Zum Inhalt springen
Zurück zu den Suchergebnissen

Blockrandomisierte kontrollierte Studie

Eingeführt von
R. A. Fisher (blocking principle); systematic RCT application by Bradford Hill and later Pocock, Friedman et al.
Jahr
1920s (Fisher's blocking principle); applied to RCTs from the 1940s onward
Typ
Experimental design
Familie
Experimental design

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Eine blockrandomisierte kontrollierte Studie (block-RCT) verwendet eine permutierte Blockrandomisierung, um sicherzustellen, dass die Behandlungsgruppen während der gesamten Rekrutierungsphase hinsichtlich ihrer Größe – und optional hinsichtlich wichtiger Merkmale – ausgeglichen bleiben.

Innerhalb jedes Blocks fester oder zufällig variierender Größe sind alle Behandlungszuteilungen in gleicher Anzahl vorhanden, sodass sich ein Ungleichgewicht auch bei vorzeitigem Studienabbruch nicht akkumulieren kann. Dies macht block-RCTs zum Standard-Randomisierungsansatz in der klinischen und verhaltensbezogenen Interventionsforschung.

Die Intuition hinter der Methode

Stellen Sie sich vor, 100 Patienten werden nacheinander eingeschlossen. Eine reine Randomisierung könnte zufällig die ersten 20 Patienten hauptsächlich einem Arm zuweisen, was Zwischenauswertungen und finale Vergleiche verzerren würde. Die Blockbildung verhindert dies: Der Forscher legt kleine Blöcke von beispielsweise vier Plätzen (zwei pro Arm) fest, sodass alle vier aufeinanderfolgenden Einschlüsse das Gleichgewicht wiederherstellen. Die Größen der Behandlungsgruppen bleiben während der gesamten Studie nahezu gleich. Wenn Blöcke auch Standorten oder Strata entsprechen, wird das Gleichgewicht auch in diesen Untergruppen aufrechterhalten, wodurch die Studie vor Verfälschungen geschützt wird, die durch ungleichmäßige Einschreibung entstehen können.

Geschichte

Das Prinzip der Blockbildung entstand in den 1920er Jahren mit R. A. Fishers landwirtschaftlichen Feldversuchen, bei denen Parzellen zu Blöcken zusammengefasst wurden, um die Bodenvariabilität zu kontrollieren. Bradford Hill wandte die Randomisierung in klinischen Studien in der wegweisenden Streptomycin-Tuberkulose-Studie von 1948 an. Die permutierte Blockrandomisierung für RCTs wurde systematisch von Stuart Pocock in seinem Lehrbuch von 1983 und von Friedman, Furberg und DeMets in aufeinanderfolgenden Ausgaben von Fundamentals of Clinical Trials beschrieben und befürwortet. Sie ist heute der De-facto-Standard in den meisten klinischen Studien der Phase II und Phase III.

Wann wird sie eingesetzt?

Verwenden Sie eine block-RCT, wenn Sie zwei oder mehr Interventionen unter kontrollierten Bedingungen vergleichen müssen und während der gesamten Rekrutierung nahezu gleiche Gruppengrößen garantieren möchten – unerlässlich, wenn Zwischenanalysen oder ein vorzeitiger Abbruch geplant sind. Die Blockbildung ist besonders wertvoll in multizentrischen Studien, wo separate Blocksequenzen pro Standort standortspezifische Störfaktoren verhindern. Verwenden Sie keine einfache blockierte (nicht-stratifizierte) RCT, wenn wichtige prognostische Kovariaten stark über Rekrutierungsstandorte oder die Zeit variieren; in diesem Fall ist eine stratifizierte Blockbildung oder Minimierung vorzuziehen. Vermeiden Sie blockierte Randomisierung in sehr kleinen Studien (n < 20), wenn Blöcke fest sind und die Blockgröße bekannt ist, da die Zuteilung bei später Einschreibung auch bei Verblindungsmaßnahmen vorhersehbar wird.

Grenzen und Hinweise

  • Feste Blockgrößen können die Vorhersage der Zuteilung gegen Ende jedes Blocks ermöglichen, wenn die Randomisierung nicht vollständig verblindet ist, was zu Selektionsbias führt.
  • Eliminiert Kovariaten-Ungleichgewichte nicht vollständig – erzwingt nur das Gleichgewicht bei Stratifizierungsvariablen, die explizit in das Design integriert wurden.
  • Die gleichzeitige Stratifizierung nach zu vielen Variablen erzeugt eine unüberschaubare Anzahl kleiner Strata, was den Zweck der Blockbildung zunichtemacht.
  • Die Analyse muss die Blockstruktur berücksichtigen; das Ignorieren von Stratifizierungsvariablen im Modell kann die statistische Effizienz verringern.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Garantiert ein annäherndes Gleichgewicht der Gruppengrößen zu jedem Zeitpunkt während der Rekrutierung und schützt Zwischenanalysen.
  • Reduziert zufällige Ungleichgewichte bei gemessenen und ungemessenen Ausgangskovariaten im Vergleich zur einfachen Randomisierung.
  • Kompatibel mit Stratifizierung, ermöglicht gleichzeitiges Gleichgewicht bei mehreren wichtigen prognostischen Faktoren.
  • Weit anerkannter regulatorischer Standard; gut verstanden von Statistikern, Gutachtern und Ethikkommissionen.
  • Zufällige Variation der Blockgröße verhindert effektiv die Zuteilungsvorhersage, selbst wenn die Blockgröße annähernd bekannt ist.

Anwendungen

  • Pharmazeutische Studien der Phase II und III, die eine regulatorisch anerkannte Randomisierung mit Zwischenanalysen erfordern.
  • Multizentrische Bildungs- oder Verhaltensinterventionsstudien, bei denen der Standort eine bekannte Quelle der Variabilität ist.
  • Chirurgische oder prozedurale Studien, bei denen das Patientenvolumen und der Fallmix zwischen den Zentren erheblich variieren.
  • Rehabilitations- und Physiotherapie-RCTs, bei denen Therapeuten- oder Klinik-Effekte über die Arme hinweg ausgeglichen werden müssen.
  • Impfstoffwirksamkeitsstudien, stratifiziert nach Altersgruppe oder serologischem Status bei der Einschreibung.

So funktioniert es

So funktioniert es

1

Der Prüfarzt wählt eine Blockgröße (üblicherweise 4, 6 oder eine zufällig variierende Sequenz von Größen, um eine Zuteilungsvorhersage zu verhindern). Wenn eine Stratifizierung geplant ist, werden Blöcke innerhalb jedes Stratums separat definiert – zum Beispiel separat nach Standort, Geschlecht oder Ausgangsschweregrad –, sodass das Gleichgewicht innerhalb jeder interessierenden Untergruppe erzwungen wird.

2

Für jeden Block werden alle Permutationen der Behandlungsbezeichnungen aufgelistet, die das Zielzuteilungsverhältnis erfüllen (z. B. für ein Verhältnis von 1:1 in Blöcken der Größe 4: AABB, ABAB, ABBA usw.), und eine Permutation wird zufällig mithilfe eines Computer-Zufallszahlengenerators ausgewählt. Das Aneinanderreihen der Permutationen für aufeinanderfolgende Blöcke erzeugt die vollständige Zuteilungssequenz.

3

Wenn Teilnehmer eingeschlossen werden und die Einschlusskriterien erfüllen, erhalten sie die nächste Zuteilung in der Sequenz. Die Verblindung ist entscheidend: Die Sequenz muss sicher aufbewahrt werden (z. B. versiegelte Umschläge oder ein zentrales Randomisierungssystem), damit weder der Rekrutierende noch der Teilnehmer die nächste Zuweisung vorhersagen können. Kenntnis der Zuteilung bricht die Verblindung und führt zu Selektionsbias.

4

Experimentelle und Kontrollinterventionen werden gemäß dem Studienprotokoll verabreicht. Die Verblindung von Teilnehmern, Pflegepersonal und Ergebnisbewertern wird so weit wie möglich aufrechterhalten. Die Behandlungstreue wird überwacht, um sicherzustellen, dass die Intervention in allen Armen wie beabsichtigt durchgeführt wird.

5

Primäre und sekundäre Endpunkte werden gemäß dem vorab spezifizierten statistischen Analyseplan analysiert, typischerweise unter Verwendung von Kovarianzanalyse (ANCOVA), gemischten Modellen für wiederholte Messungen oder logistischer Regression, mit Anpassung für alle in der Randomisierung verwendeten Stratifizierungsvariablen. Die Intention-to-treat-Analyse ist das primäre Schätzverfahren; Per-Protokoll-Analysen sind sekundär.

Häufige Fallstricke

  • Verwendung fester Blockgrößen mit einer offenen (unverblindeten) Zuteilungsliste – selbst erfahrene Rekrutierer können die nächste Zuweisung ableiten, was die Verblindung verletzt und Selektionsbias einführt.
  • Stratifizierung nach zu vielen Variablen: Bei k binären Stratavariablen beträgt die Anzahl der Strata 2^k; bei kleinen Stichprobengrößen werden die meisten Strata nahezu leer sein, was keinen Nutzen bringt und die Analyse erschwert.
  • Versäumnis, in der Primäranalyse für Strata zu adjustieren – wenn Stratifizierung bei der Randomisierung verwendet wurde, verschwendet das Weglassen von Strata aus dem Regressionsmodell den gewonnenen Präzisionsvorteil und kann Varianzschätzungen verzerren.
  • Verwechslung von Blockbildung mit Verblindung – Blockbildung kontrolliert das Zuteilungsgleichgewicht; Verblindung kontrolliert den Informationsfluss. Beides sind notwendige und unabhängige Schutzmaßnahmen.

Häufig gestellte Fragen

Welche Blockgröße sollte ich verwenden?

Die Blockgröße sollte ein Vielfaches der Anzahl der Behandlungsarme sein (z. B. 4 oder 6 für eine Zwei-Arm-Studie). Kleinere Blöcke erzwingen ein engeres Gleichgewicht, sind aber vorhersehbarer; größere Blöcke sind weniger vorhersehbar, tolerieren aber mehr Zwischenungleichgewicht. Die Verwendung zufällig variierender Blockgrößen – abwechselnd zwischen z. B. 2, 4 und 6 – ist der häufigste praktische Kompromiss und wird von den meisten regulatorischen Leitlinien empfohlen.

Ist stratifizierte Blockrandomisierung dasselbe wie blockierte Randomisierung?

Stratifizierte Blockrandomisierung ist blockierte Randomisierung, die separat innerhalb jedes Stratums (z. B. jedes Standorts oder jeder Altersgruppe) angewendet wird. Unstratifizierte blockierte Randomisierung wendet eine einzige Blocksequenz auf alle Teilnehmer an. Stratifizierte Blockbildung bietet stärkere Garantien für das Gleichgewicht bei den Stratifizierungsvariablen und wird empfohlen, wann immer diese Variablen starke prognostische Faktoren sind.

Muss ich blockierte Daten anders analysieren?

Ja. Wenn Stratifizierungsvariablen in der Randomisierung verwendet wurden, sollten sie als Kovariaten im primären Analysemodell (ANCOVA, logistische Regression oder gemischtes Modell) erscheinen. Das Ignorieren dieser Variablen in der Analyse ist eine häufige Protokollabweichung, die von den Aufsichtsbehörden beanstandet wird; es verzerrt die Punktschätzungen nicht, reduziert aber den Präzisionsvorteil, den die Stratifizierung bieten sollte.

Wie unterscheidet sich eine block-RCT von einer Cluster-RCT?

In einer block-RCT erhalten einzelne Teilnehmer innerhalb jedes Blocks unterschiedliche Behandlungen – der Block ist nur eine administrative Gruppierung für Randomisierungszwecke. In einer Cluster-RCT erhalten alle Mitglieder eines Clusters (z. B. eine Schule oder Klinik) dieselbe Behandlung; der Cluster ist die Randomisierungseinheit. Dies sind grundlegend unterschiedliche Designs mit sehr unterschiedlichen Anforderungen an Stichprobengröße und Analyse.

Wann sollte ich Minimierung anstelle von Blockbildung verwenden?

Minimierung (kovariatenadaptive Randomisierung) wird der stratifizierten Blockbildung vorgezogen, wenn es viele prognostische Faktoren gibt oder wenn die Studie klein ist und perfekt ausgeglichene Strata nicht erreicht werden können. Die Minimierung weist den nächsten Teilnehmer dynamisch dem Arm zu, der das gesamte Kovariaten-Ungleichgewicht minimiert. Sie erfordert eine deterministische oder nahezu deterministische Zuteilungsregel und somit eine strikte zentrale Randomisierung und Verblindung.

Verwandte Methoden

Quellen

  1. Friedman, L. M., Furberg, C. D., DeMets, D. L., Reboussin, D. M., & Granger, C. B. (2010). Fundamentals of Clinical Trials (4th ed.). Springer.

    ISBN: 978-1441915856
    Kopiert.
  2. Pocock, S. J. (1983). Clinical Trials: A Practical Approach. Wiley.

    ISBN: 978-0471901853
    Kopiert.