Vi kommer ha driftstörningar under en tid framöver (se "Uppdateringar").
(antal aktiva besökare uppdateras automatiskt var 4:e minut)
Om du vill informera om att denna webbsida finns...
Denna webbsida ger en kort översikt över olika sätt att slumpmässigt fördela deltagare till olika grupper. Den diskuterar också syftet med att inkludera förväxlingsfaktorer samt det heta ämnet “bör man kontrollera för skillnader vid baslinjen?”.
Du förstår denna webbsida bäst om du först har läst sidorna Studiedesign and Urvalsstrategier och datainsamling.
Introduktion till randomisering
Denna sida handlar inte om slumpmässigt urval (random sampling), utan snarare om fördelning av deltagare till grupper. Detta är vanligt förekommande i experimentella studier. Fördelarna med att använda slumpmässig fördelning till grupper är :
- Eliminering av selektionsbias. Detta är den viktigaste fördelen eftersom det eliminerar risken för typ I-fel (att “hallucinera” och se saker som inte finns där). Ett typ I-fel innebär att det finns en skillnad mellan grupperna i en förväxlingsfaktor som påverkar utfallet.
- Möjliggör användning av statistiska tester som bygger på sannolikhetsteori. Du kan anta att eventuella skillnader mellan grupperna är slumpmässiga eller orsakade av en effekt av interventionen, men inte av ett systematiskt fel.
- Kan underlätta blindning. Användning av slumpmässig fördelning underlättar oftast även användningen av blindning.
Framgångsrik randomisering kräver en slumpmässig tilldelningssekvens som hålls dold tills den faktiska grupptilldelningen sker .
Typer av randomisering
De huvudsakliga typerna är “Enkel randomisering” och “Begränsad randomisering” . Vid enkel randomisering har varje ny deltagare lika stor sannolikhet att fördelas till de tillgängliga grupperna. Enkel randomisering kan ibland leda till att nästan alla deltagare hamnar i den ena gruppen och nästan inga i den andra. Detta är ovanligt, men det kan inträffa. En av de äldsta formerna av enkel randomisering är att singla slant. Den metoden rekommenderas dock inte längre. Det verkar som om slantsingling kanske inte är så slumpmässigt som vi tror . Det är mycket bättre att använda slumptal som genererats av Excel eller annan programvara. Allt annat än enkel randomisering betecknas som begränsad randomisering. De vanligaste typerna av begränsad randomisering är:
- Blockrandomisering
Säkerställer att fördelningen till grupperna resulterar i nästan lika många deltagare i varje grupp. Detta kan göras även vid en enfaktorsdesign, men är särskilt användbart om du använder en två- eller trefaktorsdesign. - Stratifierad randomisering
Detta används ibland för att säkerställa att behandlingsgrupperna är jämförbara vid baslinjen avseende alla viktiga egenskaper (det kan till exempel handla om att grupperna ska ha liknande könsfördelning, vara från samma studiecenter eller ha liknande blodtrycksnivå). Tillvägagångssättet är att först skapa alla undergrupper (par om du fördelar till två grupper) och säkerställa att de liknar varandra i relevanta egenskaper. Därefter genomförs en randomisering till behandlingsgrupper inom varje undergrupp. - Minimering
Detta är en vidareutveckling av stratifierad randomisering där man lägger större vikt vid att säkerställa att grupperna blir mycket lika avseende flera olika baslinjevariabler. Det är vanligt att använda datorprogram för att säkerställa detta. Minimering har fått viss kritik för att inte vara en sann slumpmässig process.
Skillnader vid start (baseline differences)
En nyttig sidoeffekt av randomisering är att grupperna ofta blir lika och jämförbara. Detta är inte själva syftet med randomiseringen, utan en naturlig följd. Ibland skiljer sig dock grupperna åt vid baslinjen. Beror skillnaderna på ren slump eller på andra faktorer? Tidigare ansågs det vara en viktig del av dataanalysen att jämföra grupperna vid baslinjen. Huvudsyftet var att:
- kontrollera om randomiseringen verkar ha fungerat.
- identifiera variabler som behöver justeras för i den statistiska analysen.
Kontrollera om randomiseringen fungerade som avsett
Tidigare ansågs det viktigt att kontrollera att randomiseringen fungerade genom att jämföra skillnader vid baslinjen. Ett modernare synsätt är att detta inte längre är nödvändigt av följande skäl:
- Det räcker att du beskriver randomiseringen och proceduren för grupptilldelning i metodavsnittet . Det krävs ingen testning av skillnader vid baslinjen om det finns en tydlig beskrivning av en sann slumpmässig grupptilldelning.
- Det vore inte orimligt att, bara av ren slump, få åtminstone en variabel vid baslinjen som statistiskt skiljer sig mellan grupperna med ett p-värde <0,05 om du analyserar ett antal variabler. Därmed är ett problem att det saknas en tydlig gräns för när man bör förkasta randomiseringen och grupptilldelningen som felaktig .
Garanterar en perfekt beskrivning av en till synes tillförlitlig randomisering och allokeringsdöljande att det var en sann slumpmässig grupptilldelning? Ja, enligt CONSORT . Vid tveksamheter kan en analys av skillnader vid baslinjen ibland ge en ledtråd. Som nämnts ovan kan en rimligt liten statistisk skillnad vid baslinjen (p>0,001?) uppstå av en slump och därmed vara OK, men en större statistisk skillnad (p<0,001?) kan tyda på att den avsedda slumpmässiga grupptilldelningen kanske inte har fungerat som avsett. I en randomiserad kontrollerad studie som inkluderade 11 018 patienter hade de två grupperna olika blodtryck vid baslinjen :
| Medelvärden vid start (baseline) | Captopril-gruppen (n=5,492) | Gruppen som fick konventionell behandling (n=5,493) | P-värde vid jämförelse av grupperna vid start (baseline) |
|---|---|---|---|
| Systoliskt blodtryck | 161,8 (19,9) | 159,6 (20,1) | 8,4 * 10-9 = 0.0000000084 |
| Diastoliskt blodtryck | 99,8 (9,9) | 98,1 (10,1) | 6,0 * 10-19 = 0.00000000000000000060 |
| Andel individer som har diabetes mellitus | 5,62% (309) | 4,79% (263) | 0,053 |
De två grupperna var lika avseende andra variabler men skilde sig åt när det gällde blodtryck. Skillnaden i blodtryck kan uppfattas som liten ur klinisk synvinkel. Den stora frågan här är dock inte huruvida skillnaden i blodtryck kan ha påverkat utfallet. Huvudfrågan är om detta orimligt låga p-värde (osannolikt att det uppstått av en slump) kan tyda på att grupptilldelningen i praktiken inte fungerade som avsett, och att det finns en okänd selektionsbias med i bilden. Om så är fallet öppnar det också upp för möjligheten att det kan finnas andra förväxlingsfaktorer som inte har justerats för, och vi kan inte med säkerhet utesluta möjligheten för ett typ I-fel. Observera att denna studie, som publicerades 1999, inte nödvändigtvis är bättre eller sämre än andra studier. Den används endast som ett exempel. Poängen är att med de nya rekommendationerna genomförs kanske inte en baslinjejämförelse, och vi får därmed aldrig veta om det finns ett potentiellt problem, trots att en korrekt procedur för slumpmässig tilldelning har beskrivits.
Det kan diskuteras huruvida det är god praxis att avstå från att kontrollera skillnader vid baslinjen (enligt nuvarande rekommendationer). Liksom med mycket annat finns det ingen given sanning, utan bara åsikter, val och konsekvenser.
Identifiera variabler som behöver justeras för
Att justera för faktorer som korrelerar med studiens utfall ger sannolikt en bättre uppskattning av interventionens sanna effekt . Observera att detta är något annat än att kontrollera om randomiseringen fungerade som avsett.
Variabler som sannolikt påverkar utfallet bör väljas ut i god tid innan datainsamlingen (och beskrivas i projektplanen). Detta val av fördefinierade förväxlingsfaktorer görs utan kännedom om några skillnader vid baslinjen, och de inkluderas i den statistiska analysen även om det inte finns några skillnader vid baslinjen på gruppnivå .
Analysera data från randomiserade studier
Det finns några olika tillvägagångssätt för att statistiskt analysera den effektstorlek som undersöks i randomiserade studier. Läs mer om detta på sidan Intention to treat / Per protocol.