Тренировка внимания в виртуальной реальности у пациентов, перенесших инсульт (VRAT)

ОЦЕНКА ОБЪЕМА ВЫБОРКИ:

Анализ мощности был выполнен с помощью пакета SIMR в R, который оценивает мощность для обобщенных линейных смешанных моделей с использованием моделирования Монте-Карло. В основном анализе будет сравниваться эволюция во времени первичной переменной результата между двумя внутрисубъектными условиями плацебо и активным вмешательством. Сила оценивалась в зависимости от количества пациентов, завершивших весь протокол исследования, и в зависимости от количества моментов оценки на одного пациента. Кроме того, анализ мощности проводился в предположении, что ошибка измерения (остаточная дисперсия) будет равна 0,20 SD. Последнее подразумевает, что переменная результата должна иметь надежность не менее 0,80. Анализ мощности показал, что 8 пациентов должны пройти весь протокол исследования (размер выборки по протоколу) — когда протокол исследования включает 1-дневный промежуточный график оценки — для выявления умеренного размера эффекта (SD = 0,5) с частота ошибок типа I 1% и мощность 80%. Таким образом, для каждой уравновешивающей группы требуется минимум 4 пациента. Предполагая, что 50% всех пациентов, отнесенных к уравновешивающей группе, выбыли из исследования в какой-то момент времени, всего будет набрано 16 пациентов, чтобы получить достаточно большой размер выборки для каждого протокола.

ОБРАБОТКА ОТСУТСТВУЮЩИХ ДАННЫХ:

Отсутствующие данные могут возникать, когда пациенты не участвуют в одном или нескольких визитах в течение всего протокола исследования (немонотонные отсутствующие данные) или когда пациенты выбывают из исследования, а данные о пациенте после выбывания отсутствуют (монотонные отсутствующие данные). недостающие данные). Будет сообщено о частоте возникновения этих двух типов отсутствующих данных. Если на индивидуальном уровне возникают несогласованные данные, это не будет считаться отсутствующими данными. Результаты, выходящие за пределы диапазона для большинства поведенческих исходов, маловероятны, поскольку компьютеризированные задачи оценки гарантируют точный сбор данных. Для шкалы наблюдения за поведением межэкспертная надежность будет оцениваться как проверка качества. Если межэкспертная достоверность по всем оценкам, сделанным в контексте исследования, ниже 0,70, эта мера будет сообщена как недостаточно надежная, чтобы ее можно было использовать в качестве значимой переменной результата. Только данные слежения за движением глаз, которые были достаточно точно измерены, будут считаться использованными в качестве критерия результата. Это означает, что, если калибровка устройства отслеживания глаз не соответствует требованиям программного обеспечения, поставляемого вместе с устройством отслеживания глаз, после 5 повторных калибровок данные отслеживания движения глаз для этой оценки будут считаться отсутствующими данными.

СТАТИСТИЧЕСКИЙ АНАЛИЗ:

1. ОСНОВНОЙ АНАЛИЗ: данные будут проанализированы с использованием байесовских смешанных моделей в R. Смешанные модели являются рекомендуемым подходом для объединения данных отдельных случаев и все чаще признаются как более мощный подход к анализу данных для клинических испытаний по сравнению с классическими ANCOVA, поскольку смешанные модели могут точно неструктурированные данные модели времени. Байесовский подход к анализу данных предпочтительнее классической проверки значимости нулевой гипотезы, поскольку байесовский подход позволяет количественно оценить силу доказательств в пользу нулевой гипотезы. Последнее является ценным атрибутом в контексте клинических испытаний, поскольку эти исследования часто требуют доказательства отсутствия различий между группами по ковариатам, которые, как можно предположить, влияют на ответ на лечение.

   Основной интересующий анализ будет сравнивать эффект плацебо внутрисубъектных условий и активного вмешательства. Модель для оценки этого эффекта будет включать в себя основной эффект времени с момента начала вмешательства, условия вмешательства и уравновешивающую группу. Кроме того, будут включены парные и трехсторонние взаимодействия этих предикторов. Случайный перехват и случайный наклон во времени будут включены в модель. Эта модель будет использоваться для прогнозирования первичной переменной результата и вторичных переменных результата.

   Кроме того, связь между различными переменными исхода будет сообщена как средство для оценки того, в какой степени эффекты лечения могли повлиять на 1 конкретный исход или в какой степени была связана эволюция симптомов по различным переменным исхода.

2. ИССЛЕДОВАТЕЛЬСКИЙ АНАЛИЗ: В дополнение к этим анализам также будет сообщено об опыте пациентов с вмешательством на основе VR-игры. Голосовые ответы пациентов во время игры будут оцениваться двумя независимыми оценщиками как выражение отрицательных или положительных эмоций. Количество отрицательных и количество положительных выражений относительно общего количества выражений будут сравниваться друг с другом. Если доля позитивных выражений выше, чем доля негативных, это считается свидетельством того, что у пациентов был положительный опыт игры, и наоборот. Кроме того, поскольку не все пациенты будут спонтанно давать голосовые ответы во время игры, будет сообщен средний балл пациентов по опроснику, который оценивает их опыт вмешательства на основе VR-игры. Учитывая исследовательский характер этой части исследования, будет представлена ​​описательная статистика, но статистический анализ этой переменной результата проводиться не будет. Результаты контрольного списка безопасности также будут сообщены. Эти данные ценны, поскольку они могут информировать других исследователей о том, безопасно ли использовать виртуальную реальность среди людей, перенесших инсульт. Эти данные будут представлены в форме описательной статистики. Все исследовательские анализы будут проводиться на образце, предназначенном для лечения.
3. УРОВЕНЬ ЗНАЧИМОСТИ: Факторы Байеса будут интерпретироваться в соответствии со следующим правилом интерпретации: коэффициент Байеса, превышающий 3,2, предполагает существенные доказательства в пользу альтернативной модели, коэффициент Байеса, превышающий 10, предполагает убедительные доказательства в пользу альтернативной модели, а Фактор Байеса больше 100 является решающим для альтернативной модели. Все эффекты будут оцениваться по порогу коэффициента Байеса, равному 10. Факторы Байеса, которые находятся между 1/10 и 10, будут интерпретироваться как неубедительные доказательства. Оценка эффектов при пороговом значении коэффициента Байеса, равном 10, сравнима с подходом к оценке эффектов при уровне значимости 0,01. Первичная переменная результата и 5 вторичных переменных результата должны привести к максимальной частоте ошибок типа I в 6% в наихудшем сценарии, когда все 6 переменных результата полностью не коррелированы. Эта частота ошибок первого рода получается по формуле: 100 [1-(1- α)^k ], где α означает уровень значимости, а k означает количество независимых измерений.