Linear mixed model
Analyseert een continue uitkomst die herhaald bij dezelfde patiënten is gemeten, of bij geclusterde patiënten, met inachtneming van de correlatie tussen metingen.
Klinisch voorbeeld
Bloeddruk gemeten bij baseline, na 6 weken en na 12 weken in twee behandelarmen.
Wanneer te gebruiken
- De uitkomst is een continue meting die drie of meer keer per patiënt is gedaan, of patiënten zijn geclusterd, bijvoorbeeld op afdelingen.
- U wilt groepen vergelijken, of hoe groepen in de tijd veranderen.
- U moet corrigeren voor andere variabelen.
Aannames om te controleren
Juiste random-effectenstructuur
Een random intercept per patiënt is meestal het begin. Voeg een random slope voor tijd toe als de verlopen van patiënten sterk verschillen.
Aannames over de residuen
Controleer of de residuen ongeveer normaal zijn en een constante spreiding hebben.
Wat te rapporteren
- Geschat verschil tussen groepen (of in verandering in de tijd) met 95%-BI
- De gebruikte random-effectenstructuur
- Het aantal patiënten en het aantal metingen
Veelgemaakte fouten
Herhaalde metingen zijn niet onafhankelijk
Meerdere metingen per patiënt behandelen als aparte patiënten maakt betrouwbaarheidsintervallen te smal en p-waarden te klein.
Draai niet veel afzonderlijke toetsen
Elk paar groepen, elke uitkomst of elk tijdstip apart toetsen stapelt fout-positieven op. Gebruik één model, leg de belangrijkste vergelijking vooraf vast en corrigeer waar nodig voor meervoudig toetsen.
Alternatieven
| Als uw situatie is… | Gebruik |
|---|---|
| Ja/nee-uitkomst | GEE and mixed-effects logistic regression |
| Slechts twee metingen per patiënt | Paired t-test |
In uw software
# R (lang formaat: één rij per meting)
library(lmerTest)
fit <- lmer(sbp ~ arm * visit + (1 | patient_id), data = trial_long)
summary(fit)
MIXED sbp BY arm WITH visit
/FIXED=arm visit arm*visit | SSTYPE(3)
/PRINT=SOLUTION
/RANDOM=INTERCEPT | SUBJECT(patient_id) COVTYPE(VC).