Randomizacja blokowa z losowo wybranymi rozmiarami bloków | RegTech

Dyskusja

Kluczową zaletą randomizacji blokowej jest to, że grupy leczenia będą równe pod względem wielkości i będą miały tendencję do równomiernego rozkładu według kluczowych cech związanych z wynikiem. Zazwyczaj mniejsze rozmiary bloków prowadzą do bardziej zrównoważonych grup pod względem czasu niż większe rozmiary bloków. Jednakże, mały rozmiar bloku zwiększa ryzyko, że proces alokacji może być przewidywalny, zwłaszcza jeśli przydział jest otwarty lub istnieje szansa na zdemaskowanie przydziału do leczenia. Na przykład niektóre środki immunosupresyjne zmieniają kolor po wystawieniu na działanie światła. Może to nieumyślnie ujawnić tożsamość związku w badaniu klinicznym, jeżeli związek porównawczy nie jest wrażliwy na światło. Demaskowanie może być również zamierzone w przypadku lekarza chemicznie analizującego krew pacjenta w celu określenia tożsamości randomizowanego leku.

Używanie dużego rozmiaru bloku pomoże chronić przed badaczem przewidującym sekwencję leczenia. Jeśli jednak jedno leczenie występuje z większą częstotliwością na początku bloku, może wystąpić nierówność w połowie bloku, jeśli przeprowadzana jest analiza śródokresowa lub badanie zostaje zakończone w połowie bloku. Alternatywnie, utrzymywanie małych rozmiarów bloków i stosowanie losowych sekwencji rozmiarów bloków może złagodzić ten problem. Inną opcją jest zastosowanie większych bloków losowych, ale zniwelowanie szansy na początkowy przebieg leczenia w bloku poprzez przydzielanie uczestników za pomocą podejścia opartego na monecie stronniczej. W prostym badaniu składającym się z pojedynczej grupy badanej i grupy odniesienia, metoda ta probabilistycznie przypisuje uczestników w bloku do ramienia leczenia w zależności od równowagi przypisania uczestników dotychczas randomizowanych do ramienia leczenia. Na przykład, jeśli uczestnik, który ma być randomizowany jest w kategorii, która ma K więcej sposobów leczenia (t) niż referencji (r) już przypisanych, wtedy przypisanie do grupy leczenia i referencji zostanie dokonane z prawdopodobieństwem t = q, (r = p), t = ½ (r = ½) i t = p, (r = q) w zależności od tego, czy K jest większe, równe lub mniejsze od zera (gdzie p ≥ q, p + q = 1). Chociaż ta ostatnia strategia może zniekształcić proces randomizacji poprzez zmniejszenie prawdopodobieństwa długich serii, wynikająca z niej stronniczość może być akceptowalna, jeśli zapobiega nierówności w połowie bloku i kontroluje przewidywalność przypisania do leczenia. W pewnych warunkach minimax wykazano, że metoda losowej monety jest lepsza od pełnej randomizacji pod względem minimalizacji przypadkowej stronniczości (np. rodzaj stronniczości, który występuje, gdy schemat randomizacji nie osiąga równowagi na zmiennych związanych z wynikiem). Kluczową zaletą algorytmu open source przedstawionego w tym artykule i porównywalnych algorytmów dostępnych w językach programowania, takich jak R , jest to, że podstawowy kod może zostać zmodyfikowany w celu dostosowania techniki losowej monety i innych strategii równoważenia, które nie zostały jeszcze zaimplementowane w standardowych pakietach statystycznych.

Liczba uczestników przypisanych do każdej grupy leczenia będzie równa, gdy wszystkie bloki są tej samej wielkości, a całkowita wielkość próby badawczej jest wielokrotnością wielkości bloku. Ponadto w przypadku nierównych rozmiarów bloków równowaga jest zagwarantowana, jeżeli wszystkie przypisania do leczenia są dokonywane w ostatnim bloku. Jednakże, gdy losowe rozmiary bloków są stosowane w badaniu obejmującym wiele miejsc, wielkość próby może się różnić w zależności od miejsca, ale średnio będzie podobna.

Zaleta stosowania losowych rozmiarów bloków w celu zmniejszenia stronniczości selekcji jest obserwowana tylko wtedy, gdy przydziały mogą być określone z pewnością. To znaczy, gdy przypisanie nie jest znane z pewnością, ale raczej jest po prostu bardziej prawdopodobne, wtedy nie ma korzyści z używania losowych rozmiarów bloków. Najlepszą ochroną przed stronniczością selekcji jest zaślepianie zarówno uporządkowania bloków, jak i ich odpowiednich rozmiarów. Ponadto stosowanie losowych rozmiarów bloków nie jest konieczne w badaniu bez maskowania, jeśli uczestnicy byli randomizowani jako blok, a nie indywidualnie zgodnie z ich wejściem do badania, ponieważ ten pierwszy całkowicie wyeliminuje stronniczość selekcji.

Konieczność uwzględnienia blokowania w analizie statystycznej danych, w tym gdy rozmiary bloków są losowo wybrane, zależy od tego, czy istnieje korelacja wewnątrzblokowa . Niezerowa korelacja wewnątrzblokowa może wystąpić, na przykład, gdy cechy i odpowiedzi dla uczestnika zmieniają się zgodnie z ich czasem wejścia do badania. Jeśli proces jest jednorodny, korelacja wewnątrzblokowa będzie równa zeru i blokowanie może być pominięte w analizie. Jednak szacunki wariancji muszą być odpowiednio skorygowane, gdy występuje korelacja wewnątrzblokowa. Obecność brakujących danych w obrębie bloków również może potencjalnie skomplikować ważność analizy statystycznej. Na przykład, specjalne techniki analityczne mogą być potrzebne, gdy brakujące dane są związane z efektami leczenia lub występują w jakiś inny nielosowy sposób. Jednakże zbiory danych z brakującymi losowo obserwacjami mogą być analizowane poprzez zwykłe wykluczenie dotkniętych bloków. Jeśli to możliwe, należy wdrożyć środki w celu zminimalizowania brakujących wartości, ponieważ ich obecność zmniejszy moc procedur statystycznych.

Znaczące nierówności w leczeniu i przypadkowa stronniczość zazwyczaj nie występują w dużych zaślepionych próbach, zwłaszcza jeśli randomizacja może być przeprowadzona na początku badania. Jednakże, gdy przypisanie do leczenia jest otwarte, a wielkość próby jest mała, procedura randomizacji blokowej z losowo wybranymi wielkościami bloków może pomóc w utrzymaniu równowagi przypisania do leczenia i zmniejszyć potencjał stronniczości wyboru.

.