多施設試験の絶対リスク差を推定するためのモデルのパフォーマンスとバイナリ結果

背景：絶対リスク差（RD）の報告は、臨床的および疫学的前向き研究に推奨されます。多施設研究の分析では、中心によってランダム化が層別化された場合、またはセンター全体で患者の転帰に大きなばらつきがある場合、中心の調整が必要です。回帰方法は、ベースラインの予測因子とクラスタリングのために調整されたRDを推定するために使用されますが、パフォーマンスの正式な評価は以前に行われていません。 方法：一般化された推定方程式フレームワークの下に適合した6つの回帰法、つまり二項項目、ポアソンアイデンティティ、通常のアイデンティティ、対数二項、ログポアソン、ロジスティック回帰モデルを評価するためのシミュレーション研究を実行しました。モデルの推定値を調整されていない推定値と比較しました。真の応答関数（同一性またはログ）、センターあたりの被験者数、真のリスク差、コントロールアウトカム率、ベースライン予測子の効果、およびセンター内相関を変化させました。RDの収束、絶対バイアス、95％の信頼区間のカバレッジの観点からモデルを比較しました。 結果：6つのモデルは、大部分のシナリオで互いに非常に類似したパフォーマンスを発揮しました。ただし、ログの二項モデルは、ベースライン予測子を含むシナリオの大部分について収束しませんでした。パラメーターの境界に近い結果レートを備えたシナリオでは、二項およびポアソンのアイデンティティモデルが最高のパフォーマンスを示しましたが、他のモデルとの違いは無視できました。調整されていない方法では、RDの推定値にほとんど偏りがありませんでしたが、そのカバレッジは、ID応答を伴う一部のシナリオでは名目値よりも大きかったです。ログ応答では、未調整の方法からのカバレッジは、いくつかのシナリオの名目値（<80％）を大きく下回っていました。 結論：相関バイナリアウトカムデータについてRDを推定するために、IDリンクを使用して二項またはポアソンジーモデルを使用することをお勧めします。これらのモデルが実行されない場合、ロジスティック回帰、ログポアソン回帰、または線形回帰GEEモデルのいずれかを使用できます。

BACKGROUND: Reporting of absolute risk difference (RD) is recommended for clinical and epidemiological prospective studies. In analyses of multicenter studies, adjustment for center is necessary when randomization is stratified by center or when there is large variation in patients outcomes across centers. While regression methods are used to estimate RD adjusted for baseline predictors and clustering, no formal evaluation of their performance has been previously conducted. METHODS: We performed a simulation study to evaluate 6 regression methods fitted under a generalized estimating equation framework: binomial identity, Poisson identity, Normal identity, log binomial, log Poisson, and logistic regression model. We compared the model estimates to unadjusted estimates. We varied the true response function (identity or log), number of subjects per center, true risk difference, control outcome rate, effect of baseline predictor, and intracenter correlation. We compared the models in terms of convergence, absolute bias and coverage of 95 % confidence intervals for RD. RESULTS: The 6 models performed very similar to each other for the majority of scenarios. However, the log binomial model did not converge for a large portion of the scenarios including a baseline predictor. In scenarios with outcome rate close to the parameter boundary, the binomial and Poisson identity models had the best performance, but differences from other models were negligible. The unadjusted method introduced little bias to the RD estimates, but its coverage was larger than the nominal value in some scenarios with an identity response. Under the log response, coverage from the unadjusted method was well below the nominal value (<80 %) for some scenarios. CONCLUSIONS: We recommend the use of a binomial or Poisson GEE model with identity link to estimate RD for correlated binary outcome data. If these models fail to run, then either a logistic regression, log Poisson regression, or linear regression GEE model can be used.