Lohkotettu satunnaistaminen satunnaisesti valitulla lohkokoolla | RegTech

Keskustelu

Lohkotetun satunnaistamisen keskeisenä etuna on, että hoitoryhmät ovat samankokoisia ja jakautuvat yleensä tasaisesti keskeisten tuloksiin liittyvien ominaisuuksien mukaan. Tyypillisesti pienemmät lohkokoot johtavat ajallisesti tasapainoisempiin ryhmiin kuin suuremmat lohkokoot. Pieni lohkokoko lisää kuitenkin riskiä siitä, että jakoprosessi voi olla ennakoitavissa, erityisesti jos jako on avoin tai jos on mahdollista, että hoitojako paljastuu. Esimerkiksi tietyt immunosuppressiiviset aineet muuttavat väriä, kun ne altistuvat valolle. Tämä voi tahattomasti paljastaa yhdisteen identiteetin kliinisessä tutkimuksessa, jos vertailuaine ei ole valoherkkä. Peittäminen voi olla tahallista myös silloin, kun lääkäri analysoi kemiallisesti potilaan verta määrittääkseen satunnaistetun lääkkeen identiteetin.

Suuren lohkokoon käyttäminen auttaa suojautumaan siltä, että tutkija ei voi ennustaa hoitojärjestystä. Jos yhtä hoitoa kuitenkin käytetään useammin lohkon alussa, lohkon puolivälissä voi esiintyä epätasa-arvoa, jos tehdään välianalyysi tai tutkimus lopetetaan kesken lohkon. Vaihtoehtoisesti lohkokokojen pitäminen pieninä ja lohkokokojen satunnainen järjestys voi lieventää tätä ongelmaa. Toinen vaihtoehto on käyttää suurempia satunnaisia lohkokokoja, mutta kompensoida alkuhoitoajankohtien mahdollisuus lohkon sisällä jakamalla osallistujat käyttämällä vinoutunutta kolikkomenetelmää. Yksinkertaisessa tutkimuksessa, joka koostuu yhdestä hoito- ja vertailuryhmästä, tämä menetelmä jakaa osallistujat lohkon sisällä todennäköisyyteen perustuen hoitohaaraan riippuen tähän mennessä hoitohaaraan satunnaistettujen osallistujien jakotasapainosta. Jos esimerkiksi satunnaistettava osallistuja kuuluu ryhmään, jossa on K enemmän hoitoja (t) kuin jo annettuja viiteryhmiä (r), hoito ja viiteryhmä jaetaan todennäköisyydellä t = q, (r = p), t = ½ (r = ½) ja t = p, (r = q) riippuen siitä, onko K suurempi, yhtä suuri kuin nolla vai pienempi kuin nolla (missä p ≥ q, p + q = 1). Vaikka jälkimmäinen strategia saattaa vääristää satunnaistamisprosessia vähentämällä pitkien juoksujen todennäköisyyttä, siitä johtuva harha voi olla hyväksyttävä, jos sillä estetään epätasa-arvoisuus keskellä lohkoa ja kontrolloidaan hoidon kohdentamisen ennustettavuutta. Tietyissä minimax-olosuhteissa satunnaiskolikkomenetelmä on osoittautunut täydellistä satunnaistamista paremmaksi satunnaisten harhojen minimoimiseksi (esim. eräänlainen harha, joka syntyy, kun satunnaistamisjärjestelmällä ei saavuteta tasapainoa lopputulokseen liittyvien kovariaattien suhteen) . Tässä asiakirjassa esitetyn avoimen lähdekoodin algoritmin ja R:n kaltaisilla ohjelmointikielillä saatavilla olevien vastaavien algoritmien keskeisenä etuna on se, että taustalla olevaa koodia voidaan muuttaa siten, että se soveltuu satunnaiskolikkotekniikkaan ja muihin tasapainottamisstrategioihin, joita ei ole vielä toteutettu tavanomaisissa tilastollisissa paketeissa.

Kumpaankin hoitoryhmään osoitettujen osallistujien määrä on yhtä suuri, kun kaikki lohkot ovat samankokoisia, ja kun koko tutkimuksen otoskoko on moninkertainen lohkokokoon nähden. Lisäksi, jos lohkojen koot ovat eri kokoisia, tasapaino taataan, jos kaikki hoidon kohdentamiset tehdään viimeisessä lohkossa . Kun satunnaisia lohkokokoja käytetään usean toimipaikan tutkimuksessa, otoskoko voi kuitenkin vaihdella toimipaikoittain, mutta on keskimäärin samanlainen.

Satunnaisten lohkokokojen käytön etu valinnan harhan vähentämisessä on havaittavissa vain silloin, kun hoidonjako voidaan määrittää varmuudella . Toisin sanoen, kun jakoa ei tiedetä varmuudella, vaan se on vain todennäköisempää, satunnaisten lohkokokojen käytöstä ei ole etua. Paras suoja valintaharhaa vastaan on sokeuttaa sekä lohkojen järjestys että niiden koko. Lisäksi satunnaisten lohkokokojen käyttö ei ole välttämätöntä peittämättömässä tutkimuksessa, jos osallistujat on satunnaistettu lohkona eikä yksilöllisesti sen mukaan, miten he ovat tulleet tutkimukseen, koska ensin mainittu menetelmä eliminoi täysin valintaharhan.

Tarpeellisuus ottaa huomioon lohkojako aineiston tilastollisessa analyysissä, myös silloin, kun lohkokoot valitaan satunnaisesti, riippuu siitä, onko olemassa lohkon sisäistä korrelaatiota . Nollasta poikkeavaa lohkon sisäistä korrelaatiota voi esiintyä esimerkiksi silloin, kun osallistujan ominaisuudet ja vastaukset muuttuvat sen mukaan, milloin hän on tullut tutkimukseen. Jos prosessi on homogeeninen, lohkon sisäinen korrelaatio on nolla, ja lohkomiset voidaan jättää analyysissä huomiotta. Varianssiestimaatteja on kuitenkin mukautettava asianmukaisesti, jos lohkon sisäistä korrelaatiota esiintyy. Myös puuttuvien tietojen esiintyminen lohkojen sisällä voi mahdollisesti vaikeuttaa tilastollisen analyysin pätevyyttä. Erityisiä analyysitekniikoita saatetaan tarvita esimerkiksi silloin, kun puuttuvat tiedot liittyvät hoitovaikutuksiin tai esiintyvät jollakin muulla ei-sattumanvaraisella tavalla . Tietoaineistot, joista puuttuu satunnaisia havaintoja, voidaan kuitenkin analysoida yksinkertaisesti jättämällä kyseiset lohkot pois. Mahdollisuuksien mukaan olisi toteutettava toimenpiteitä puuttuvien arvojen minimoimiseksi, koska niiden esiintyminen vähentää tilastollisten menettelyjen tehoa.

Merkittävää hoidon epätasapainoa ja satunnaista harhaa ei tyypillisesti esiinny suurissa sokkoutetuissa tutkimuksissa, varsinkin jos satunnaistaminen voidaan suorittaa tutkimuksen alussa. Kuitenkin silloin, kun hoidon kohdentaminen on avointa ja otoskoko on pieni, kuin lohkosatunnaistamismenettely, jossa lohkojen koot valitaan satunnaisesti, voi auttaa säilyttämään hoidon kohdentamisen tasapainon ja vähentämään valikoitumisharhojen mahdollisuutta.