De eerste stap bij het uitvoeren van een subgroepanalyse is het definiëren van de groepen die u wilt opnemen in uw onderzoek. Je probeert vast te stellen of een van deze groepen meer risico loopt op het ontwikkelen van een bepaalde ziekte dan anderen.
Als je bijvoorbeeld borstkanker bestudeert, wil je misschien weten of vrouwen die eerder zijn geopereerd een hoger risico lopen dan vrouwen die dat niet hebben.
Zodra je hebt besloten wat je subgroepen zullen zijn, is het tijd om gegevens van elke groep te verzamelen. Je zult informatie willen verzamelen van je doelgroep. Dit kan door middel van peilingen, enquêtes of door het verzamelen van medische dossiers van mensen die tijdens je project gediagnosticeerd zijn met de aandoening.
Zodra je gegevens hebt verzameld van zowel gezonde mensen als mensen met de ziekte of aandoening die je onderzoekt, is het tijd voor statistische analyse!
Het doel van statistische analyse is tweeledig: ten eerste moeten we ervoor zorgen dat er geen fouten zitten in onze steekproefgrootte; ten tweede moeten we kijken of er verschillen zijn tussen onze steekproeven (dat wil zeggen, of er verschillen zijn tussen populaties met verschillende kenmerken).
Wat is subgroepanalyse?
Subgroepanalyse is een proces waarmee je kunt inzoomen om te zien hoe specifieke variabelen de uitkomst van de secundaire gegevensanalyse beïnvloeden. Respondenten worden gegroepeerd op basis van demografische kenmerken zoals ras, etniciteit, leeftijd, opleiding of geslacht. Andere variabelen kunnen partijidentificatie, gezondheidsstatus of houding ten opzichte van bepaalde situaties zijn.
Een onderzoeker kan verschillen in variabele gemiddelden of verdelingen tussen subgroepen analyseren om ongelijkheden of andere verschillen te identificeren.
Stel bijvoorbeeld dat je een enquête hebt over de houding van mensen ten opzichte van het gebruik van dieren voor wetenschappelijk onderzoek en je bent geïnteresseerd in de vraag of er verschillen zijn tussen mannen en vrouwen in hun mening over dit onderwerp.
Je zou een subgroepanalyse kunnen uitvoeren door je steekproef te verdelen in mannelijke en vrouwelijke respondenten en hun antwoorden te onderzoeken om te zien of er een verschil is tussen hen.
Bij subgroepanalyses (bijvoorbeeld van een interventie of een behandeling) proberen we het resultaat van een factor te bepalen in specifieke populatiesegmenten of op specifieke parameters.
Soorten subgroepanalyse
Subgroepanalyses kunnen inderdaad worden ingedeeld in twee hoofdtypen op basis van de timing van hun implementatie:
1. Vooraf gespecificeerde subgroepanalyse
Onderzoekers definiëren specifieke subgroepen en de bijbehorende hypotheses over behandelingseffecten in vooraf gespecificeerde subgroepanalyses voordat ze de gegevens verzamelen of analyseren.
Deze subgroepen worden meestal gekozen op basis van voorkennis, bestaande theorieën of biologische mechanismen. Door vooraf subgroepen en hypotheses te bepalen, verkleinen onderzoekers het risico op vertekeningen door gegevens en vergroten ze de betrouwbaarheid van hun bevindingen.
Vooraf gespecificeerde subgroepanalyses worden als strenger en geloofwaardiger beschouwd omdat ze bescherming bieden tegen de verleiding om selectief significante bevindingen te rapporteren die door toeval zijn ontstaan.
2. Post-hoc subgroepanalyse
Post-hoc subgroepanalyse, ook bekend als verkennende of ongeplande subgroepanalyses, wordt uitgevoerd nadat de gegevens zijn verzameld en de eerste analyses zijn uitgevoerd.
Onderzoekers kunnen potentiële subgroepverschillen identificeren die oorspronkelijk niet werden verondersteld. Hoewel post-hoc analyse kan leiden tot nieuwe inzichten en hypotheses kan genereren voor toekomstig onderzoek, is het gevoelig voor opgeblazen fout-positieven als gevolg van meervoudige vergelijkingen.
Als gevolg hiervan moeten bevindingen uit post-hoc subgroepanalyses als verkennend worden beschouwd en met voorzichtigheid worden behandeld. Ze moeten worden gevalideerd in onafhankelijke datasets voordat ze kunnen worden geïnterpreteerd als definitieve resultaten.
Zowel vooraf gespecificeerde als post-hoc subgroepanalyses hebben hun eigen voordelen en uitdagingen. Vooraf gespecificeerde analyses bieden meer geloofwaardigheid door minder bias en het vermijden van baggerwerkzaamheden. Aan de andere kant kunnen post-hoc analyses nuttig zijn voor het genereren van nieuwe onderzoeksrichtingen, maar vereisen ze zorgvuldige interpretatie en replicatie.
Onderzoekers dienen transparant te rapporteren of subgroepanalyses vooraf zijn gespecificeerd of post-hoc zijn uitgevoerd om lezers een duidelijk inzicht te geven in het analyseproces en de mogelijke beperkingen.
LEER OVER: Analyseniveau
Fouten vermijden
Het uitvoeren van meerdere tests op dezelfde gegevens kan leiden tot fout-positieven in grootschalige projecten. Sommige onderzoekers kunnen een groot aantal vervelende of repetitieve resultaten negeren ten gunste van een subset resultaten waar ze een voorkeur voor hebben.
Dit is vooral waar bij het werken met machine learning-algoritmen, die vaak worden gebruikt om veel herhalende resultaten te genereren die misschien nuttiger moeten zijn voor de gebruiker. De tijd die nodig is om deze algoritmen uit te voeren kan erg lang zijn en moet worden meegerekend in de kosten van een experiment.
Dit probleem kan onderzoekers op een pad brengen zonder rekening te houden met andere mogelijkheden in hun dataset of alternatieve benaderingen die betere resultaten zouden opleveren.
Als je je gegevens analyseert met behulp van subgroepen, verdeel je ze in kleinere groepen om te zien of er verschillen zijn tussen deze groepen.
Als je wilt kijken hoe het geslacht een bepaalde uitkomst beïnvloedt, zou je je onderzoeksgroep kunnen opsplitsen in mannen en vrouwen en dan hun antwoorden vergelijken. Maar hoeveel mensen moeten er in elke groep? En hoeveel vergelijkingen moet je maken?
Er zijn twee belangrijke redenen waarom subgroepen tot fouten kunnen leiden. De steekproefgrootte kan te klein zijn en er kunnen te veel vergelijkingen worden gemaakt. Als je je onderzoeksgroep opdeelt in veel subgroepen, kan het zijn dat je te weinig deelnemers hebt om verschillen te detecteren of om er zeker van te zijn dat verschillen niet slechts een kwestie van toeval zijn.
Subgroepen vooraf specificeren
Een van de meest voorkomende fouten bij subgroepanalyse is het selecteren van subgroepen na de analyse. Om dit te voorkomen, moeten onderzoekers hun hypotheses over potentiële subgroepeffecten vooraf specificeren voordat de gegevensverzameling of analyse begint.
Statistische significantie vs. klinische significantie
Hoewel subgroepanalyses statistisch significante resultaten kunnen opleveren, is het van cruciaal belang om te beoordelen of deze verschillen klinisch betekenisvol zijn. Statistische significantie vertaalt zich slechts soms naar praktisch belang.
Meervoudige vergelijkingen
Het uitvoeren van meerdere subgroepanalyses vergroot de kans op het vinden van fout-positieven door toeval. Om dit te beperken, past u de juiste statistische aanpassingen toe (bijv. Bonferroni-correctie) om het algehele type I-foutenpercentage onder controle te houden.
Adequate steekproefgrootte
Subgroepanalyses vereisen een voldoende grote steekproefgrootte binnen elke subgroep om betrouwbare resultaten op te leveren. Kleine subgroepgroottes kunnen leiden tot stabiele schattingen en nauwkeurige conclusies.
Biologische plausibiliteit
Zorg ervoor dat subgroepverdelingen biologisch of klinisch plausibel zijn. Het is minder waarschijnlijk dat willekeurig gecreëerde subgroepen zinvolle inzichten opleveren.
Validatie Cohorten
Valideer de bevindingen van subgroepanalyses in onafhankelijke cohorten of onderzoeken. Reproduceerbaarheid vergroot de robuustheid van je conclusies.
Transparante rapportage
Rapporteer transparant de methoden, geteste variabelen en resultaten van subgroepanalyses. Hierdoor kunnen lezers de reikwijdte van je analyse en de mogelijke beperkingen begrijpen.
Subgroepanalyse Voordelen
Het belangrijkste voordeel van subgroepanalyse is dat het onderzoekers in staat stelt om hun hypotheses verder te testen. Ze kunnen er bijvoorbeeld achter komen dat bepaalde subgroepen beter reageren dan andere of dat er verschillen zijn tussen mannen en vrouwen.
Subgroepanalyses zijn een veelgebruikte techniek in medisch onderzoek. Het is een uitbreiding van de aanpak in een standaardonderzoek, waarbij verschillende groepen worden onderzocht om te zien of ze verschillend reageren op een behandeling. Deze techniek kan echter om verschillende redenen problematisch zijn:
- Sommige onderzoeken definiëren hun subgroepen niet van tevoren of geven aan hoeveel subgroepen zullen worden onderzocht. Als een onderzoeker dit niet doet, is het moeilijk voor anderen om te begrijpen waarom ze bepaalde groepen kozen en wat ze probeerden aan te tonen met elke analyse. Een goede onderzoeker moet ook rapporteren over alle subgroepen die hij of zij heeft geanalyseerd, niet alleen de subgroepen die interessante bevindingen opleverden.
- Het is mogelijk dat onderzoekers bij het analyseren van subgroepen iets vinden dat statistisch significant is, maar klinisch niet significant (dat wil zeggen, iets dat er niet echt toe doet). Laten we bijvoorbeeld zeggen dat we onderzoeken of aspirine beter werkt dan acetaminophen bij de behandeling van hoofdpijn; we ontdekken dat 80 procent van de mensen die aspirine namen geen enkele verlichting ondervond.
LEER OVER: Statistische analysemethoden
Hoe een subgroepanalyse uitvoeren
De belangrijke rol van subgroepanalyse in significant onderzoek kan niet genoeg worden benadrukt. Daarom is het essentieel dat de volgende elementen in elk rapport worden opgenomen:
- Een duidelijke indicatie dat de analyseresultaten subgroepresultaten zijn.
- De juiste significantieniveaus worden berekend en gerapporteerd.
- Als het onderzoek vooraf was gespecificeerd of post-hoc was, moet dit in het verslag worden vermeld.
Subgroepanalyses zijn een belangrijk onderdeel van een onderzoeksproject. Er zijn veel verschillende producten op de markt. Ze zijn allemaal ontworpen om je onderzoeksinspanningen ten goede te komen, maar je moet wel weten hoe je er effectief gebruik van kunt maken.
Voordelen van subgroepanalyse:
Gepersonaliseerde geneeskunde
Subgroepanalyse kan helpen om te bepalen welke groepen individuen het meest waarschijnlijk baat hebben bij een bepaalde behandeling. Dit maakt de weg vrij voor gepersonaliseerde medische interventies op maat van specifieke patiëntprofielen.
Inzicht in mechanismen
Onderzoekers kunnen inzicht krijgen in de onderliggende mechanismen die de behandelresultaten beïnvloeden door subgroepresponsen te bestuderen. Deze kennis kan leiden tot de ontwikkeling van meer gerichte therapieën in de toekomst.
Optimalisatie van bronnen
Inzicht in subgroepverschillen kan helpen bij het optimaliseren van de toewijzing van middelen door de aandacht te richten op groepen waarvan de kans groter is dat ze positief reageren op behandeling.
Voorbeelden van subgroepanalyse
Op het gebied van klinisch onderzoek, met name in therapeutische cardiovasculaire studies, kan het belang van subgroepanalyse binnen gerandomiseerde gecontroleerde onderzoeken (RCT’s) niet worden onderschat. Deze onderzoeken vormen de hoeksteen van evidence-based geneeskunde en het uitvoeren van redelijk geloofwaardige subgroepanalyses binnen deze onderzoeken kan waardevolle inzichten opleveren.
Beschouw een scenario waarin een grootschalig gerandomiseerd klinisch onderzoek de werkzaamheid van een nieuwe cardiovasculaire behandeling wil evalueren. Door de behandelingseffecten te analyseren voor verschillende patiëntkenmerken, zoals leeftijd, geslacht en gezondheidstoestand bij aanvang, kunnen onderzoekers vaststellen of bepaalde subgroepen gunstiger reageren op de behandeling dan andere.
Een recente systematische review van therapeutisch cardiovasculair klinisch onderzoek benadrukte het belang van nauwkeurige rapportage van klinisch onderzoek en vooraf gespecificeerde subgroepanalyses. De review benadrukte de noodzaak van interactietesten om subgroepspecifieke analyses te valideren.
Deze tests helpen te bepalen of het behandeleffect echt verschilt tussen verschillende subgroepen patiënten of dat de waargenomen verschillen slechts toeval zijn.
Door basisgegevens te onderzoeken en rigoureuze statistische methoden toe te passen, kunnen onderzoekers ervoor zorgen dat hun bevindingen van subgroepanalyses robuust en betrouwbaar zijn. Deze bevindingen kunnen vervolgens leiden tot meer gepersonaliseerde behandelingsbenaderingen, waardoor de patiëntenzorg in de cardiovasculaire geneeskunde wordt geoptimaliseerd.
Kortom, de integratie van goed opgezette subgroepanalyses binnen gerandomiseerde klinische onderzoeken verhoogt de kwaliteit van het gegenereerde bewijs en draagt bij aan beter geïnformeerde klinische besluitvorming.
QuestionPro voor analyse
Subgroepanalyse is een krachtig hulpmiddel dat verborgen inzichten kan blootleggen in complexe datasets. Als het zorgvuldig en transparant wordt uitgevoerd, draagt het bij aan een uitgebreider en nauwkeuriger begrip van onderzoeksresultaten.
Door zich te houden aan strikte methodologieën en veelvoorkomende valkuilen te vermijden, kunnen onderzoekers het volledige potentieel van subgroepanalyses benutten om geïnformeerde besluitvorming te stimuleren en wetenschappelijke kennis te bevorderen.
Bij QuestionPro hebben we een logica voor quotaregeling die je kunt gebruiken voor subgroepanalyses. We kunnen URL’s voor enquêtes leveren en distribueren met aangepaste variabelen om subgroepen te onderscheiden. U kunt ook subgroepspecifieke vragen maken in dezelfde enquête door logica te creëren op basis van de subgroep.
Stel bijvoorbeeld dat je 50 mannelijke en 50 vrouwelijke respondenten wilt analyseren. Je kunt geslacht toevoegen als een selectieve vraag en dan logica voor quotaregeling toevoegen voor mannen en vrouwen. Gebaseerd op geslachtsgerelateerde vraag antwoorden kunnen we logica maken voor mannen- of vrouwspecifieke vragen.
Op deze manier kun je bij de antwoorden gemakkelijk mannelijke en vrouwelijke respondenten onderverdelen in subgroepen en, op basis van quota controlegrenzen, ervoor zorgen dat je een exact aantal respondenten krijgt.
