Comment analyser les ECR où il existe des différences de base significatives malgré la randomisation?

J'analyse un ECR en double aveugle contrôlé par placebo en utilisant un ANCOVA dans R, où l '"effet de traitement" prédit apparaît avant le traitement!

Le but de l'étude est de déterminer si le traitement d'une maladie réduit un comportement particulier. Les personnes atteintes à la fois de la maladie et du comportement ont été randomisées 50-50 dans les bras de traitement et de contrôle placebo.

Comme prévu, il y a eu une interaction significative entre l'intervention et l'état initial de la maladie (toutes les variables sont des intervalles, à l'exception de "l'intervention", qui est une variable factorielle à deux niveaux identifiant le traitement par rapport au groupe témoin):

MODEL 1:

Call:
lm(formula = follow_up_behavior ~ baseline_behavior + baseline_disease * 
intervention, data = d)

                                   Estimate Std. Error t value Pr(>|t|)    
(Intercept)                            11.28464    0.51177  22.050   <2e-16 ***
baseline_behavior                       0.77872    0.05112  15.234   <2e-16 ***
baseline_disease                        0.36726    0.23110   1.589   0.1146    
interventiontreatment                   0.74738    0.70254   1.064   0.2895    
baseline_disease:interventiontreatment -0.64681    0.31374  -2.062   0.0414 *  

L'interaction a été prédite parce que l'intervention est un traitement très efficace de la maladie, mais l'état initial de la maladie varie le long d'un continuum de près de 0 à très élevé. Par conséquent, les personnes atteintes d'une maladie de base élevée ont tiré le plus grand bénéfice du traitement et auraient donc dû avoir la plus grande réduction de la réponse comportementale. Jusqu'ici tout va bien.

Sur une alouette, j'ai exécuté un modèle très similaire de comportement de base :

MODEL 2:

Call:
lm(formula = baseline_behavior ~ baseline_disease * intervention, 
data = d)
                                        Estimate Std. Error t value Pr(>|t|)  
(Intercept)                             -0.6350     0.7620  -0.833   0.4062  
baseline_disease                         0.7422     0.5016   1.480   0.1415  
interventiontreatment                    1.1941     1.0611   1.125   0.2626  
baseline_disease:interventiontreatment  -1.3320     0.6510  -2.046   0.0428 *

Comme vous pouvez le voir, il existe une interaction significative très similaire entre l'état de la maladie et le groupe d'intervention, même si l'intervention n'a pas encore eu lieu. Cela semble être un échec de randomisation.

Ma principale préoccupation est que, parce que follow_up_behavior est très fortement corrélé avec baseline_behavior, l'interaction significative dans le premier modèle est due à l'interaction préexistante observée dans le deuxième modèle, et n'est donc pas une conséquence de l'intervention.

Mes questions sont:

1. Ai-je réellement un problème?

2. Dans l'affirmative, l'inclusion de baseline_behavior comme variable de contrôle dans le modèle 1 résout-elle le problème, c'est-à-dire garantit-elle que l'interaction significative dans ce modèle n'est pas une conséquence de l'interaction préexistante observée dans le modèle 2 mais est plutôt due à l'intervention?

3. Si l'inclusion de baseline_behavior comme contrôle est insuffisante, puis-je faire quoi que ce soit pour sauver l'étude?

Merci d'avance pour toute aide ou information.

S'il y a suffisamment de données pour ce faire, incluez les covariables de référence les plus significatives dans le modèle, ce qui vous permet d'ajuster le déséquilibre covaraite. Il y a un livre intéressant de Vance Berger qui aborde spécifiquement la question du déséquilibre covariable dans les essais cliniques et comment le détecter.