12 mmHg;
• kontrola: średnia zmiana −6 mmHg;
• różnica zmian: −6 mmHg.

Prosty wniosek opisowy brzmi: ciśnienie obniżyło się w obu grupach, ale średni spadek był o 6 mmHg większy w grupie programu. ANCOVA może oszacować różnicę w wyniku końcowym po uwzględnieniu indywidualnego ciśnienia początkowego. Jeżeli przedział ufności dla efektu wynosi na przykład od −10 do −2 mmHg, wynik wskazuje na zgodność danych z korzystną różnicą między grupami, ale nadal trzeba ocenić znaczenie kliniczne. Spadek o 6 mmHg może być praktycznie ważny, lecz jego znaczenie zależy od populacji, czasu obserwacji, bezpieczeństwa i innych wyników zdrowotnych.

6. Przykład z psychologii: program redukcji lęku

W badaniu psychologicznym osoby z podwyższonym nasileniem lęku otrzymują terapię grupową albo materiały psychoedukacyjne. Nasilenie lęku mierzy się skalą od 0 do 40 punktów. Grupa terapii zaczyna ze średnią 28 punktów i kończy z wynikiem 18, natomiast grupa kontrolna zaczyna z wynikiem 25 i kończy z wynikiem 20.

Zmiany wynoszą odpowiednio −10 i −5 punktów, więc różnica zmian wynosi −5 punktów. Jednak grupa terapii miała wyższy poziom lęku na początku. Jeżeli osoby z wyższym wynikiem mają większą możliwość naturalnego spadku wyniku, analiza zmiany może częściowo mieszać efekt terapii z regresją do średniej. ANCOVA pozwala porównać wyniki końcowe przy uwzględnieniu początkowego poziomu lęku, ale nie rozwiązuje automatycznie problemu wszystkich różnic prognostycznych, zwłaszcza gdy badanie nie było randomizowane.

7. Przykład praktyczny: jak zaplanować analizę?

Przed rozpoczęciem obliczeń warto przejść przez następującą sekwencję.

1. Określ główny punkt końcowy. Zdecyduj, czy podstawowym wynikiem jest pomiar po interwencji, zmiana od wartości wyjściowej czy inna miara.
2. Opisz projekt. Zaznacz, czy przydział był losowy, czy grupy powstały naturalnie, oraz czy pomiar wykonywano tym samym narzędziem.
3. Obejrzyj dane. Sprawdź rozkład wyników, obserwacje odstające, brakujące pomiary i związek między pomiarem początkowym a końcowym.
4. Wybierz model przed analizą wyników. Nie wybieraj między zmianą i ANCOVA tylko dlatego, że jeden model daje mniejsze p.
5. Raportuj efekt i niepewność. Podaj średnie, odchylenia standardowe, różnicę między grupami, 95-procentowy przedział ufności oraz wartość p, jeśli test jest częścią planu.
6. Uwzględnij znaczenie praktyczne. Odnieś efekt do minimalnej istotnej klinicznie różnicy albo do uzasadnionego progu praktycznego.

W randomizowanym badaniu z jednym pomiarem końcowym i ilościowym wynikiem często dobrym wyborem jest ANCOVA z wynikiem początkowym jako kowariatą. Analiza zmiany może być uzasadniona, gdy zmiana jest z góry zdefiniowanym punktem końcowym, gdy komunikacja wyniku w jednostkach zmiany jest szczególnie ważna albo gdy konstrukcja badania i założenia modelu wspierają takie rozwiązanie. W bardziej złożonych danych, na przykład przy wielu punktach czasowych, znacznym odpływie uczestników lub klastrach, należy rozważyć modele mieszane lub inne metody podłużne, a nie ograniczać się do pojedynczego porównania zmiany.

Najczęstsze błędy

• Porównywanie istotności w osobnych grupach. To, że zmiana jest istotna w jednej grupie, a nieistotna w drugiej, nie dowodzi różnicy między grupami. Trzeba bezpośrednio przetestować różnicę zmian albo efekt grupy w odpowiednim modelu.
• Wybieranie ANCOVA po obejrzeniu wyniku. Taki wybór zwiększa ryzyko selektywnego raportowania i przypadkowych wniosków.
• Automatyczne stosowanie procentowej zmiany. Procentowa zmiana może być niestabilna, zwłaszcza gdy wartości początkowe są bliskie zera lub gdy skala nie ma sensownego zera. Vickers (2001) wskazywał, że procentowa zmiana może być statystycznie nieefektywna.
• Używanie ANCOVA jako lekarstwa na nierandomizację. Korekta o jeden wynik początkowy nie usuwa wszystkich czynników zakłócających.
• Brak sprawdzenia interakcji grupy z pomiarem początkowym. Jeżeli efekt zależy od poziomu bazowego, wspólne nachylenie regresji może być niewłaściwe.
• Interpretowanie p jako prawdopodobieństwa, że interwencja działa. Wartość p nie mówi, jakie jest prawdopodobieństwo prawdziwości hipotezy alternatywnej ani zerowej.
• Pomijanie braków danych. Analiza wyłącznie osób z kompletnym pomiarem przed i po może zmienić populację analizowaną i wprowadzić obciążenie.
• Mylenie istotności statystycznej z praktyczną. Mała różnica może być istotna przy dużej próbie, ale nie mieć znaczenia dla pacjentów lub badanej społeczności.

Co warto zapamiętać?

• Analiza zmiany porównuje wartości Ypost − Ypre między grupami.
• ANCOVA porównuje wyniki końcowe, uwzględniając wynik początkowy jako kowariatę.
• W randomizowanych badaniach ANCOVA często jest bardziej precyzyjna, szczególnie przy silnej korelacji pomiaru przed i po.
• W badaniach nierandomizowanych ani analiza zmiany, ani prosta ANCOVA nie gwarantuje poprawnego wnioskowania przyczynowego.
• Wybór metody powinien wynikać z pytania badawczego, projektu, planu analitycznego i założeń, a nie z tego, która analiza daje mniejszą wartość p.
• Zawsze raportuj wielkość efektu, przedział ufności i znaczenie praktyczne, a nie tylko istotność statystyczną.

W kolejnym kroku warto przećwiczyć oba modele na tych samych danych i porównać ich współczynniki, przedziały ufności oraz reszty. Taka równoległa analiza dobrze pokazuje, że wybór metody nie jest technicznym dodatkiem do badania, lecz częścią jego interpretacji.

Źródła i dalsza lektura

1. Vickers, A. J., & Altman, D. G. (2001). Analysing controlled trials with baseline and follow up measurements. BMJ, 323(7321), 1123–1124. DOI: 10.1136/bmj.323.7321.1123.
2. Van Breukelen, G. J. P. (2006). ANCOVA versus change from baseline: More power in randomized studies, more bias in nonrandomized studies. Journal of Clinical Epidemiology, 59(9), 920–925. DOI: 10.1016/j.jclinepi.2006.02.007.
3. Senn, S. (2006). Change from baseline and analysis of covariance revisited. Statistics in Medicine, 25(24), 4334–4344. DOI: 10.1002/sim.2682.
4. Zhang, S., Paul, J., Nantha-Aree, M., Buckley, N., Shahzad, U., Cheng, J., DeBeer, J., Winemaker, M., Wismer, D., Punthakee, D., Avram, V., & Thabane, L. (2014). Empirical comparison of four baseline covariate adjustment methods in analysis of continuous outcomes in randomized controlled trials. Clinical Epidemiology, 6, 227–235. DOI: 10.2147/CLEP.S56554.
5. Vickers, A. J. (2001). The use of percentage change from baseline as an outcome in a controlled trial is statistically inefficient: A simulation study. BMC Medical Research Methodology, 1, 16. DOI: 10.1186/1471-2288-1-6.
6. Frison, L., & Pocock, S. J. (1992). Repeated measures in clinical trials: Analysis using mean summary statistics and its implications for design. Statistics in Medicine, 11(13), 1685–1704. DOI: 10.1002/sim.4780111304.
7. Van Breukelen, G. J. P. (2013). ANCOVA versus CHANGE from baseline in nonrandomized studies: The difference. Multivariate Behavioral Research, 48(6), 895–922. DOI: 10.1080/00273171.2013.831743.