Aleatorización en bloque con tamaños de bloque seleccionados al azar | RegTech
Discusión
Una ventaja clave de la aleatorización en bloque es que los grupos de tratamiento serán iguales en tamaño y tenderán a estar distribuidos uniformemente por características clave relacionadas con el resultado. Normalmente, los tamaños de bloque más pequeños conducirán a grupos más equilibrados por tiempo que los tamaños de bloque más grandes. Sin embargo, un tamaño de bloque pequeño aumenta el riesgo de que el proceso de asignación sea predecible, especialmente si la asignación es abierta o existe la posibilidad de desenmascarar la asignación del tratamiento. Por ejemplo, ciertos agentes inmunosupresores cambian de color cuando se exponen a la luz. Esto puede exponer inadvertidamente la identidad del compuesto en un ensayo clínico si el compuesto de comparación no es sensible a la luz. El desenmascaramiento también puede ser intencional en el caso de que un médico analice químicamente la sangre de un paciente para determinar la identidad del fármaco aleatorizado.
Usar un tamaño de bloque grande ayudará a proteger contra la predicción de la secuencia de tratamiento por parte del investigador. Sin embargo, si un tratamiento ocurre con mayor frecuencia al principio de un bloque, puede producirse una desigualdad a mitad de bloque si hay un análisis intermedio o el estudio se termina a mitad de bloque. Como alternativa, mantener los tamaños de los bloques pequeños y utilizar secuencias aleatorias de tamaños de bloques puede mejorar este problema. Otra opción es utilizar tamaños de bloque aleatorios más grandes, pero compensar la posibilidad de que el tratamiento inicial se ejecute dentro de un bloque asignando a los participantes mediante un enfoque de moneda sesgada. En un ensayo simple que consiste en un solo grupo de tratamiento y de referencia, este método asigna probabilísticamente a los participantes dentro de un bloque al brazo de tratamiento dependiendo del balance de asignación de los participantes hasta ahora asignados al brazo de tratamiento. Por ejemplo, si un participante que va a ser aleatorizado está en una categoría que tiene K más tratamientos (t) que referentes (r) ya asignados, entonces la asignación al grupo de tratamiento y referente se hará con probabilidad t = q, (r = p), t = ½ (r = ½), y t = p, (r = q) dependiendo de si K es mayor, igual o menor que cero (donde p ≥ q, p + q = 1). Aunque esta última estrategia puede distorsionar el proceso de aleatorización al disminuir la probabilidad de carreras largas, el sesgo resultante puede ser aceptable si evita la desigualdad a mitad de bloque y controla la previsibilidad de la asignación del tratamiento. Bajo ciertas condiciones minimax, el enfoque de la moneda aleatoria ha demostrado ser superior a la aleatorización completa para minimizar el sesgo accidental (por ejemplo, un tipo de sesgo que se produce cuando el esquema de aleatorización no logra el equilibrio en las covariables relacionadas con el resultado) . Una ventaja clave del algoritmo de código abierto proporcionado en este documento, y de los algoritmos comparables disponibles en lenguajes de programación como R , es que el código subyacente puede modificarse para dar cabida a la técnica de la moneda aleatoria y a otras estrategias de equilibrio que aún no se han implementado en los paquetes estadísticos estándar.
El número de participantes asignados a cada grupo de tratamiento será igual cuando todos los bloques sean del mismo tamaño y el tamaño total de la muestra del estudio sea un múltiplo del tamaño del bloque. Además, en el caso de tamaños de bloque desiguales, el equilibrio está garantizado si todas las asignaciones de tratamiento se realizan dentro del último bloque . Sin embargo, cuando se utilizan tamaños de bloque aleatorios en un estudio multisitio, el tamaño de la muestra puede variar según el sitio, pero en promedio será similar.
La ventaja de utilizar tamaños de bloque aleatorios para reducir el sesgo de selección sólo se observa cuando las asignaciones pueden determinarse con certeza . Es decir, cuando la asignación no se conoce con certeza sino que sólo es más probable, entonces no hay ninguna ventaja en utilizar tamaños de bloque aleatorios. La mejor protección contra el sesgo de selección es cegar tanto el orden de los bloques como su tamaño respectivo. Además, el uso de tamaños de bloque aleatorios no es necesario en un ensayo no enmascarado si los participantes han sido aleatorizados como un bloque en lugar de individualmente según su entrada en el estudio, ya que lo primero eliminará completamente el sesgo de selección.
La necesidad de tener en cuenta el bloqueo en el análisis estadístico de los datos, incluso cuando los tamaños de los bloques se eligen aleatoriamente, depende de si existe una correlación intrabloque . Una correlación intrabloque no nula puede producirse, por ejemplo, cuando las características y las respuestas de un participante cambian en función de su tiempo de entrada en el estudio. Si el proceso es homogéneo, la correlación intrabloque será igual a cero y el bloqueo puede ignorarse en el análisis. Sin embargo, las estimaciones de la varianza deben ajustarse adecuadamente cuando hay correlación intra-bloque. La presencia de datos perdidos dentro de los bloques también puede complicar potencialmente la validez del análisis estadístico. Por ejemplo, pueden ser necesarias técnicas analíticas especiales cuando los datos que faltan están relacionados con los efectos del tratamiento o se producen de alguna otra manera no aleatoria. Sin embargo, los conjuntos de datos con observaciones perdidas al azar pueden analizarse simplemente excluyendo los bloques afectados. Cuando sea posible, deben aplicarse medidas para minimizar los valores perdidos, ya que su presencia reducirá la potencia de los procedimientos estadísticos.
Los desequilibrios significativos del tratamiento y el sesgo accidental no suelen producirse en los grandes ensayos ciegos, especialmente si la aleatorización puede realizarse al inicio del estudio. Sin embargo, cuando la asignación del tratamiento es abierta y el tamaño de la muestra es pequeño, un procedimiento de aleatorización en bloque con tamaños de bloque elegidos al azar puede ayudar a mantener el equilibrio de la asignación del tratamiento y reducir el potencial de sesgo de selección.