Skip to content
بازگشت به نتایج جست‌وجو

آزمایش کنترل‌شده تصادفی‌سازی‌شده بلوکی

معرفی‌شده توسط
R. A. Fisher (blocking principle); systematic RCT application by Bradford Hill and later Pocock, Friedman et al.
سال
1920s (Fisher's blocking principle); applied to RCTs from the 1940s onward
نوع
Experimental design
خانواده
Experimental design

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

یک آزمایش کنترل‌شده تصادفی‌سازی‌شده بلوکی (blocked RCT) از تصادفی‌سازی بلوک‌های جایگشت‌یافته استفاده می‌کند تا اطمینان حاصل شود که گروه‌های درمانی از نظر اندازه — و به صورت اختیاری از نظر ویژگی‌های کلیدی — در طول فرآیند جذب شرکت‌کنندگان متعادل باقی می‌مانند. در هر بلوک با اندازه ثابت یا متغیر تصادفی، تمام تخصیص‌های درمانی به تعداد مساوی وجود دارند، بنابراین عدم تعادل حتی در صورت توقف زودهنگام آزمایش نیز نمی‌تواند انباشته شود. این امر آزمایش‌های کنترل‌شده تصادفی‌سازی‌شده بلوکی را به رویکرد استاندارد تصادفی‌سازی در تحقیقات مداخلات بالینی و رفتاری تبدیل می‌کند.

شهود پشت روش

تصور کنید ۱۰۰ بیمار را یک به یک ثبت‌نام می‌کنید. تصادفی‌سازی محض ممکن است، به طور تصادفی، ۲۰ بیمار اول را عمدتاً به یک گروه اختصاص دهد و بررسی‌های موقت و مقایسه‌های نهایی را مخدوش کند. بلوک‌بندی از این امر جلوگیری می‌کند: محقق از پیش بلوک‌های کوچکی را، مثلاً چهار جایگاه (دو جایگاه برای هر گروه)، مشخص می‌کند، بنابراین هر چهار ثبت‌نام متوالی تعادل را بازمی‌گردانند. اندازه‌های گروه‌های درمانی در طول آزمایش نزدیک به هم باقی می‌مانند. اگر بلوک‌ها با سایت‌ها یا طبقه‌ها نیز مطابقت داشته باشند، تعادل در این زیرگروه‌ها نیز حفظ می‌شود و مطالعه را در برابر مخدوش‌کننده‌هایی که ثبت‌نام نامتوازن می‌تواند ایجاد کند، محافظت می‌کند.

تاریخ

اصل بلوک‌بندی با آزمایش‌های میدانی کشاورزی R. A. Fisher در دهه ۱۹۲۰ آغاز شد، جایی که قطعات زمین برای کنترل تغییرپذیری خاک به بلوک‌ها گروه‌بندی شدند. برادفورد هیل تصادفی‌سازی را در آزمایش‌های بالینی در آزمایش برجسته استرپتومایسین سل در سال ۱۹۴۸ به کار برد. تصادفی‌سازی بلوک‌های جایگشت‌یافته برای آزمایش‌های کنترل‌شده تصادفی‌سازی‌شده (RCTs) به طور سیستماتیک توسط استوارت پوکاک در کتاب درسی ۱۹۸۳ خود و توسط فریدمن، فوربرگ، و دمتس در نسخه‌های متوالی کتاب مبانی آزمایش‌های بالینی (Fundamentals of Clinical Trials) توصیف و ترویج شد. اکنون این روش استاندارد عملی در اکثر آزمایش‌های بالینی فاز II و فاز III است.

چه زمانی استفاده شود

زمانی از یک آزمایش کنترل‌شده تصادفی‌سازی‌شده بلوکی استفاده کنید که نیاز به مقایسه دو یا چند مداخله تحت شرایط کنترل‌شده دارید و می‌خواهید اندازه‌های گروه تقریباً برابر را در طول جذب شرکت‌کنندگان تضمین کنید — این امر زمانی که تحلیل‌های موقت یا توقف زودهنگام برنامه‌ریزی شده‌اند، ضروری است. بلوک‌بندی به ویژه در آزمایش‌های چندسایتی ارزشمند است، جایی که توالی‌های بلوکی جداگانه برای هر سایت از مخدوش‌کنندگی در سطح سایت جلوگیری می‌کند. زمانی که کوواریانس‌های پیش‌آگهی مهم به شدت در سایت‌های جذب یا زمان متفاوت هستند، از یک آزمایش کنترل‌شده تصادفی‌سازی‌شده بلوکی ساده (غیرطبقه‌بندی‌شده) استفاده نکنید؛ در این صورت طبقه‌بندی بلوکی یا مینیمیزاسیون ارجح است. در آزمایش‌های بسیار کوچک (n < 20) از تصادفی‌سازی بلوکی اجتناب کنید، اگر بلوک‌ها ثابت باشند و اندازه بلوک مشخص باشد، زیرا تخصیص ثبت‌نام‌های دیرهنگام حتی با اقدامات پنهان‌سازی نیز قابل پیش‌بینی می‌شود.

محدودیت‌ها و ملاحظات

  • اندازه‌های بلوک ثابت می‌توانند پیش‌بینی تخصیص را در نزدیکی پایان هر بلوک امکان‌پذیر سازند، اگر تصادفی‌سازی به طور کامل پنهان نباشد، که سوگیری انتخاب را ایجاد می‌کند.
  • عدم تعادل کوواریانس را به طور کامل از بین نمی‌برد — فقط تعادل را بر روی متغیرهای طبقه‌بندی که به صراحت در طراحی گنجانده شده‌اند، اعمال می‌کند.
  • طبقه‌بندی بر روی تعداد زیادی از متغیرها به طور همزمان، تعداد غیرقابل مدیریتی از طبقه‌های کوچک را ایجاد می‌کند که هدف از بلوک‌بندی را از بین می‌برد.
  • تحلیل باید ساختار بلوک‌بندی را در نظر بگیرد؛ نادیده گرفتن متغیرهای طبقه‌بندی در مدل می‌تواند کارایی آماری را کاهش دهد.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • تعادل تقریبی در اندازه‌های گروه را در هر نقطه از فرآیند جذب تضمین می‌کند و از تحلیل‌های موقت محافظت می‌کند.
  • عدم تعادل تصادفی را در کوواریانس‌های پایه اندازه‌گیری‌شده و اندازه‌گیری‌نشده در مقایسه با تصادفی‌سازی ساده کاهش می‌دهد.
  • سازگار با طبقه‌بندی، امکان تعادل همزمان بر روی چندین عامل پیش‌آگهی کلیدی را فراهم می‌کند.
  • استاندارد نظارتی پذیرفته‌شده گسترده؛ به خوبی توسط آمارشناسان، بازبینان، و هیئت‌های اخلاق درک شده است.
  • تغییر تصادفی اندازه بلوک به طور مؤثر از پیش‌بینی تخصیص جلوگیری می‌کند، حتی زمانی که اندازه بلوک تقریباً مشخص است.

کاربردها

  • آزمایش‌های دارویی فاز II و III که نیاز به تصادفی‌سازی با کیفیت نظارتی و تحلیل‌های موقت دارند.
  • مطالعات مداخلات آموزشی یا رفتاری چندسایتی که سایت منبع شناخته‌شده‌ای از تغییرپذیری است.
  • آزمایش‌های جراحی یا رویه‌ای که حجم بیمار و ترکیب موارد به طور قابل توجهی در مراکز مختلف متفاوت است.
  • آزمایش‌های کنترل‌شده تصادفی‌سازی‌شده توانبخشی و فیزیوتراپی که اثرات درمانگر یا کلینیک باید در گروه‌ها متعادل شود.
  • آزمایش‌های اثربخشی واکسن طبقه‌بندی‌شده بر اساس گروه سنی یا وضعیت سرولوژیکی در زمان ثبت‌نام.

چگونه کار می‌کند

چگونه کار می‌کند

1

محقق اندازه بلوک را انتخاب می‌کند (معمولاً ۴، ۶، یا یک توالی تصادفی متغیر از اندازه‌ها برای جلوگیری از پیش‌بینی تخصیص). اگر طبقه‌بندی برنامه‌ریزی شده باشد، بلوک‌ها به طور جداگانه در هر طبقه تعریف می‌شوند — به عنوان مثال، به طور جداگانه بر اساس سایت، جنسیت، یا شدت اولیه — به طوری که تعادل در هر زیرگروه مورد علاقه اعمال شود.

2

برای هر بلوک، تمام جایگشت‌های برچسب‌های درمانی که نسبت تخصیص هدف را برآورده می‌کنند، فهرست می‌شوند (به عنوان مثال، برای نسبت ۱:۱ در بلوک‌های ۴ تایی: AABB، ABAB، ABBA و غیره)، و یک جایگشت به طور تصادفی با استفاده از یک مولد اعداد تصادفی کامپیوتری انتخاب می‌شود. با الحاق جایگشت‌ها برای بلوک‌های متوالی، توالی تخصیص کامل تولید می‌شود.

3

همانطور که شرکت‌کنندگان ثبت‌نام می‌شوند و معیارهای واجد شرایط بودن را برآورده می‌کنند، تخصیص بعدی در توالی به آنها اختصاص داده می‌شود. پنهان‌سازی حیاتی است: توالی باید به طور ایمن ذخیره شود (به عنوان مثال، پاکت‌های مهر و موم شده یا یک سیستم تصادفی‌سازی مرکزی) تا نه جذب‌کننده و نه شرکت‌کننده نتوانند تخصیص بعدی را پیش‌بینی کنند. اطلاع قبلی از تخصیص، کورسازی را از بین می‌برد و سوگیری انتخاب را ایجاد می‌کند.

4

مداخلات آزمایشی و کنترلی طبق پروتکل آزمایش انجام می‌شوند. کورسازی شرکت‌کنندگان، ارائه‌دهندگان مراقبت، و ارزیابان پیامد تا حد امکان حفظ می‌شود. وفاداری به درمان برای اطمینان از اینکه مداخله همانطور که در تمام گروه‌ها در نظر گرفته شده است، ارائه می‌شود، نظارت می‌شود.

5

پیامدهای اولیه و ثانویه طبق برنامه تحلیل آماری از پیش تعیین‌شده، معمولاً با استفاده از تحلیل کوواریانس (ANCOVA)، مدل‌های ترکیبی برای اندازه‌گیری‌های مکرر، یا رگرسیون لجستیک، با تنظیم برای هر متغیر طبقه‌بندی استفاده شده در تصادفی‌سازی، تحلیل می‌شوند. تحلیل قصد-درمان (intention-to-treat) برآوردگر اصلی است؛ تحلیل‌های بر اساس پروتکل (per-protocol) ثانویه هستند.

دام‌های رایج

  • استفاده از اندازه‌های بلوک ثابت با یک لیست تخصیص باز (غیرکور) — حتی جذب‌کنندگان باتجربه نیز می‌توانند تخصیص بعدی را استنباط کنند، که پنهان‌سازی را نقض کرده و سوگیری انتخاب را ایجاد می‌کند.
  • طبقه‌بندی بر روی تعداد زیادی از متغیرها: با k متغیر طبقه‌ای دودویی، تعداد طبقه‌ها 2^k است؛ با اندازه‌های نمونه کوچک، اکثر طبقه‌ها تقریباً خالی خواهند بود و هیچ سودی نخواهند داشت و تحلیل را پیچیده می‌کنند.
  • عدم تنظیم برای طبقه‌ها در تحلیل اولیه — اگر طبقه‌بندی در تصادفی‌سازی استفاده شده باشد، حذف طبقه‌ها از مدل رگرسیون، دقت به دست آمده را هدر می‌دهد و می‌تواند برآورد واریانس را سوگیرانه کند.
  • اشتباه گرفتن بلوک‌بندی با کورسازی — بلوک‌بندی تعادل تخصیص را کنترل می‌کند؛ کورسازی جریان اطلاعات را کنترل می‌کند. هر دو محافظت‌کننده‌های ضروری و مستقل هستند.

پرسش‌های متداول

چه اندازه بلوکی باید استفاده کنم؟

اندازه بلوک باید مضربی از تعداد گروه‌های درمانی باشد (به عنوان مثال، ۴ یا ۶ برای یک آزمایش دو گروهی). بلوک‌های کوچک‌تر تعادل محکم‌تری را اعمال می‌کنند اما قابل پیش‌بینی‌تر هستند؛ بلوک‌های بزرگ‌تر کمتر قابل پیش‌بینی هستند اما عدم تعادل موقت بیشتری را تحمل می‌کنند. استفاده از اندازه‌های بلوک متغیر تصادفی — متناوب بین، مثلاً، ۲، ۴، و ۶ — رایج‌ترین مصالحه عملی است و توسط اکثر راهنماهای نظارتی توصیه می‌شود.

آیا تصادفی‌سازی بلوکی طبقه‌بندی‌شده همان تصادفی‌سازی بلوکی است؟

تصادفی‌سازی بلوکی طبقه‌بندی‌شده، تصادفی‌سازی بلوکی است که به طور جداگانه در هر طبقه (به عنوان مثال، هر سایت یا گروه سنی) اعمال می‌شود. تصادفی‌سازی بلوکی غیرطبقه‌بندی‌شده یک توالی بلوکی واحد را برای همه شرکت‌کنندگان اعمال می‌کند. بلوک‌بندی طبقه‌بندی‌شده تضمین‌های قوی‌تری برای تعادل بر روی متغیرهای طبقه‌بندی فراهم می‌کند و هر زمان که این متغیرها عوامل پیش‌آگهی قوی باشند، توصیه می‌شود.

آیا لازم است داده‌های بلوک‌بندی‌شده را به طور متفاوتی تحلیل کنم؟

بله. اگر متغیرهای طبقه‌بندی در تصادفی‌سازی استفاده شده باشند، باید به عنوان کوواریانس در مدل تحلیل اولیه (ANCOVA، رگرسیون لجستیک، یا مدل ترکیبی) ظاهر شوند. نادیده گرفتن آنها در تحلیل یک انحراف پروتکلی رایج است که توسط ناظران مشخص می‌شود؛ این کار برآوردگرهای نقطه‌ای را سوگیرانه نمی‌کند اما مزیت دقت را که طبقه‌بندی برای فراهم کردن آن در نظر گرفته شده بود، کاهش می‌دهد.

آزمایش کنترل‌شده تصادفی‌سازی‌شده بلوکی چه تفاوتی با آزمایش کنترل‌شده تصادفی‌سازی‌شده خوشه‌ای دارد؟

در یک آزمایش کنترل‌شده تصادفی‌سازی‌شده بلوکی، شرکت‌کنندگان منفرد در هر بلوک درمان‌های متفاوتی دریافت می‌کنند — بلوک فقط یک گروه‌بندی اداری برای اهداف تصادفی‌سازی است. در یک آزمایش کنترل‌شده تصادفی‌سازی‌شده خوشه‌ای، همه اعضای یک خوشه (به عنوان مثال، یک مدرسه یا کلینیک) درمان یکسانی دریافت می‌کنند؛ خوشه واحد تصادفی‌سازی است. اینها طرح‌های اساساً متفاوتی با الزامات اندازه نمونه و تحلیل بسیار متفاوت هستند.

چه زمانی باید به جای بلوک‌بندی از مینیمیزاسیون استفاده کنم؟

مینیمیزاسیون (تصادفی‌سازی تطبیقی کوواریانس) زمانی بر بلوک‌بندی طبقه‌بندی‌شده ارجح است که عوامل پیش‌آگهی زیادی وجود داشته باشد، یا زمانی که آزمایش کوچک است و طبقه‌های کاملاً متعادل قابل دستیابی نیستند. مینیمیزاسیون به طور پویا شرکت‌کننده بعدی را به گروهی اختصاص می‌دهد که عدم تعادل کلی کوواریانس را به حداقل می‌رساند. این روش به یک قانون تخصیص قطعی یا تقریباً قطعی نیاز دارد، بنابراین نیازمند تصادفی‌سازی مرکزی و پنهان‌سازی دقیق است.

روش‌های مرتبط

منابع

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

    شابک: 978-1441915856
    کپی شد.
  2. Pocock, S. J. (1983). Clinical Trials: A Practical Approach. Wiley.

    شابک: 978-0471901853
    کپی شد.