Aleatorización

La aleatorización como método de control experimental se ha utilizado ampliamente en ensayos clínicos humanos y otros experimentos biológicos. Previene el sesgo de selección y asegura contra el sesgo accidental. Produce los grupos comparables y elimina la fuente de sesgo en las asignaciones de tratamiento. Finalmente, permite el uso de la teoría de la probabilidad para expresar la probabilidad del azar como fuente de la diferencia del resultado final.

Un buen experimento o ensayo minimiza la variabilidad de la evaluación y proporciona una evaluación imparcial de la intervención al evitar la confusión de otros factores, que son conocidos y desconocidos. La aleatorización asegura que cada paciente tenga las mismas posibilidades de recibir cualquiera de los tratamientos en estudio. Además, genera grupos de intervención comparables, que sean iguales en todos los aspectos importantes excepto en la intervención que recibe cada grupo.

También proporciona una base para los métodos estadísticos utilizados en el análisis de los datos. Los beneficios básicos de la aleatorización son: elimina el sesgo de selección, equilibra los grupos con respecto a muchas variables de confusión o pronóstico conocidas y desconocidas. De la misma manera, forma la base para las pruebas estadísticas y para un supuesto de prueba estadística libre de la igualdad. de tratamientos. En general, un experimento aleatorio es una herramienta esencial para probar la eficacia del tratamiento.

Aleatorización en la práctica

En la práctica, la aleatorización requiere generar programas de aleatorización, que deben ser reproducibles. La generación de un programa de aleatorización generalmente incluye la obtención de números aleatorios y la asignación de números aleatorios a cada sujeto o condición de tratamiento.

Para experimentos simples con un pequeño número de sujetos, la aleatorización se puede realizar fácilmente asignando los números aleatorios de las tablas de números aleatorios a las condiciones del tratamiento. Sin embargo, todo depende si se va a realizar una aleatorización restringida o estratificada para un experimento o si se utilizará una proporción de asignación no equilibrada. En este caso, es mejor utilizar la programación informática para realizar la aleatorización, como SAS, entorno R, etc. .

Por qué los investigadores exigen la aleatorización

Los investigadores de las ciencias de la vida exigen la aleatorización por varias razones. Primero, los sujetos de varios grupos no deben diferir de manera sistemática. En una investigación clínica, si los grupos de tratamiento son sistemáticamente diferentes, los resultados de la investigación estarán sesgados.

Suponga que los sujetos se asignan a grupos de control y de tratamiento en un estudio que examina la eficacia de una intervención quirúrgica. Si se asigna una mayor proporción de sujetos de edad avanzada al grupo de tratamiento, entonces el resultado de la intervención quirúrgica puede verse influenciado por este desequilibrio.

En segundo lugar, la asignación al azar adecuada garantiza que no haya un conocimiento a priori de la asignación del grupo, es decir, ocultación de la asignación. Los investigadores, sujeto o pacientes o participantes, y otros, no deben saber a qué grupo se asignará el sujeto. El conocimiento de la asignación de grupos crea una capa de sesgo de selección potencial que puede manchar los datos. Schul y Grimes afirmaron que los ensayos con asignación al azar inadecuada o poco clara tendían a sobrestimar los efectos del tratamiento hasta en un 40%. Esto en comparación con los que utilizaron una asignación al azar adecuada. El resultado de la investigación puede verse afectado negativamente por esta asignación al azar inadecuada.

Técnicas estadísticas utilizadas

Las técnicas estadísticas como el análisis de covarianza (ANCOVA), se utilizan a menudo para ajustar el desequilibrio de covariables. Sin embargo, la interpretación de este enfoque de ajuste por lugar de destino es a menudo difícil. El desequilibrio de las covariables conduce con frecuencia a efectos de interacción no anticipados, como pendientes desiguales entre subgrupos de covariables.

Uno de los supuestos críticos en ANCOVA es que las pendientes de las líneas de regresión son las mismas para cada grupo de covariables. El ajuste necesario para cada grupo de covariables puede variar lo cual es problemático. ANCOVA usa la pendiente promedio entre los grupos para ajustar la variable de resultado. Por lo tanto, la forma ideal de equilibrar las covariables entre grupos es aplicar una aleatorización sólida en la etapa de diseño  (antes del procedimiento de ajuste) en lugar de después de la recopilación de datos. En tales casos, la asignación aleatoria es necesaria y garantiza la validez de las pruebas estadísticas de significancia que se utilizan para comparar tratamientos.

Tipos de Aleatorización

Se han propuesto muchos procedimientos para la asignación aleatoria de participantes a grupos de tratamiento en ensayos clínicos. Cada método se describe junto con sus ventajas y desventajas. Es muy importante seleccionar un método que produzca resultados válidos e interpretables para su estudio. Se presentará el uso de software en línea para generar código de aleatorización mediante el procedimiento de aleatorización de bloques.

Aleatorización simple

La aleatorización basada en una sola secuencia de asignaciones aleatorias se conoce como aleatorización simple. Esta técnica mantiene una completa aleatoriedad de la asignación de un tema a un grupo en particular. El método más común y básico de aleatorización simple es lanzar una moneda. Por ejemplo, con dos grupos de tratamiento (control versus tratamiento), el lado de la moneda (es decir, cara – control, cruz – tratamiento) determina la asignación de cada sujeto. Otros métodos incluyen usar una baraja de cartas barajada (por ejemplo, par – control, impar – tratamiento) o lanzar un dado (por ejemplo, por debajo e igual a 3 – control, sobre 3 – tratamiento). También se puede utilizar una tabla de números aleatorios que se encuentra en un libro de estadísticas o números aleatorios generados por computadora para una simple aleatorización de sujetos.

Este enfoque de aleatorización es simple y fácil de implementar en una investigación clínica. En una gran investigación clínica, se puede confiar en la aleatorización simple para generar un número similar de sujetos entre los grupos. Sin embargo, los resultados de la aleatorización podrían ser problemáticos en la investigación clínica con un tamaño de muestra relativamente pequeño. Esto da como resultado un número desigual de participantes entre los grupos.

Aleatorización en bloques

El método de aleatorización en bloques está diseñado para aleatorizar a los sujetos en grupos que den como resultado tamaños de muestra iguales. Este método se utiliza para garantizar un equilibrio en el tamaño de la muestra entre los grupos a lo largo del tiempo. El tamaño del bloque lo determina el investigador y debe ser un múltiplo del número de grupos (es decir, con dos grupos de tratamiento, tamaño de bloque de 4, 6 u 8). Los bloques se utilizan mejor en incrementos más pequeños, ya que los investigadores pueden controlar más fácilmente el equilibrio.

Una vez que se ha determinado el tamaño del bloque, se deben calcular todas las posibles combinaciones equilibradas de asignación dentro del bloque (es decir, el mismo número para todos los grupos dentro del bloque). Luego, los bloques se eligen al azar para determinar la asignación de los pacientes a los grupos.

Aunque se puede lograr un equilibrio en el tamaño de la muestra con este método, se pueden generar grupos que rara vez son comparables en términos de ciertas covariables.  Pocock y Simon destacaron la importancia de controlar estas covariables debido a las graves consecuencias para la interpretación de los resultados. Tal desequilibrio podría introducir sesgos en el análisis estadístico y reducir la potencia del estudio. Por tanto, el tamaño de la muestra y las covariables deben equilibrarse en la investigación clínica.

Aleatorización estratificada

El método de aleatorización estratificada aborda la necesidad de controlar y equilibrar la influencia de las covariables. Este método se puede utilizar para lograr un equilibrio entre los grupos en términos de las características iniciales de los sujetos (covariables). Las covariables específicas deben ser identificadas por el investigador que comprenda la influencia potencial que tiene cada covariable sobre la variable dependiente. La aleatorización estratificada se logra generando un bloque separado para cada combinación de covariables y los sujetos se asignan al bloque apropiado de covariables. Una vez que todos los sujetos han sido identificados y asignados en bloques, se realiza una aleatorización simple dentro de cada bloque para asignar sujetos a uno de los grupos.

El método de aleatorización estratificado controla la posible influencia de covariables que pondrían en peligro las conclusiones de la investigación clínica. Por ejemplo, una investigación clínica de diferentes técnicas de rehabilitación después de un procedimiento quirúrgico tendrá una serie de covariables. Es bien sabido que la edad del sujeto afecta la tasa de pronóstico. Por tanto, la edad podría ser una variable de confusión e influir en el resultado de la investigación clínica.

Aleatorización adaptativa covariable

Un problema potencial con la investigación clínica de tamaño pequeño a moderado es que la aleatorización simple (con o sin tener en cuenta la estratificación de las variables de pronóstico) puede resultar en un desequilibrio de covariables importantes entre los grupos de tratamiento. El desequilibrio de covariables es importante debido a su potencial para influir en la interpretación de los resultados de una investigación.

Muchos investigadores han recomendado la aleatorización adaptativa covariable como un método alternativo válido de aleatorización para la investigación clínica. En la aleatorización adaptativa covariable, se asigna secuencialmente a un nuevo participante a un grupo de tratamiento particular teniendo en cuenta las covariables específicas y las asignaciones anteriores de participantes. La aleatorización adaptativa de covariables utiliza el método de minimización al evaluar el desequilibrio del tamaño de la muestra entre varias covariables.

Métodos disponibles online

Graphpad.com

Utilizando la aleatorización en línea el investigador puede generar un plan de aleatorización para la asignación de tratamientos a los pacientes. Este software en línea es muy simple y fácil de implementar. Se pueden asignar hasta 10 tratamientos a los pacientes y la repetición del tratamiento también se puede realizar hasta 9 veces.

Se puede asignar un máximo de solo 10 tratamientos a los pacientes. Al ingresar la dirección web http://www.graphpad.com/quickcalcs/index.cfm en la barra de direcciones de cualquier navegador, aparece la página de graphpad con varias opciones. Seleccione la opción de “Números aleatorios” y luego presione continuar, aparecerá Calculadora de números aleatorios con tres opciones. Seleccione la pestaña “Asignar asignaturas aleatoriamente a grupos” y presione continuar.

En la página siguiente, ingrese el número de sujetos en cada grupo en la pestaña “Asignar” y seleccione el número de grupos de la pestaña “Temas para cada grupo” y mantenga el número 1 en la pestaña de repetición si no hay replicación en el estudio. Por ejemplo, el número total de pacientes en un estudio experimental de tres grupos es 30 y cada grupo se asignará a 10 pacientes. Escriba 10 en la pestaña “Asignar” y seleccione 3 en la pestaña “Temas de cada grupo” y luego presione el botón “hacerlo”.

Randomization.com

Otro software de aleatorización en línea que se puede utilizar para generar un plan de aleatorización es http://www.randomization.com. La semilla para el generador de números aleatorios  (Wichmann y Hill, 1982, modificado por McLeod, 1985) se obtiene del reloj de la computadora local y se imprime en la parte inferior del plan de aleatorización. Si se incluye una semilla en la solicitud, anula el valor obtenido del reloj y se puede usar para reproducir o verificar un plan en particular. Se pueden especificar hasta 20 tratamientos.

El plan de aleatorización no se ve afectado por el orden en que se ingresan los tratamientos o las casillas particulares que se dejan en blanco si no se necesitan todas. El programa comienza ordenando los nombres de los tratamientos internamente. Sin embargo, la clasificación distingue entre mayúsculas y minúsculas, por lo que se debe usar la misma mayúscula al recrear un plan anterior. Ejemplo de 10 pacientes asignados a dos grupos (cada uno con 5 pacientes), primero ingrese las etiquetas del tratamiento en los cuadros, ingrese el número total de pacientes que es 10 en la pestaña “Número de sujetos por bloque”. Luego ingrese el 1 en la pestaña “Número de bloques” para la aleatorización simple o más de uno para la aleatorización de bloques.

Conclusiones

Los beneficios de la aleatorización son numerosos. Asegura contra el sesgo accidental en el experimento y produce grupos comparables en todos los aspectos excepto la intervención que recibió cada grupo. La aleatorización simple funciona bien para los ensayos clínicos grandes (n> 100). Para los ensayos clínicos pequeños a moderados (n <100) sin covariables, el uso de la aleatorización en bloque ayuda a lograr el equilibrio. Para ensayos clínicos de tamaño pequeño a moderado con varios factores de pronóstico o covariables, el método de aleatorización adaptativa podría ser más útil para proporcionar un medio para lograr el equilibrio del tratamiento.

Nuestros especialistas esperan por ti para que los contactes a través del formulario de cotización o del chat directo. También contamos con canales de comunicación confidenciales como WhatsApp y Messenger. Y si quieres estar al tanto de nuestros novedosos servicios y las diferentes ventajas de contratarnos, síguenos en Facebook, Instagram o Twitter.

Si este artículo fue de tu agrado, no olvides compartirlo por tus redes sociales.

Referencias Bibliográficas

Pocock SJ, Simon R. Sequential treatment assignment with balancing for prognostic factors in the controlled clinical trial. Biometrics. 1975;31:103–15.

McLeod AI. Remark AS R58. A remark on algorithm AS 183. An efficient and portable pseudo-random number generato. Appl Stat. 1985;34:198–200

Schul KF, Grimes DA. Allocation concealment in randomized trials: Defending against deciphering. Lancet. 2002;359:614–8.