Skip to content
返回搜索结果

分块随机对照试验

提出者
R. A. Fisher (blocking principle); systematic RCT application by Bradford Hill and later Pocock, Friedman et al.
年份
1920s (Fisher's blocking principle); applied to RCTs from the 1940s onward
类型
Experimental design
类别
Experimental design

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

分块随机对照试验(分块RCT)使用置换分块随机化来确保在招募过程中治疗组的大小保持平衡——并且可以选择性地在关键特征上保持平衡。在固定或随机变化的固定大小的每个分块内,所有治疗分配的数量都相等,因此即使试验提前停止,不平衡也不会累积。这使得分块RCT成为临床和行为干预研究的标准随机化方法。

方法背后的直觉

想象一下一个接一个地招募100名患者。纯粹的随机化可能会偶然地将前20名患者大部分分配到一个组,从而扭曲中期观察和最终比较。分块可以防止这种情况:研究者预先指定小分块,例如每四个名额(每组两个),因此每连续四名招募的患者都会恢复平衡。治疗组的大小在整个试验过程中保持接近相等。如果分块也对应于研究中心或分层,那么在这些亚组之间也会保持平衡,从而保护研究免受不均匀招募可能引入的混杂。

历史学

分块的原则起源于R. A. Fisher在20世纪20年代的农业田间试验,当时将地块分组到分块中以控制土壤变异性。Bradford Hill在1948年具有里程碑意义的链霉素结核病试验中将随机化应用于临床试验。RCT的置换分块随机化由Stuart Pocock在其1983年的教科书中以及Friedman、Furberg和DeMets在《临床试验基础》的连续版本中系统地描述和倡导。它现在是大多数II期和III期临床试验的实际标准。

何时使用

当您需要在受控条件下比较两种或多种干预措施,并希望在整个招募过程中保证接近相等的大小分组时,请使用分块RCT——这对于计划中期分析或提前停止试验至关重要。分块在多中心试验中尤其有价值,因为每个中心单独的分块序列可以防止中心层面的混杂。当重要的预后协变量在不同的招募中心或时间点急剧变化时,不要使用简单的分块(非分层)RCT;此时分层分块或最小化是更优的选择。避免在非常小的试验(n < 20)中使用分块随机化,如果分块是固定的且分块大小已知,因为即使采取了隐蔽措施,晚期招募的分配也可能被预测。

局限与注意事项

  • 固定分块大小可能会在每个分块结束时允许预测分配,如果随机化没有完全隐蔽,则会引入选择偏倚。
  • 不能完全消除协变量不平衡——只对明确纳入设计的分层变量强制执行平衡。
  • 同时对太多变量进行分层会产生大量的小分层,从而失去分块的目的。
  • 分析必须考虑分块结构;在模型中忽略分层变量会降低统计效率。

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 在招募的任何时间点都保证了近似的组大小平衡,保护了中期分析。
  • 与简单随机化相比,减少了在测量和未测量基线协变量上的随机机会不平衡。
  • 与分层兼容,允许同时在多个关键预后因素上实现平衡。
  • 广泛接受的监管标准;统计学家、审稿人和伦理委员会都非常理解。
  • 随机分块大小变化有效地防止了分配预测,即使分块大小大致已知。

应用

  • 需要监管级随机化和中期分析的II期和III期药物试验。
  • 多中心教育或行为干预研究,其中中心是变异性的已知来源。
  • 手术或程序性试验,其中患者数量和病例组合在不同中心之间存在显著差异。
  • 康复和物理治疗RCT,其中治疗师或诊所效应必须在各组之间保持平衡。
  • 按年龄组或入组时的血清学状态分层的疫苗有效性试验。

使用方式

使用方式

1

研究者选择一个分块大小(通常为4、6,或随机变化的序列大小以防止分配预测)。如果计划进行分层,则在每个分层内分别定义分块——例如,分别按研究中心、性别或基线严重程度——以便在每个感兴趣的亚组内强制执行平衡。

2

对于每个分块,列出所有满足目标分配比例的治疗标签的置换(例如,对于4个分块的1:1比例:AABB、ABAB、ABBA等),并使用计算机随机数生成器随机选择一个置换。将连续分块的置换连接起来,就生成了完整的分配序列。

3

当参与者被招募并符合资格标准时,他们将被分配到序列中的下一个分配。隐蔽性至关重要:序列必须安全存储(例如,密封信封或中央随机化系统),以便招募者和参与者都无法预测下一次分配。对分配的预知会破坏盲法并引入选择偏倚。

4

根据试验方案进行实验性和对照干预。在可行范围内保持参与者、护理提供者和结局评估者的盲法。监测治疗保真度,以确保在所有组中都按照预期进行干预。

5

根据预先指定的统计分析计划分析主要和次要结局,通常使用协方差分析(ANCOVA)、重复测量混合模型或逻辑回归,并根据随机化中使用的任何分层变量进行调整。意向性治疗分析是主要的估计量;方案分析是次要的。

常见陷阱

  • 使用固定分块大小和开放(未盲)分配列表——即使是经验丰富的招募者也能推断出下一次分配,违反了隐蔽性并引入了选择偏倚。
  • 对太多变量进行分层:对于k个二元分层变量,分层数量为2^k;在样本量较小的情况下,大多数分层将接近空,没有益处并使分析复杂化。
  • 在主要分析中未能调整分层——如果随机化中使用了分层变量,则在回归模型中省略分层会浪费获得的精确度,并可能导致方差估计的偏倚。
  • 混淆分块与盲法——分块控制分配平衡;盲法控制信息流。两者都是必要且独立的保障措施。

常见问题

应该使用多大的分块大小?

分块大小应为治疗组数量的倍数(例如,双臂试验为4或6)。较小的分块强制执行更严格的平衡但更易预测;较大的分块较难预测但容忍更多的中期不平衡。使用随机变化的分块大小——例如,在2、4和6之间交替——是最常见的实际折衷方案,并且被大多数监管指南推荐。

分层分块随机化与分块随机化相同吗?

分层分块随机化是在每个分层(例如,每个中心或年龄组)内分别应用的分块随机化。非分层分块随机化将单个分块序列应用于所有参与者。分层分块在分层变量上提供了更强的平衡保证,并且在这些变量是强预后因素时推荐使用。

我需要以不同的方式分析分块数据吗?

是的。如果在随机化中使用了分层变量,它们应作为协变量出现在主要分析模型(ANCOVA、逻辑回归或混合模型)中。在分析中忽略它们是监管机构标记的常见方案偏差;它不会偏倚点估计,但会降低分层旨在提供的精确度优势。

分块RCT与整群RCT有何不同?

在分块RCT中,每个分块内的个体参与者接受不同的治疗——分块仅用于随机化目的的管理分组。在整群RCT中,整群(例如,学校或诊所)的所有成员接受相同的治疗;整群是随机化的单位。这些是根本不同的设计,具有非常不同的样本量和分析要求。

何时应使用最小化而不是分块?

当存在许多预后因素,或者试验规模小且无法实现完美的平衡分层时,首选最小化(协变量自适应随机化)而不是分层分块。最小化动态地将下一个参与者分配给最小化整体协变量不平衡的组。它需要确定性或近乎确定性的分配规则,因此需要严格的中央随机化和隐蔽。

相关方法

参考文献

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

    ISBN:978-0471901853
    已复制。