Challenges in Small Sample Size Cluster Trials for Medication Adherence: Insights From <scp>TAKE</scp> ‐ <scp>IT</scp> ‐ <scp>TOO</scp>
Notice bibliographique
Résumé
Cluster randomized controlled trials (CRTs) are valuable for interventions involving the clinical care team but often require larger sample sizes due to within-cluster correlation and between-cluster variability. The TAKE-IT-TOO pilot study aimed to estimate the intraclass correlation (ICC) necessary for designing a full-scale CRT to improve medication adherence in pediatric kidney transplant recipients. We examined different approaches to summarizing electronically measured adherence and assessed how these choices impact ICC estimation and sample size requirements. In TAKE-IT-TOO, seven centers were randomized to either an adherence-promoting intervention or a healthy-living intervention. Medication adherence was tracked using electronic pillboxes over a 4-week run-in period followed by a 10-week intervention. Variance estimates were calculated using generalized linear mixed models (GLMM) and used to derive ICC values. We compared two methods of summarizing adherence data and estimated the number of clusters and cluster sizes needed to detect an odds ratio of 1.5 between intervention groups across a range of plausible ICC values. The analysis demonstrated that using repeated adherence measures within each participant offered advantages over relying on a single summary measure, improving statistical power. However, large standard errors around variance estimates made precise ICC estimation difficult. Despite this, we identified a plausible range of ICC values and corresponding sample size requirements for future trials. The TAKE-IT-TOO study underscores the challenges of conducting CRTs in small populations and highlights the value of repeated outcome measures for maximizing statistical efficiency in adherence research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».