Skip to content
กลับไปยังผลการค้นหา

การทดลองสุ่มและมีกลุ่มควบคุมแบบบล็อก (Blocked Randomized Controlled Trial)

ผู้เสนอ
R. A. Fisher (blocking principle); systematic RCT application by Bradford Hill and later Pocock, Friedman et al.
ปี
1920s (Fisher's blocking principle); applied to RCTs from the 1940s onward
ประเภท
Experimental design
กลุ่มวิธี
Experimental design

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การทดลองสุ่มและมีกลุ่มควบคุมแบบบล็อก (blocked RCT) ใช้การสุ่มแบบบล็อกที่จัดลำดับใหม่ (permuted-block randomization) เพื่อให้แน่ใจว่ากลุ่มการรักษาจะมีความสมดุลของขนาด — และอาจรวมถึงลักษณะสำคัญ — ตลอดระยะเวลาการรับสมัครผู้เข้าร่วมวิจัย ภายในแต่ละบล็อกที่มีขนาดคงที่หรือขนาดที่แปรผันแบบสุ่ม การจัดสรรการรักษาทั้งหมดจะปรากฏในจำนวนที่เท่ากัน ดังนั้นความไม่สมดุลจึงไม่สามารถสะสมได้ แม้ว่าการทดลองจะหยุดลงก่อนกำหนดก็ตาม สิ่งนี้ทำให้ blocked RCTs เป็นแนวทางการสุ่มมาตรฐานในการวิจัยการแทรกแซงทางคลินิกและพฤติกรรม

แนวคิดเบื้องหลังวิธีการ

ลองนึกภาพการรับผู้ป่วย 100 รายทีละราย การสุ่มแบบบริสุทธิ์อาจกำหนดผู้ป่วย 20 รายแรกส่วนใหญ่ให้อยู่ในแขนใดแขนหนึ่งโดยบังเอิญ ทำให้การพิจารณาผลระหว่างทางและการเปรียบเทียบขั้นสุดท้ายบิดเบือนไป การบล็อกจะป้องกันสิ่งนี้: ผู้วิจัยกำหนดบล็อกขนาดเล็กไว้ล่วงหน้า เช่น บล็อกละสี่ช่อง (สองช่องต่อแขน) ดังนั้นทุกๆ สี่การรับสมัครที่ต่อเนื่องกันจะคืนความสมดุล กลุ่มขนาดการรักษาจะใกล้เคียงกันตลอดการทดลอง หากบล็อกสอดคล้องกับสถานที่หรือชั้นด้วย ความสมดุลจะถูกรักษาไว้ในกลุ่มย่อยเหล่านั้นเช่นกัน ปกป้องการศึกษาจากการสับสนที่การรับสมัครที่ไม่สม่ำเสมออาจนำมาซึ่ง

ประวัติศาสตร์

หลักการของการบล็อกมีต้นกำเนิดมาจากการทดลองภาคสนามทางการเกษตรของ R. A. Fisher ในทศวรรษที่ 1920 ซึ่งมีการจัดกลุ่มแปลงทดลองออกเป็นบล็อกเพื่อควบคุมความแปรปรวนของดิน Bradford Hill ได้นำการสุ่มมาใช้ในการทดลองทางคลินิกในการทดลองวัณโรคสเตรปโตมัยซินที่มีชื่อเสียงในปี 1948 การสุ่มแบบบล็อกที่จัดลำดับใหม่สำหรับการทดลอง RCT ได้รับการอธิบายอย่างเป็นระบบและสนับสนุนโดย Stuart Pocock ในตำราเรียนปี 1983 ของเขา และโดย Friedman, Furberg และ DeMets ในฉบับต่อๆ กันของ Fundamentals of Clinical Trials ปัจจุบันถือเป็นมาตรฐานโดยพฤตินัยในการทดลองทางคลินิกระยะที่ II และ III ส่วนใหญ่

ควรใช้เมื่อใด

ใช้ blocked RCT เมื่อคุณต้องการเปรียบเทียบการแทรกแซงสองรายการขึ้นไปภายใต้เงื่อนไขที่มีการควบคุม และต้องการรับประกันขนาดกลุ่มที่เกือบเท่ากันตลอดระยะเวลาการรับสมัคร — ซึ่งจำเป็นเมื่อมีการวิเคราะห์ระหว่างทางหรือการหยุดก่อนกำหนด การบล็อกมีคุณค่าอย่างยิ่งในการทดลองหลายศูนย์ โดยที่ลำดับบล็อกแยกกันต่อศูนย์จะป้องกันการสับสนในระดับศูนย์ อย่าใช้ blocked RCT แบบธรรมดา (ไม่ได้แบ่งชั้น) เมื่อตัวแปรพยากรณ์ที่สำคัญแตกต่างกันอย่างมากในศูนย์รับสมัครหรือเวลา การแบ่งชั้นแบบบล็อกหรือการลดทอน (minimization) จะเหมาะสมกว่า หลีกเลี่ยงการสุ่มแบบบล็อกในการทดลองขนาดเล็กมาก (n < 20) หากบล็อกมีขนาดคงที่และทราบขนาดบล็อก เนื่องจากสามารถคาดการณ์การจัดสรรของผู้เข้าร่วมที่รับสมัครล่าช้าได้ แม้ว่าจะมีการรักษาความปลอดภัยในการปกปิดก็ตาม

ข้อจำกัดและข้อควรพิจารณา

  • ขนาดบล็อกคงที่อาจทำให้คาดการณ์การจัดสรรได้ใกล้สิ้นสุดแต่ละบล็อก หากการสุ่มไม่ได้รับการปกปิดอย่างสมบูรณ์ ซึ่งนำไปสู่ความเอนเอียงในการเลือก
  • ไม่ได้ขจัดความไม่สมดุลของตัวแปร — เพียงแค่บังคับใช้ความสมดุลในตัวแปรการแบ่งชั้นที่รวมอยู่ในแบบอย่างชัดเจนในการออกแบบ
  • การแบ่งชั้นตัวแปรมากเกินไปพร้อมกันจะสร้างจำนวนชั้นย่อยขนาดเล็กที่ไม่สามารถจัดการได้ ทำให้วัตถุประสงค์ของการบล็อกไร้ผล
  • การวิเคราะห์ต้องคำนึงถึงโครงสร้างบล็อก การละเลยตัวแปรการแบ่งชั้นในแบบจำลองอาจลดประสิทธิภาพทางสถิติ

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • รับประกันความสมดุลโดยประมาณของขนาดกลุ่ม ณ จุดใดๆ ในระหว่างการรับสมัคร ปกป้องการวิเคราะห์ระหว่างทาง
  • ลดความไม่สมดุลของโอกาสแบบสุ่มในตัวแปรพื้นฐานที่วัดได้และไม่ได้วัดได้ เมื่อเทียบกับการสุ่มแบบธรรมดา
  • เข้ากันได้กับการแบ่งชั้น ช่วยให้เกิดความสมดุลพร้อมกันในปัจจัยพยากรณ์ที่สำคัญหลายประการ
  • มาตรฐานกฎระเบียบที่ได้รับการยอมรับอย่างกว้างขวาง เป็นที่เข้าใจกันดีของนักสถิติ ผู้ตรวจสอบ และคณะกรรมการจริยธรรม
  • การแปรผันขนาดบล็อกแบบสุ่มช่วยป้องกันการคาดการณ์การจัดสรรได้อย่างมีประสิทธิภาพ แม้ว่าจะทราบขนาดบล็อกโดยประมาณก็ตาม

การประยุกต์ใช้

  • การทดลองยาทางคลินิกระยะที่ II และ III ที่ต้องการการสุ่มระดับกฎระเบียบพร้อมการวิเคราะห์ระหว่างทาง
  • การศึกษาการแทรกแซงการศึกษาหรือพฤติกรรมหลายศูนย์ ซึ่งศูนย์เป็นแหล่งที่มาของความแปรปรวนที่ทราบ
  • การทดลองผ่าตัดหรือหัตถการ ซึ่งปริมาณผู้ป่วยและการผสมผสานผู้ป่วยแตกต่างกันอย่างมากในแต่ละศูนย์
  • การทดลอง RCT ด้านการฟื้นฟูและกายภาพบำบัด ซึ่งต้องสร้างความสมดุลระหว่างผลกระทบของนักบำบัดหรือคลินิกในแต่ละแขน
  • การทดลองประสิทธิภาพวัคซีนที่แบ่งชั้นตามกลุ่มอายุหรือสถานะภูมิคุ้มกัน ณ เวลาที่รับสมัคร

วิธีการทำงาน

วิธีการทำงาน

1

ผู้วิจัยเลือกขนาดบล็อก (โดยทั่วไปคือ 4, 6 หรือลำดับขนาดที่แปรผันแบบสุ่มเพื่อป้องกันการคาดการณ์การจัดสรร) หากมีการวางแผนการแบ่งชั้น บล็อกจะถูกกำหนดแยกกันภายในแต่ละชั้น — ตัวอย่างเช่น แยกตามสถานที่ เพศ หรือความรุนแรงของอาการเริ่มต้น — เพื่อให้ความสมดุลถูกบังคับภายในกลุ่มย่อยที่น่าสนใจแต่ละกลุ่ม

2

สำหรับแต่ละบล็อก การเรียงสับเปลี่ยนทั้งหมดของป้ายกำกับการรักษาที่ตรงตามอัตราส่วนการจัดสรรเป้าหมายจะถูกระบุไว้ (เช่น สำหรับอัตราส่วน 1:1 ในบล็อกขนาด 4: AABB, ABAB, ABBA ฯลฯ) และจะเลือกการเรียงสับเปลี่ยนหนึ่งรายการแบบสุ่มโดยใช้เครื่องสร้างตัวเลขสุ่มด้วยคอมพิวเตอร์ การต่อการเรียงสับเปลี่ยนสำหรับบล็อกที่ต่อเนื่องกันจะสร้างลำดับการจัดสรรทั้งหมด

3

เมื่อผู้เข้าร่วมได้รับการรับสมัครและมีคุณสมบัติตรงตามเกณฑ์ พวกเขาจะได้รับการจัดสรรตามการจัดสรรถัดไปในลำดับ การปกปิดเป็นสิ่งสำคัญ: ลำดับจะต้องถูกเก็บไว้อย่างปลอดภัย (เช่น ซองจดหมายปิดผนึกหรือระบบการสุ่มส่วนกลาง) เพื่อให้ทั้งผู้รับสมัครและผู้เข้าร่วมไม่สามารถคาดการณ์การจัดสรรครั้งต่อไปได้ ความรู้ล่วงหน้าเกี่ยวกับการจัดสรรจะทำลายการปิดบังและนำไปสู่ความเอนเอียงในการเลือก

4

การแทรกแซงการทดลองและการควบคุมจะถูกดำเนินการตามระเบียบวิธีวิจัย การปิดบังผู้เข้าร่วม ผู้ให้บริการ และผู้ประเมินผลลัพธ์จะถูกรักษาไว้ตามความเหมาะสม ความซื่อสัตย์ของการรักษาจะถูกตรวจสอบเพื่อให้แน่ใจว่าการแทรกแซงได้รับการส่งมอบตามที่ตั้งใจไว้ในทุกแขน

5

ผลลัพธ์หลักและผลลัพธ์รองจะได้รับการวิเคราะห์ตามแผนการวิเคราะห์ทางสถิติที่กำหนดไว้ล่วงหน้า โดยทั่วไปจะใช้การวิเคราะห์ความแปรปรวนร่วม (ANCOVA) แบบจำลองผสมสำหรับการวัดซ้ำ หรือการถดถอยโลจิสติก โดยปรับตามตัวแปรการแบ่งชั้นใดๆ ที่ใช้ในการสุ่ม การวิเคราะห์ตามเจตนาในการรักษา (intention-to-treat analysis) เป็นค่าประมาณหลัก การวิเคราะห์ตามระเบียบวิธี (per-protocol analyses) เป็นค่ารอง

ข้อผิดพลาดที่พบบ่อย

  • การใช้ขนาดบล็อกคงที่กับรายการจัดสรรแบบเปิด (ไม่ได้ปิดบัง) — แม้แต่นักรับสมัครที่มีความชำนาญก็สามารถคาดเดาการจัดสรรครั้งต่อไปได้ ซึ่งละเมิดการปกปิดและนำไปสู่ความเอนเอียงในการเลือก
  • การแบ่งชั้นตัวแปรมากเกินไป: ด้วยตัวแปรการแบ่งชั้นแบบไบนารี k ตัว จำนวนชั้นย่อยคือ 2^k; ด้วยขนาดตัวอย่างที่เล็ก ชั้นย่อยส่วนใหญ่จะว่างเปล่า ทำให้ไม่เกิดประโยชน์และทำให้การวิเคราะห์ซับซ้อน
  • การไม่ปรับสำหรับชั้นในการวิเคราะห์หลัก — หากใช้การแบ่งชั้นในการสุ่ม ตัวแปรเหล่านั้นควรปรากฏเป็นตัวแปรร่วมในแบบจำลองการวิเคราะห์หลัก (ANCOVA, การถดถอยโลจิสติก หรือแบบจำลองผสม) การละเลยตัวแปรเหล่านั้นในการวิเคราะห์เป็นความคลาดเคลื่อนของระเบียบวิธีที่พบบ่อยซึ่งหน่วยงานกำกับดูแลจะตั้งข้อสังเกต ไม่ได้ทำให้ค่าประมาณจุดเอนเอียง แต่ลดข้อได้เปรียบด้านความแม่นยำที่การแบ่งชั้นมีไว้เพื่อมอบให้
  • การสับสนระหว่างการบล็อกกับการปิดบัง — การบล็อกควบคุมความสมดุลของการจัดสรร การปิดบังควบคุมการไหลของข้อมูล ทั้งสองเป็นมาตรการป้องกันที่จำเป็นและเป็นอิสระ

คำถามที่พบบ่อย

ควรใช้ขนาดบล็อกเท่าใด?

ขนาดบล็อกควรเป็นพหุคูณของจำนวนแขนการรักษา (เช่น 4 หรือ 6 สำหรับการทดลองสองแขน) บล็อกขนาดเล็กจะบังคับใช้ความสมดุลที่เข้มงวดกว่า แต่คาดการณ์ได้ง่ายกว่า บล็อกขนาดใหญ่คาดการณ์ได้ยากกว่า แต่ยอมรับความไม่สมดุลระหว่างทางได้มากกว่า การใช้ขนาดบล็อกที่แปรผันแบบสุ่ม — สลับระหว่าง เช่น 2, 4 และ 6 — เป็นการประนีประนอมที่ใช้กันทั่วไปมากที่สุด และได้รับการแนะนำโดยแนวทางกฎระเบียบส่วนใหญ่

การสุ่มแบบบล็อกที่แบ่งชั้นเหมือนกับการสุ่มแบบบล็อกหรือไม่?

การสุ่มแบบบล็อกที่แบ่งชั้นคือการสุ่มแบบบล็อกที่ใช้แยกกันภายในแต่ละชั้น (เช่น แต่ละศูนย์หรือกลุ่มอายุ) การสุ่มแบบบล็อกที่ไม่ได้แบ่งชั้นใช้ลำดับบล็อกเดียวกับผู้เข้าร่วมทั้งหมด การบล็อกแบบแบ่งชั้นให้การรับประกันความสมดุลที่แข็งแกร่งกว่าในตัวแปรการแบ่งชั้น และแนะนำเมื่อใดก็ตามที่ตัวแปรเหล่านั้นเป็นปัจจัยพยากรณ์ที่สำคัญ

ฉันต้องวิเคราะห์ข้อมูลแบบบล็อกแตกต่างกันหรือไม่?

ใช่ หากใช้ตัวแปรการแบ่งชั้นในการสุ่ม ตัวแปรเหล่านั้นควรปรากฏเป็นตัวแปรร่วมในแบบจำลองการวิเคราะห์หลัก (ANCOVA, การถดถอยโลจิสติก หรือแบบจำลองผสม) การละเลยตัวแปรเหล่านั้นในการวิเคราะห์เป็นความคลาดเคลื่อนของระเบียบวิธีที่พบบ่อยซึ่งหน่วยงานกำกับดูแลจะตั้งข้อสังเกต ไม่ได้ทำให้ค่าประมาณจุดเอนเอียง แต่ลดข้อได้เปรียบด้านความแม่นยำที่การแบ่งชั้นมีไว้เพื่อมอบให้

Blocked RCT แตกต่างจาก Cluster RCT อย่างไร?

ในการทดลอง blocked RCT ผู้เข้าร่วมแต่ละรายภายในแต่ละบล็อกจะได้รับการรักษาที่แตกต่างกัน — บล็อกเป็นเพียงกลุ่มการบริหารสำหรับการสุ่ม ในการทดลอง cluster RCT สมาชิกทั้งหมดของคลัสเตอร์ (เช่น โรงเรียนหรือคลินิก) จะได้รับการรักษาเดียวกัน — คลัสเตอร์เป็นหน่วยของการสุ่ม การออกแบบทั้งสองนี้แตกต่างกันโดยพื้นฐานและมีข้อกำหนดเกี่ยวกับขนาดตัวอย่างและการวิเคราะห์ที่แตกต่างกันมาก

เมื่อใดที่ฉันควรใช้การลดทอน (minimization) แทนการบล็อก?

การลดทอน (การสุ่มแบบปรับตามตัวแปร) จะเหมาะสมกว่าการแบ่งชั้นแบบบล็อกเมื่อมีปัจจัยพยากรณ์หลายอย่าง หรือเมื่อการทดลองมีขนาดเล็กและไม่สามารถบรรลุชั้นที่สมดุลได้อย่างสมบูรณ์ การลดทอนจะกำหนดผู้เข้าร่วมรายต่อไปไปยังแขนที่ลดความไม่สมดุลของตัวแปรโดยรวมให้น้อยที่สุด จำเป็นต้องมีกฎการจัดสรรแบบกำหนดหรือเกือบกำหนด ดังนั้นจึงต้องการการสุ่มส่วนกลางและการปกปิดที่เข้มงวด

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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
    คัดลอกแล้ว
  2. Pocock, S. J. (1983). Clinical Trials: A Practical Approach. Wiley.

    ISBN: 978-0471901853
    คัดลอกแล้ว