Słownik metodologiczny · Projekt badania

Analiza ITT (intention-to-treat) – dlaczego analizujemy wszystkich zrandomizowanych

Analiza ITT uwzględnia każdą osobę w grupie, do której ją wylosowano, także jeśli przerwała interwencję. Pokazujemy w R, jak analiza per protocol przecenia efekt.

Strona główna / Słownik / Analiza ITT
W skrócie: Analiza ITT obejmuje wszystkie zrandomizowane osoby w grupach, do których je przydzielono, nawet jeśli nie ukończyły interwencji. Chroni porównywalność grup z losowania; analizę per protocol pokazuj tylko jako dodatkową.

Co to jest analiza ITT?

Analiza zgodna z zamiarem leczenia (ang. intention-to-treat, ITT) obejmuje każdą zrandomizowaną osobę w grupie, do której ją przydzielono, niezależnie od tego, czy ukończyła interwencję, przestrzegała zaleceń albo wycofała się z badania (Gupta, 2011). Analiza per protocol (PP) obejmuje tylko osoby, które przeszły interwencję zgodnie z protokołem.

Dlaczego ITT jest analizą główną

Randomizacja tworzy grupy porównywalne na starcie. Osoby, które przerywają interwencję, zwykle różnią się od tych, które ją kończą, więc po ich usunięciu grupy przestają być porównywalne. ITT zachowuje równowagę z losowania i daje zwykle ostrożniejszą ocenę efektu (Gupta, 2011). Odpowiada na pytanie praktyczne: co daje zaproponowanie programu ludziom, a nie tylko tym, którzy wytrwali (Hollis i Campbell, 1999).

Przykład

200 osób z lękiem losowo przydzielono do 8-tygodniowego programu online albo na listę oczekujących, po 100 osób. Program przerwało 18 osób, a lęk po 8 tygodniach (0–21 pkt) zmierzono u wszystkich (dane symulowane). Według ITT grupa programu miała wynik niższy o 2.72 pkt, 95% CI [1.69, 3.75], t(198) = 5.21, p < .001. Analiza PP bez 18 osób dała 3.59 pkt, 95% CI [2.56, 4.61]. Różnica bierze się stąd, że program przerywały osoby z wyższym lękiem na starcie (13.58 wobec 11.30 pkt), więc PP przecenia efekt.

Jak opisać w pracy

Analizę główną przeprowadzono zgodnie z zasadą intention-to-treat (N = 200). Po 8 tygodniach nasilenie lęku w grupie programu było niższe niż w grupie kontrolnej o 2.72 pkt, 95% CI [1.69, 3.75], t(198) = 5.21, p < .001. W analizie per protocol (n = 182) różnica wyniosła 3.59 pkt, 95% CI [2.56, 4.61].

Lista CONSORT wymaga, by dla każdej grupy podać liczbę osób w każdej analizie i to, czy analizowano je według pierwotnego przydziału (Schulz i in., 2010). Więcej o raportowaniu badań interwencji piszemy w poradnikach statystyka dla fizjoterapeuty i statystyka dla lekarza.

Na rysunku

Scenariusz z przykładu powtórzono 1000 razy. Każde badanie ma 100 osób w ramieniu, program obniża lęk o 3 pkt u osób, które go ukończyły, a przerywają go częściej osoby z silniejszym lękiem na starcie. Ziarno 12121 ustalono raz.

Trzy poziome wykresy skrzypcowe z wykresem pudełkowym w środku, dla ITT, per protocol i as treated. Oś pozioma – oszacowana różnica kontrola minus program w punktach, od około 1 do 5. Pionowa linia przerywana przy 2.33 oznacza efekt przydziału, linia kropkowana przy 3 – efekt u osób kończących program. Rozkład ITT (niebieski) ma środek przy 2.31, na linii efektu przydziału. Rozkład per protocol (żółty) ma środek przy 3.46, a as treated (pomarańczowy) przy 3.77, oba na prawo od linii 3.
Rysunek 1. Oszacowania efektu programu w 1000 symulowanych badań według analizy ITT, per protocol i as treated. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(12121)).

Co widać. Program ukończyło średnio 77.6% osób, więc efekt samego przydziału do programu wynosi 3 × 0.776 = 2.33 pkt. ITT trafia w tę wartość: średnie oszacowanie to 2.31 pkt (błąd Monte Carlo 0.017). Per protocol (3.46 pkt) i as treated (3.77 pkt) przeceniają efekt. Zawyżają nawet efekt u osób, które program ukończyły (3 pkt), bo porównują te osoby, mające niższy lęk na starcie, z całą grupą kontrolną. Rozrzut oszacowań jest we wszystkich trzech analizach podobny (SD około 0.5), więc PP nie zyskuje precyzji, a traci trafność.

Na co uważać. ITT odpowiada na pytanie, co daje zaproponowanie programu. Efekt u osób, które go przyjęły, wymaga innych metod niż proste wykluczenie przerywających (zob. analiza per protocol). Symulacja zakłada, że wynik zmierzono u wszystkich. Gdy brakuje danych osób, które przerwały, ITT też może być obciążona. Jak czytać kształt rozkładu, wyjaśnia hasło wykres skrzypcowy.

Podpis do pracy:

Rysunek 1. Rozkład oszacowań różnicy w nasileniu lęku między grupą kontrolną a grupą programu w 1000 symulowanych badań według analizy intention-to-treat, per protocol i as treated. Uwaga. Linia przerywana: efekt przydziału do programu (2.33 pkt); linia kropkowana: efekt u osób, które ukończyły program (3 pkt). Dane symulowane, 100 osób w ramieniu.

Rysunek na stronie powstał z tego kodu po podmianie motywu na motyw serwisu (krój czcionki, siatka). Dane, geometrie i skale są identyczne.

Kod R rysunku 1
# Rysunek 1. Oszacowania efektu programu w 1000 symulowanych badaniach: ITT, per protocol i as treated
# (scenariusz jak w przykładzie w haśle: 100 osób w ramieniu, program skraca lęk o 3 pkt u osób, które go ukończyły,
#  a przerywają go częściej osoby z silniejszym lękiem na starcie)
library(ggplot2)

# Paleta Okabe–Ito i prosty motyw
kol <- c("ITT" = "#0072B2", "per protocol" = "#E69F00", "as treated" = "#D55E00")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "bottom", plot.background = element_rect(fill = "white", colour = NA))

n <- 100; R <- 1000
jedno <- function() {
  grupa <- rep(c("program", "kontrola"), each = n)
  start <- rnorm(2 * n, 12, 3)
  ukonczyl <- ifelse(grupa == "program", rbinom(2 * n, 1, 1 - plogis(-1.5 + 0.35 * (start - 12))), 1)
  wynik <- 2 + 0.8 * start - 3 * (grupa == "program" & ukonczyl == 1) + rnorm(2 * n, 0, 2.5)
  przerwal <- grupa == "program" & ukonczyl == 0
  otrzymal <- ifelse(grupa == "program" & !przerwal, "program", "kontrola")
  roz <- function(w, g) mean(w[g == "kontrola"]) - mean(w[g == "program"])   # kontrola − program (dodatnia = korzyść)
  c("ITT" = roz(wynik, grupa), "per protocol" = roz(wynik[!przerwal], grupa[!przerwal]),
    "as treated" = roz(wynik, otrzymal), ukonczylo = mean(ukonczyl[grupa == "program"]))
}
set.seed(12121)                                      # ziarno ustalone raz
sym <- t(replicate(R, jedno()))

# Dwie „prawdziwe” wartości: efekt przydziału (to szacuje ITT) i efekt u osób, które ukończyły program (3 pkt)
efekt_przydzialu <- 3 * mean(sym[, "ukonczylo"])
round(c(odsetek_ukonczenia = mean(sym[, "ukonczylo"]), efekt_przydzialu = efekt_przydzialu, efekt_u_konczacych = 3), 3)
tab <- data.frame(analiza = names(kol), srednia = colMeans(sym[, 1:3]), SD = apply(sym[, 1:3], 2, sd))
tab$bladMC <- tab$SD / sqrt(R)
print(transform(tab, srednia = round(srednia, 2), SD = round(SD, 2), bladMC = round(bladMC, 3)), row.names = FALSE)

dl <- data.frame(analiza = factor(rep(names(kol), each = R), rev(names(kol))), oszacowanie = c(sym[, 1:3]))
p <- ggplot(dl, aes(oszacowanie, analiza, fill = analiza)) +
  geom_violin(colour = NA, alpha = 0.6, scale = "width", width = 0.85) +
  geom_boxplot(width = 0.18, fill = "white", colour = "grey15", outlier.shape = NA, linewidth = 0.5) +
  geom_vline(xintercept = efekt_przydzialu, linetype = "dashed", colour = "grey20") +
  geom_vline(xintercept = 3, linetype = "dotted", colour = "grey20") +
  annotate("text", x = efekt_przydzialu - 0.05, y = 3.55, label = "efekt przydziału", hjust = 1, size = 3.9, colour = "grey20") +
  annotate("text", x = 3.05, y = 3.55, label = "efekt u kończących (3)", hjust = 0, size = 3.9, colour = "grey20") +
  scale_fill_manual(values = kol, guide = "none") +
  scale_y_discrete(expand = expansion(add = c(0.6, 0.9))) +
  labs(title = "Różnica kontrola − program w 1000 badań (dodatnia = mniej lęku)",
       x = "Oszacowana różnica (pkt w skali 0–21)", y = NULL) +
  motyw
p
Wynik w R
odsetek_ukonczenia   efekt_przydzialu efekt_u_konczacych 
             0.776              2.327              3.000 
      analiza srednia   SD bladMC
          ITT    2.31 0.53  0.017
 per protocol    3.46 0.52  0.016
   as treated    3.77 0.50  0.016

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów base i stats). Rysunek 1 wykonano w pakiecie ggplot2, a plik SVG zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Na co uważać

  • ITT tylko z nazwy. Hollis i Campbell (1999) znaleźli raporty, które deklarowały ITT, a wykluczały osoby, które nie zaczęły interwencji.
  • Braki danych. Pełna ITT wymaga wyniku od wszystkich. Mierz wynik także u osób, które przerwały, a brakujące wartości uzupełniaj przemyślaną metodą (zob. braki danych i imputacja wielokrotna w R).
  • Per protocol pokaż jako analizę dodatkową, nie zamiast ITT.

Najczęstsze pytania

Czym różni się analiza ITT od per protocol?

ITT analizuje wszystkich zrandomizowanych w grupach z losowania. Per protocol obejmuje tylko osoby, które przeszły interwencję zgodnie z planem, więc grupy mogą przestać być porównywalne.

Dlaczego analiza per protocol często pokazuje większy efekt?

Bo interwencję częściej przerywają osoby z gorszym rokowaniem. Po ich usunięciu w grupie interwencji zostają ci, którym i tak szło lepiej, a grupa kontrolna pozostaje kompletna.

Co zrobić w analizie ITT, gdy brakuje wyników osób, które odpadły?

Najpierw postaraj się zmierzyć wynik u wszystkich. Pozostałe braki uzupełnij metodą dopasowaną do mechanizmu braków, np. imputacją wielokrotną, i opisz to w pracy.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Gupta, S. K. (2011). Intention-to-treat concept: A review. Perspectives in Clinical Research, 2(3), 109–112. https://doi.org/10.4103/2229-3485.83221 ● Otwarty dostęp
  2. Hollis, S., & Campbell, F. (1999). What is meant by intention to treat analysis? Survey of published randomised controlled trials. BMJ, 319(7211), 670–674. https://doi.org/10.1136/bmj.319.7211.670 ● Otwarty dostęp
  3. Schulz, K. F., Altman, D. G., Moher, D., & CONSORT Group. (2010). CONSORT 2010 statement: Updated guidelines for reporting parallel group randomised trials. BMJ, 340, Article c332. https://doi.org/10.1136/bmj.c332 ● Otwarty dostęp

Cytowania BibTeX

@article{gupta2011intention, author={Gupta, Sandeep K.}, title={{Intention-to-treat concept: A review}}, journal={Perspectives in Clinical Research}, year={2011}, volume={2}, number={3}, pages={109--112}, doi={10.4103/2229-3485.83221}}
@article{hollis1999what, author={Hollis, S. and Campbell, F.}, title={{What is meant by intention to treat analysis? Survey of published randomised controlled trials}}, journal={BMJ}, year={1999}, volume={319}, number={7211}, pages={670--674}, doi={10.1136/bmj.319.7211.670}}
@article{schulz2010consort, author={Schulz, Kenneth F. and Altman, Douglas G. and Moher, David and {CONSORT Group}}, title={{CONSORT 2010 statement: Updated guidelines for reporting parallel group randomised trials}}, journal={BMJ}, year={2010}, volume={340}, eid={c332}, doi={10.1136/bmj.c332}}
R