هذه التدوينة تشرح أنواع وطريقة تحديد مواصفات العينة الضابطة في بحثك.
خلال دراستي للدكتوراه احتجت لجمع عينة من المتطوعين يمكنني مقارنتهم مع المرضى الذين قمت بفحصهم سابقا. هذه العينة تعرف باسم control group أو العينة الضابطة لأنها يجب أن تتطابق في بعض الصفات مع المرضى ولكنها لا تملك المرض. سأشرح في هذه التدوينة الطرق المنهجية المقبولة لتحديد العينة الضابطة وذلك بعد ملاحظتي بأن هذه المعلومة موجودة في عدد محدود جدا من المصادر بالرغم من أهميتها.
الطريقة الأولى تسمى Individual-matching أو التماثل الفردي المباشر وتسمى أيضا one-to-one matching.
هنا ببساطة إذا كان لديك مريض ذكر عمره 55 سنة فيجب عليك البحث عن مشارك للـcontrol group بنفس المواصفات التي حددتها وهي الجنس والعمر في هذا المثال الموجود في الجدول بالأسفل. هذه الطريقة تعتبر الأقوى لأنها تفرض تطابق كامل بين المواصفات المحددة. يمكن إضافة تفاوت بسيط تسمح فيه في العمر مثلا ± سنتين. بمعنى أنه يمكن قبول أي مشارك ذكر بين 53 و57 سنة.
تطبيق هذ الطريقة قد لا يكون سهلا على أرض الواقع خاصة إذا كانت المواصفات كثيرة (الجنس، العمر، الوزن، الطول، النشاط البدني…).
Individual-matching
| Patients | Matched Controls | ||
|---|---|---|---|
| Age | Gender | Age | Gender |
| 23 | Male | 23 | Male |
| 45 | Female | 45 | Female |
| 60 | Male | 60 | Male |
| 52 | Male | 52 | Male |
| 43 | Female | 43 | Female |
| ... | ... | ... | ... |
الطريقة الثانية تسمى Frequency-matching أو التماثل الترددي وتسمى أيضا category matching.
هذه الطريقة تهتم بأن يكون توزيع المواصفات متطابق بين المجموعتين. يميز هذه الطريقة سهولتها في التطبيق في حال كانت المواصفات المراد تماثلها ليست بالكثيرة. الخطوات بالأسفل ستشرح هذه الطريقة إذا كنا نريد تحقيق age and gender frequency matching وهي الأشهر.
١- فلنفترض بأن لدينا المرضى التاليين
ID Age Gender
1 23 Male
2 29 Female
3 33 Male
4 37 Female
5 41 Male
6 56 Male
7 52 Female
8 56 Male
9 62 Female
10 67 Female
٢- نبدأ بتوزيعهم على مجموعات عمرية حسب التفاوت الذي نراه مقبولا، مثلا كل عشر سنوات في هذه الحالة. سيكون الجدول كالتالي:
| Age | ||||
|---|---|---|---|---|
| 20-29 | 30-39 | 40-49 | 50-59 | 60-69 |
| ID-1 ID-2 | ID-3 ID-4 | ID-5 | ID-6 ID-7 ID-8 | ID-9 ID-10 |
٣-الآن نصنفهم حسب الجنس
Age
20-29 30-39 40-49 50-59 60-69
Males ID-1 ID-3 ID-5 ID-6 ID-8
Females ID-2 ID-4 ID-7 ID-9
ID-10
٤-الآن نضيف سطرين تحت كل جنس ونضع فيهم المتطوعين الأصحاء المناسبين لهم بافتراض أن لديك بنك من البيانات وتختار منه المناسبين أو أنك ستقوم بالبحث عنهم.
| Age | ||||||
|---|---|---|---|---|---|---|
| 20-29 | 30-39 | 40-49 | 50-59 | 60-69 | ||
| Patients | Males | ID-1 | ID-3 | ID-5 | ID-6 | ID-8 |
| Frequency-matched controls | Males | ID-507 | ID-512 | ID-578 | ID-523 | ID-552 |
| Patients | Females | ID-2 | ID-4 | - | ID-7 | ID-9 ID-10 |
| Frequency-matched controls | Females | ID-547 | ID-511 | - | ID-528 | ID-527 ID-561 |
بهذه الطريقة تكون عملت frequency-matching بطريقة صحيحة. ضع في بالك أنه يمكنك استخدام هذه الطريقة لتشمل أكثر من صفتين . تحتاج فقط لتوسيع الجدول ليشمل الصفة/الصفات الجديدة.
يوجد أيضا عدة طرق أخرى لعمل matching مثل partial matching و marginal matching.
أتمنى أن تفيدك هذه التدوينة البسيطة في تصميم دراستك القادمة.
لقراءة المزيد حول هذا الموضوع أنصحك بالاطلاع على المصادر بالأسفل
Rothman, K.J, Modern epidemiology. 2008: p. 171-172.
