Randomisation en bloc avec des tailles de bloc sélectionnées aléatoirement | RegTech
Discussion
Un avantage clé de la randomisation en bloc est que les groupes de traitement seront de taille égale et auront tendance à être distribués uniformément par des caractéristiques clés liées aux résultats. Généralement, les petites tailles de blocs conduiront à des groupes plus équilibrés par temps que les grandes tailles de blocs. Cependant, une petite taille de bloc augmente le risque que le processus d’allocation soit prévisible, en particulier si l’assignation est ouverte ou s’il existe une possibilité de démasquer l’assignation du traitement. Par exemple, certains agents immunosuppresseurs changent de couleur lorsqu’ils sont exposés à la lumière. Cela peut exposer par inadvertance l’identité du composé dans un essai clinique si le composé de comparaison n’est pas sensible à la lumière. Le démasquage peut également être intentionnel dans le cas où un médecin analyse chimiquement le sang d’un patient pour déterminer l’identité du médicament randomisé.
L’utilisation d’une grande taille de bloc aidera à se protéger contre la prédiction par l’investigateur de la séquence de traitement. Cependant, si un traitement se produit avec une plus grande fréquence au début d’un bloc, une inégalité au milieu du bloc peut se produire s’il y a une analyse intermédiaire ou si l’étude est terminée au milieu d’un bloc. Une autre solution consiste à maintenir des blocs de petite taille et à utiliser des séquences aléatoires de blocs pour améliorer ce problème. Une autre option consiste à utiliser des blocs aléatoires plus grands, mais à compenser le risque de traitement initial dans un bloc en répartissant les participants à l’aide d’une pièce de monnaie biaisée. Dans un essai simple comprenant un seul groupe de traitement et un groupe référent, cette méthode affecte de manière probabiliste les participants d’un bloc au bras de traitement en fonction de l’équilibre d’affectation des participants jusqu’ici randomisés dans le bras de traitement. Par exemple, si un participant à randomiser fait partie d’une catégorie qui compte K traitements (t) de plus que de référents (r) déjà assignés, l’assignation au groupe de traitement et de référents se fera avec une probabilité t = q, (r = p), t = ½ (r = ½), et t = p, (r = q) selon que K est supérieur, égal ou inférieur à zéro (où p ≥ q, p + q = 1). Bien que cette dernière stratégie puisse fausser le processus de randomisation en diminuant la probabilité des séries longues, le biais qui en résulte peut être acceptable s’il permet d’éviter l’inégalité au milieu du bloc et de contrôler la prévisibilité de l’affectation du traitement. Dans certaines conditions minimax, l’approche des pièces de monnaie aléatoires s’est avérée supérieure à la randomisation complète pour minimiser le biais accidentel (par exemple, un type de biais qui se produit lorsque le schéma de randomisation ne parvient pas à équilibrer les covariables liées aux résultats). Un avantage clé de l’algorithme open source fourni dans cet article, et des algorithmes comparables disponibles dans des langages de programmation tels que R , est que le code sous-jacent peut être modifié pour s’adapter à la technique de la pièce aléatoire et à d’autres stratégies d’équilibrage encore à mettre en œuvre dans les progiciels statistiques standard.
Le nombre de participants affectés à chaque groupe de traitement sera égal lorsque tous les blocs sont de la même taille et que la taille globale de l’échantillon de l’étude est un multiple de la taille du bloc. En outre, dans le cas de blocs de taille inégale, l’équilibre est garanti si toutes les affectations de traitement sont effectuées dans le dernier bloc . Cependant, lorsque des tailles de blocs aléatoires sont utilisées dans une étude multi-sites, la taille de l’échantillon peut varier selon le site mais sera en moyenne similaire.
L’avantage d’utiliser des tailles de blocs aléatoires pour réduire le biais de sélection n’est observé que lorsque les affectations peuvent être déterminées avec certitude . C’est-à-dire que lorsque l’assignation n’est pas connue avec certitude mais qu’elle est juste plus probable, alors il n’y a aucun avantage à utiliser des tailles de blocs aléatoires. La meilleure protection contre le biais de sélection consiste à rendre aveugle à la fois l’ordre des blocs et leur taille respective. En outre, l’utilisation de tailles de blocs aléatoires n’est pas nécessaire dans un essai non masqué si les participants ont été randomisés en bloc plutôt qu’individuellement en fonction de leur entrée dans l’étude, car le premier cas élimine complètement le biais de sélection.
La nécessité de prendre en compte le blocage dans l’analyse statistique des données, y compris lorsque les tailles de blocs sont choisies au hasard, dépend de l’existence ou non d’une corrélation intrabloc . Une corrélation intrabloc non nulle peut se produire, par exemple, lorsque les caractéristiques et les réponses d’un participant changent en fonction de son moment d’entrée dans l’étude. Si le processus est homogène, la corrélation intrabloc sera égale à zéro et le blocage peut être ignoré dans l’analyse. Cependant, les estimations de la variance doivent être ajustées de manière appropriée lorsqu’il existe une corrélation intrabloc. La présence de données manquantes au sein des blocs peut également compliquer la validité de l’analyse statistique. Par exemple, des techniques analytiques spéciales peuvent être nécessaires lorsque les données manquantes sont liées aux effets du traitement ou se produisent d’une autre manière non aléatoire. Cependant, les ensembles de données comportant des observations manquantes au hasard peuvent être analysés en excluant simplement les blocs concernés. Lorsque cela est possible, des mesures doivent être mises en œuvre pour minimiser les valeurs manquantes, car leur présence réduira la puissance des procédures statistiques.
Les déséquilibres de traitement significatifs et les biais accidentels ne se produisent généralement pas dans les grands essais en aveugle, surtout si la randomisation peut être effectuée au début de l’étude. Cependant, lorsque l’affectation du traitement est ouverte et que la taille de l’échantillon est petite qu’une procédure de randomisation par blocs avec des tailles de blocs choisies au hasard peut aider à maintenir l’équilibre de l’affectation du traitement et réduire le potentiel de biais de sélection.
.