Posso usare "occhio sinistro" e "occhio destro" nel mio campione come due soggetti diversi?

I miei dati sono i seguenti. Ho due gruppi di pazienti. I pazienti di ciascun gruppo hanno avuto un diverso tipo di chirurgia oculare. Sono state misurate 5 variabili su pazienti in ciascun gruppo. Voglio confrontare quelle variabili tra i due gruppi usando un test di permutazione o MANOVA. L'occhio su cui è stato eseguito l'intervento chirurgico non ha molta importanza nell'analisi. Tuttavia, il paziente 2 nel gruppo A, ad esempio, ha subito un intervento chirurgico su entrambi gli occhi e ha quindi misurato queste 5 variabili due volte, una volta su ciascun occhio. Posso considerare il paziente 2 a sinistra e il paziente 2 a destra come due diverse osservazioni? Lo stesso per il paziente 31 nel gruppo B.

$$\begin{array} \hline \text{Patient} & \text{Surgery type} & \text{Side} & \text{V1}& \ldots & V5\\ 1 & \text{A} & \text{Left} & 91 & \ldots & 22\\ 2 & \text{A} & \text{Left} & 87 & \ldots & 19\\ 2 & \text{A} & \text{Right} & 90 & \ldots & 23\\ . & . & . &\\ 31 & \text{B} & \text{Left} & 90 & \ldots & 17\\ 31 & \text{B} & \text{Right} & 88 & \ldots & 19\\ 32 & \text{B} & \text{Right} & 91 & \ldots & 24\\ . & . & . &\\ \hline \end{array}$$

Non lo raccomanderei. Non essendo un esperto di dominio, posso ancora identificare tre cose che potrebbero ridurre l'indipendenza dei risultati:

1. Entrambi gli occhi sono stati trattati (quasi) contemporaneamente. Sebbene questo non sia necessariamente un problema, influisce sulle altre ipotesi di indipendenza. Inoltre, il team chirurgico potrebbe aver scelto di trattare entrambi allo stesso modo o potrebbe prendere una decisione su un occhio tenendo conto degli aspetti dell'altro occhio.
2. Entrambi gli occhi sono stati trattati dallo stesso team chirurgico (chirurgo e tutti gli altri coinvolti)
3. Entrambi gli occhi sono soggetti agli stessi "fattori" del paziente, vale a dire tutto ciò che sarebbe intrinseco al paziente e che potrebbe influenzare i risultati, come la conformità con altri trattamenti, la salute generale, ecc.

Se qualcosa sull'esito potrebbe essere attribuito al team chirurgico o al paziente, allora c'è un problema.

Poiché tutte le risposte finora sono negative (in termini di promozione dell'utilizzo di un set di dati inferiore a quello completo o di suggerimento di usi limitati per i casi a due occhi), vediamo cosa si può fare. Per questo, abbiamo bisogno di un modello di probabilità.

Considera una singola variabile di risposta, (apparentemente da V1 a V5). Come punto di partenza, supponiamo che la risposta dipenda da diversi fattori, tra cui$Y$

• Una risposta media o "tipica" .$\mu$

• Un fattore casuale specifico per il paziente, , con media zero.$\varepsilon$

• $X_2$

• $X_s$

• $X_e$

• $\delta$$\varepsilon$

È implicito qui che l'esperimento è stato progettato in alcuni modi standard: vale a dire, che i pazienti sono stati scelti a caso da una popolazione specifica; che la determinazione a trattare l'occhio sinistro, l'occhio destro o entrambi, è stata randomizzata o può essere assunta indipendentemente da altri fattori; ecc. Le modifiche a questi presupposti richiederebbero modifiche concomitanti nel modello.

$j$$j \in {\text{right}, \text{left}}$$i$

$$Y(i,j) = \mu + \beta_2 X_2(i,j) + \beta_s X_s(i,j) + \beta_e X_e(j) + \varepsilon(i) + \delta(j).$$

$\mu$$\beta_2$$\beta_s$

Lo offro puramente come illustrazione, per mostrare come si potrebbe proficuamente pensare a questo problema e arrivare a un modo per sfruttare al massimo il set di dati. Alcune delle mie ipotesi potrebbero essere errate e dovrebbero essere modificate; potrebbero essere necessarie interazioni aggiuntive; potrebbe essere necessario riflettere su come gestire al meglio le potenziali differenze tra gli occhi. (È improbabile che ci sia una differenza universale tra sinistra e destra, ma forse c'è una differenza relativa all'occhio dominante del paziente, per esempio.)

Il punto è che non sembra esserci alcun motivo per limitare l'analisi a un occhio per paziente o per utilizzare metodi analitici ad hoc . La metodologia standard sembra essere applicabile e un buon modo di usarlo inizia modellando l'esperimento.

Concordo con gli altri sul fatto che due occhi dello stesso paziente non sono indipendenti. Tuttavia, di per sé non sono d'accordo sull'uso di un solo campione. Dopo tutto ciò che sta gettando via preziosi campioni.

In una situazione un po 'simile (alcuni dei miei pazienti sono stati nuovamente operati sullo stesso tumore) utilizzo i loro campioni.

• Per la convalida (ripetuta / ripetuta) mi assicuro che la suddivisione sia eseguita in base al paziente.
• Non riesco a dichiarare la dimensione del campione (statistica) effettiva. Per me questo non è comunque un problema a causa di più campioni di alcuni pazienti. Ho centinaia di spettri per ogni campione e non sono né ripetuti (sono presi da luoghi diversi) né indipendenti. Quindi non perdo nulla qui.
• A volte uso il numero di pazienti come limite conservativo per l'effettiva dimensione (statistica) del campione: almeno i pazienti sono indipendenti
• È possibile pesare i campioni in modo che ciascun paziente entri nell'analisi con lo stesso peso.

Concordo con @iterator. Se una grande parte avesse un intervento chirurgico su entrambi gli occhi, farei una specie di coppia abbinata. Se solo una piccola parte avesse avuto un intervento chirurgico su entrambi gli occhi, probabilmente non avrei usato entrambi gli occhi per quelle persone, ma certamente non entrambi.

Un punto da aggiungere ai commenti di iteratore e peter. Quando si analizza il set di dati complessivo, è necessario utilizzare solo i dati di un occhio per i pazienti operati su entrambi (poiché è improbabile che il risultato per i due occhi sia indipendente). Quale occhio? Utilizzare un metodo di randomizzazione, in modo da non scegliere quello con il risultato migliore (o peggiore), che influenzerebbe (distorcere) i risultati.

Come parte di uno studio separato, potresti voler esaminare solo i pazienti con buoni risultati in un occhio e non nell'altro, e provare a vedere se ci sono suggerimenti su ciò che causa la differenza.