Virtual Reality Uppmärksamhetsträning hos strokepatienter (VRAT)

UPPSKATTNING AV PROVSTORLEK:

Effektanalys utfördes med SIMR-paketet i R som uppskattar effekt för generaliserade linjära blandade modeller med hjälp av Monte Carlo-simuleringar. Huvudanalysen kommer att jämföra utvecklingen över tiden för den primära utfallsvariabeln mellan de två tillstånden inom patienten placebo och aktiv intervention. Effekten uppskattades som en funktion av antalet patienter som fullföljer hela studieprotokollet och som en funktion av antalet bedömningsmoment per patient. Dessutom kördes effektanalysen under antagandet att mätfelet (restvarians) skulle vara lika med 0,20 SDs. Det senare innebär att utfallsvariabeln måste ha en reliabilitet på minst 0,80. Effektanalysen avslöjade att 8 patienter behöver slutföra hela studieprotokollet (provstorlek per protokoll) - när studieprotokollet innefattar ett 1-dagars mellanutvärderingsschema - för att upptäcka en måttlig effektstorlek (SD = 0,5) med en typ I felfrekvens på 1 % och en styrka på 80 %. För varje motviktsgrupp behövs alltså minst 4 patienter. Om man antar att 50 % av alla patienter som tilldelats en motviktsgrupp hoppar av någon gång under studien, kommer totalt 16 patienter att rekryteras för att få en tillräckligt stor provstorlek per protokoll.

DATAHANTERING SAKNAS:

Saknade data kan uppstå när patienter inte deltar i ett eller flera besök under hela studieprotokollet (icke-monotona saknade data) eller när patienter hoppar av studien och det inte finns några tillgängliga data om en patient efter avhopp (monotont saknar data). Frekvensen av förekomsten av dessa två typer av saknad data kommer att rapporteras. Om inkonsekventa data förekommer på individnivå kommer detta inte att anses vara saknad data. Resultat utanför intervallet för de flesta beteenderesultat kommer sannolikt inte att inträffa eftersom datoriserade bedömningsuppgifter garanterar korrekt datainsamling. För beteendeobservationsskalan kommer interbedömarnas tillförlitlighet att utvärderas som en kvalitetskontroll. Om interbedömartillförlitligheten för alla bedömningar som gjorts i studiens sammanhang är lägre än 0,70 kommer detta mått att rapporteras som otillräckligt tillförlitligt för att användas som en meningsfull utfallsvariabel. Endast ögonspårningsdata som mättes tillräckligt noggrant kommer att anses användas som ett resultatmått. Detta innebär att om eyetracker-kalibreringen inte är bra till utmärkt enligt programvaran som levereras med eyetrackern efter 5 upprepade kalibreringar, kommer eyetracker-data för den bedömningen att betraktas som saknade data.

STATISTISK ANALYS:

1. HUVUDANALYS: Data kommer att analyseras med Bayesianska blandade modeller i R. Blandade modeller är det rekommenderade tillvägagångssättet för att kombinera data från enstaka fall och erkänns alltmer som en kraftfullare dataanalysmetod för kliniska prövningar jämfört med klassiska ANCOVA eftersom blandade modeller kan exakt modellera tidsostrukturerade data. En Bayesiansk metod för att analysera data är att föredra framför en klassisk nollhypotes signifikanstestning eftersom den Bayesianska metoden gör det möjligt att kvantifiera styrkan av bevis till förmån för nollhypotesen. Det senare är en värdefull egenskap i samband med kliniska prövningar eftersom dessa studier ofta kräver bevis för att det inte finns någon skillnad mellan grupper på kovariater som kan antas påverka svaret på behandlingen.

   Den huvudsakliga analysen av intresse kommer att jämföra effekten av placebo och aktiv intervention. Modellen för att uppskatta denna effekt kommer att inkludera den huvudsakliga effekten av tid sedan start av interventionstillstånd, intervention och motviktsgruppen. Dessutom kommer de parvisa och trevägsinteraktionerna av dessa prediktorer att inkluderas. En slumpmässig intercept och slumpmässig lutning för tid kommer att inkluderas i modellen. Denna modell kommer att användas för att förutsäga den primära utfallsvariabeln och de sekundära utfallsvariablerna.

   Dessutom kommer sambandet mellan de olika utfallsvariablerna att rapporteras som ett sätt att uppskatta i vilken utsträckning behandlingseffekter kan ha påverkat ett specifikt utfall eller i vilken utsträckning symtomutveckling över olika utfallsvariabler var associerad.

2. UNDERSÖKANDE ANALYSER: Utöver dessa analyser kommer även patienters erfarenheter av den VR-spelbaserade interventionen att rapporteras. De röstsvar som patienter gör under spelet kommer att bedömas av två oberoende bedömare som uttryck för negativa eller positiva känslor. Antalet negativa och antalet positiva uttryck i förhållande till det totala antalet uttryck kommer att jämföras med varandra. Om andelen positiva uttryck är högre än andelen negativa uttryck tas detta som bevis som tyder på att patienterna hade en positiv upplevelse av spelet och vice versa. Dessutom, eftersom inte alla patienter spontant kommer att ge röstsvar under spelandet, kommer medelpoängen för patienter på frågeformuläret som mäter deras erfarenhet av den VR-spelbaserade interventionen att rapporteras. Med tanke på den explorativa karaktären hos denna del av studien kommer beskrivande statistik att rapporteras, men ingen statistisk analys av denna utfallsvariabel kommer att utföras. Resultaten av säkerhetschecklistan kommer också att rapporteras. Dessa data är värdefulla eftersom de kan informera andra forskare om huruvida VR är säkert att använda inom strokepopulationen. Dessa data kommer att rapporteras i form av beskrivande statistik. Alla explorativa analyser kommer att utföras på provet avsett att behandla.
3. BETYDNINGSNIVÅ: Bayes-faktorerna kommer att tolkas enligt följande tolkningsregel: en Bayes-faktor som är större än 3,2 tyder på betydande bevis till förmån för den alternativa modellen, en Bayes-faktor större än 10 tyder på starka bevis för den alternativa modellen och en Bayes Factor större än 100 är avgörande för den alternativa modellen. Alla effekter kommer att utvärderas mot en tröskel på en Bayes-faktor på 10. Bayes-faktorer som ligger mellan 1/10 och 10 kommer att tolkas som ofullständiga bevis. Att utvärdera effekter vid ett tröskelvärde på en Bayes-faktor på 10 är jämförbart med metoden att utvärdera effekter på en signifikansnivå på 0,01. Den primära utfallsvariabeln och 5 sekundära utfallsvariabler bör leda till en maximal typ I-felfrekvens på 6 % i ett värsta scenario där alla 6 utfallsvariablerna är helt okorrelerade. Denna typ I-felfrekvens erhålls genom formeln: 100 [1- (1- α)^k ] där α står för signifikansnivån och k står för antalet oberoende mått.