Blokkolt randomizáció véletlenszerűen kiválasztott blokkméretekkel | RegTech
Discussion
A blokkolt randomizáció egyik fő előnye, hogy a kezelési csoportok egyenlő méretűek lesznek, és a legfontosabb kimenetellel kapcsolatos jellemzők szerint egyenletesen oszlanak el. Jellemzően a kisebb blokkméretek időben kiegyensúlyozottabb csoportokat eredményeznek, mint a nagyobb blokkméretek. A kis blokkméret azonban növeli annak kockázatát, hogy az allokációs folyamat kiszámítható, különösen akkor, ha a hozzárendelés nyitott, vagy fennáll a kezelési hozzárendelés lelepleződésének esélye. Például bizonyos immunszuppresszív szerek fény hatására megváltoztatják a színüket. Ez véletlenül felfedheti a vegyület azonosságát egy klinikai vizsgálatban, ha az összehasonlító vegyület nem fényérzékeny. A leleplezés szándékos lehet abban az esetben is, ha az orvos kémiai elemzéssel vizsgálja a beteg vérét, hogy meghatározza a randomizált gyógyszer azonosságát.
A nagy blokkméret alkalmazása védelmet nyújt az ellen, hogy a vizsgáló előre megjósolja a kezelés sorrendjét. Ha azonban az egyik kezelés nagyobb gyakorisággal fordul elő a blokk elején, a blokk közepén egyenlőtlenség léphet fel, ha időközi elemzésre kerül sor, vagy ha a vizsgálatot a blokk közepén befejezik. Alternatív megoldásként a blokkméretek kis méretben tartása és a blokkméretek véletlenszerű sorrendjének alkalmazása enyhítheti ezt a problémát. Egy másik lehetőség nagyobb véletlenszerű blokkméretek alkalmazása, de a kezdeti kezelések blokkon belüli lefutásának esélyét ellensúlyozza a résztvevők elfogult érmés megközelítéssel történő kiosztásával . Egy egyszerű, egyetlen kezelési és referenciacsoportból álló vizsgálatban ez a módszer valószínűsíti, hogy a résztvevők egy blokkon belül a kezelési karba kerülnek, az eddig a kezelési karba randomizált résztvevők hozzárendelési egyenlegének függvényében. Például, ha egy randomizálandó résztvevő olyan kategóriába tartozik, amelyben K-val több kezelés (t) van, mint már kiosztott referens (r), akkor a kezelés és a referens csoportba való besorolás t = q, (r = p), t = ½ (r = ½) és t = p, (r = q) valószínűséggel történik, attól függően, hogy K nagyobb, egyenlő vagy kisebb, mint nulla (ahol p ≥ q, p + q = 1). Bár az utóbbi stratégia torzíthatja a randomizálási folyamatot azáltal, hogy csökkenti a hosszú futások valószínűségét, az ebből eredő torzítás elfogadható lehet, ha megakadályozza a blokkok közötti egyenlőtlenséget és szabályozza a kezelés kiosztásának kiszámíthatóságát. Bizonyos minimax feltételek mellett a véletlenszerű érmés megközelítés bizonyítottan jobbnak bizonyult a teljes randomizációnál a véletlen torzítás minimalizálása szempontjából (pl. a torzítás olyan típusa, amely akkor fordul elő, amikor a randomizációs séma nem ér el egyensúlyt a kimenetellel kapcsolatos kovariánsok tekintetében) . Az ebben a tanulmányban megadott nyílt forráskódú algoritmus és az olyan programozási nyelvekben, mint az R , rendelkezésre álló hasonló algoritmusok egyik fő előnye, hogy az alapul szolgáló kód módosítható a véletlen érmés technika és más, a standard statisztikai csomagokban még megvalósítandó kiegyensúlyozási stratégiák befogadására.
Az egyes kezelési csoportokhoz rendelt résztvevők száma egyenlő lesz, ha minden blokk azonos méretű, és a teljes vizsgálati mintaméret a blokkméret többszöröse. Továbbá egyenlőtlen blokkméret esetén az egyensúly akkor garantált, ha az összes kezelési hozzárendelés az utolsó blokkban történik . Ha azonban véletlenszerű blokkméreteket használnak egy több helyszínen végzett vizsgálatban, a minta mérete telephelyenként eltérő lehet, de átlagosan hasonló lesz.
A véletlenszerű blokkméretek használatának előnye a szelekciós torzítás csökkentése érdekében csak akkor figyelhető meg, ha a hozzárendelések biztonsággal meghatározhatók . Azaz, ha a hozzárendelés nem ismert bizonyossággal, hanem csak valószínűbb, akkor nincs előnye a véletlenszerű blokkméretek alkalmazásának. A szelekciós torzítás ellen a legjobb védelmet a blokkok sorrendjének és méretének megvakítása jelenti. Továbbá a véletlenszerű blokkméretek alkalmazása nem szükséges egy maszk nélküli vizsgálatban, ha a résztvevőket nem a vizsgálatba való bekerülésük szerint, hanem blokkonként randomizálták, mivel az előbbi teljesen kiküszöböli a szelekciós torzítást.
A blokkolás figyelembevételének szükségessége az adatok statisztikai elemzésénél, beleértve a blokkméretek véletlenszerű megválasztását is, attól függ, hogy létezik-e blokkon belüli korreláció . Nem nulla intrablokkbeli korreláció például akkor fordulhat elő, ha egy résztvevő jellemzői és válaszai a vizsgálatba való belépés időpontjától függően változnak. Ha a folyamat homogén, akkor a blokkon belüli korreláció nulla, és a blokkolás figyelmen kívül hagyható az elemzésben. A varianciabecsléseket azonban megfelelően ki kell igazítani, ha a blokkon belüli korreláció jelen van . A blokkokon belüli hiányzó adatok jelenléte is potenciálisan megnehezítheti a statisztikai elemzés érvényességét. Például speciális elemzési technikákra lehet szükség, ha a hiányzó adatok a kezelés hatásaihoz kapcsolódnak, vagy más, nem véletlenszerű módon fordulnak elő. A véletlenszerűen hiányzó megfigyeléseket tartalmazó adatkészletek azonban elemezhetők az érintett blokkok egyszerű kizárásával. Ha lehetséges, intézkedéseket kell bevezetni a hiányzó értékek minimalizálása érdekében, mivel jelenlétük csökkenti a statisztikai eljárások erejét.
A nagy vak vizsgálatokban jellemzően nem fordulnak elő jelentős kezelési egyensúlytalanságok és véletlen torzítások, különösen, ha a randomizálás a vizsgálat kezdetén elvégezhető. Ha azonban a kezelés kiosztása nyitott és a minta mérete kicsi, akkor a véletlenszerűen kiválasztott blokkméretekkel végzett blokkos randomizációs eljárás segíthet fenntartani a kezelés kiosztásának egyensúlyát, és csökkentheti a szelekciós torzítás lehetőségét.