Randomisation

la Randomisation fait référence au processus d’attribution aléatoire des participants à l’étude à des groupes expérimentaux ou témoins de sorte que chaque participant ait une probabilité égale d’être affecté à un groupe donné.10 l’objectif principal de la randomisation est d’éliminer les biais de sélection et d’équilibrer les facteurs de confusion connus et inconnus afin de créer un groupe témoin aussi similaire que possible au groupe de traitement.,

Les méthodes d’attribution aléatoire de participants à des groupes, ce qui limite le biais, comprennent l’utilisation d’une table de nombres aléatoires et d’un programme informatique qui génère des nombres aléatoires. Les méthodes d’affectation sujettes à biais comprennent l’affectation alternée ou l’affectation selon la date de naissance ou le numéro d’admission à l’hôpital.10

dans de très grands essais cliniques, la randomisation simple peut conduire à un équilibre entre les groupes dans le nombre de patients attribués à chacun des groupes, et dans les caractéristiques des patients. Cependant, dans les études” plus petites », cela peut ne pas être le cas., La randomisation par blocs et la stratification sont des stratégies qui peuvent être utilisées pour aider à assurer l’équilibre entre la taille des groupes et les caractéristiques des patients.11

randomisation par blocs

la randomisation par blocs peut être utilisée pour assurer un équilibre dans le nombre de patients attribués à chacun des groupes de l’essai. Les Participants sont considérés par blocs de, disons, quatre à la fois., L’utilisation d’une taille de bloc de quatre pour deux bras de traitement (A et B) conduira à six arrangements possibles de deux As et deux BS (blocs):

AABB BBAA ABAB BABA ABBA BAAB

une séquence de nombres aléatoires est utilisée pour sélectionner un bloc particulier, qui détermine l’ordre d’allocation pour les quatre premiers sujets. Dans la même veine, le groupe de traitement est attribué aux quatre patients suivants dans l’ordre spécifié par le bloc suivant sélectionné au hasard.,

Stratification

bien que la randomisation puisse aider à éliminer le biais de sélection, elle ne garantit pas toujours que les groupes seront similaires en ce qui concerne les caractéristiques importantes du patient.12 dans de nombreuses études, des facteurs pronostiques importants sont connus avant l’étude. Une façon d’essayer de s’assurer que les groupes sont aussi identiques que possible est de générer des listes de randomisation par blocs distinctes pour différentes combinaisons de facteurs pronostiques. Cette méthode est appelée stratification ou échantillonnage par blocs stratifiés., Par exemple, dans un essai de nutrition entérale dans l’induction de la rémission dans la maladie de Crohn active, les facteurs de stratification potentiels pourraient être l’activité de la maladie (indice d’activité de la maladie de Crohn pédiatrique (PCDAI) ⩽25 v >25) et l’emplacement de la maladie (atteinte de l’intestin grêle v aucune atteinte de l’intestin grêle)., Un ensemble de blocs pourraient être générés pour les patients qui ont PCDAI ⩽25 et avoir de l’intestin grêle maladie; ceux qui ont PCDAI ⩽25 et n’est pas une maladie de l’intestin; ceux qui ont PCDAI >25 et avoir de l’intestin grêle de la maladie; et ceux qui ont PCDAI >25 et n’est pas une maladie de l’intestin.

dissimulation de L’Allocation

la dissimulation de l’Allocation est une technique utilisée pour aider à prévenir les biais de sélection en dissimulant la séquence d’allocation des participants aux groupes d’intervention, jusqu’au moment de l’affectation., La technique empêche les chercheurs d’influencer consciemment ou inconsciemment quels participants sont affectés à un groupe d’intervention donné. Par exemple, si la séquence de randomisation montre que le patient numéro 9 recevra un traitement A, la dissimulation de l’allocation empêchera les chercheurs ou les autres professionnels de la santé de manœuvrer pour placer un autre patient en position 9.,

dans une étude observationnelle récente, Schulz et al ont montré que dans les essais dans lesquels l’allocation n’était pas dissimulée, les estimations de l’effet du traitement étaient exagérées d’environ 41% par rapport à celles qui rapportaient une dissimulation adéquate de l’allocation.13

Une façon courante de dissimuler l’attribution consiste à sceller chaque affectation individuelle dans une enveloppe opaque.10 Cependant, cette méthode peut présenter des inconvénients, et la randomisation” à distance  » est généralement préférée.14 la randomisation À Distance signifie que la séquence d’assignation doit être complètement supprimée de ceux qui effectuent les assignations., L’investigateur, lors du recrutement d’un patient, téléphone à un service central de randomisation qui délivre l’attribution du traitement.

bien qu’un ECR devrait, en théorie, éliminer le biais de sélection, il existe des cas où un biais peut se produire.15 vous ne devez pas présumer qu’une méthode d’essai est valide simplement parce qu’elle est déclarée comme un ECR. Tout biais de sélection dans un ECR invalide le plan de l’étude et rend les résultats pas plus fiables qu’une étude observationnelle., Comme L’ont suggéré Torgesson et Roberts, les résultats d’une prétendue ECR dont la randomisation a été compromise par, disons, une mauvaise dissimulation de l’allocation peuvent être plus dommageables qu’une étude explicitement non organisée, car un biais dans cette dernière est reconnu et l’analyse statistique et l’interprétation ultérieure pourraient en avoir tenu compte.14

aveuglant

dans les essais cliniques, il y a toujours un risque que les perceptions des avantages d’un traitement par rapport à un autre influencent les résultats, conduisant à des résultats biaisés., Ceci est particulièrement important lorsque des mesures subjectives des résultats sont utilisées. Les Patients qui sont conscients qu’ils reçoivent ce qu’ils croient être un nouveau traitement coûteux peuvent déclarer être mieux qu’ils ne le sont vraiment. Le jugement d’un médecin qui s’attend à un traitement particulier pour être plus efficace qu’un autre peut être obscurci en faveur de ce qu’il perçoit être la plus efficace de traitement. Lorsque les personnes analysant les données savent quel groupe de traitement était lequel, il peut y avoir une tendance à « suranalyser” les données pour toute différence mineure qui soutiendrait un traitement.,

La connaissance du traitement reçu pourrait également influencer la prise en charge des patients pendant l’essai, ce qui peut être une source de biais. Par exemple, il pourrait y avoir la tentation pour un médecin d’accorder plus de soins et d’attention pendant l’étude aux patients recevant ce qu’il perçoit comme le traitement le moins efficace afin de compenser les inconvénients perçus.

pour contrôler ces biais, on peut procéder à un »aveuglement”., Le terme aveuglement (parfois appelé masquage) fait référence à la pratique consistant à empêcher les participants à l’étude, les professionnels de la santé et ceux qui collectent et analysent des données de savoir qui fait partie du groupe expérimental et qui fait partie du groupe témoin, afin d’éviter qu’ils ne soient influencés par de telles connaissances.16 Il est important que les auteurs d’articles décrivant les ECR indiquent clairement si les participants, les chercheurs ou les évaluateurs de données étaient ou n’étaient pas au courant du traitement assigné.,

dans une étude où les participants ne connaissent pas les détails du traitement mais les chercheurs le font, le terme « aveugle unique” est utilisé. Lorsque les participants et les collecteurs de données (professionnels de la santé, chercheurs) sont tenus dans l’ignorance du traitement assigné, le terme « double aveugle” est utilisé. Lorsque, rarement, les participants à l’étude, les collecteurs de données et les évaluateurs de données tels que les statisticiens sont tous aveuglés, l’étude est appelée « Triple aveugle”.5

des études récentes ont montré que l’aveuglement des patients et des professionnels de la santé empêche les biais., Les essais qui n’étaient pas en double aveugle ont donné des estimations plus élevées des effets du traitement que les essais dans lesquels les auteurs ont signalé un double aveugle (rapports de cotes exagérés, en moyenne, de 17%).17

Il convient de noter que, bien que l’aveuglement aide à prévenir les biais, son effet est plus faible que celui de la dissimulation de l’allocation.17 de plus, contrairement à la dissimulation de l’allocation, l’aveuglement n’est pas toujours approprié ou possible., Par exemple, dans un essai contrôlé randomisé où l’on compare la nutrition entérale avec les corticostéroïdes dans le traitement des enfants atteints de la maladie de Crohn active, il peut être impossible d’aveugler les participants et les professionnels de la santé à l’intervention assignée, bien qu’il puisse toujours être possible d’aveugler ceux qui analysent les données,

Intention de traiter l’analyse

comme indiqué précédemment, la validité d’un ECR dépend grandement du processus de randomisation., La Randomisation garantit que les facteurs de confusion connus et inconnus à l’inclusion s’équilibrent dans les groupes de traitement et de contrôle. Cependant, après la randomisation, il est presque inévitable que certains participants ne terminent pas l’étude pour une raison quelconque. Les Participants peuvent s’écarter du protocole prévu en raison d’un diagnostic erroné, d’une non-conformité ou d’un retrait. Lorsque ces patients sont exclus de l’analyse, nous ne pouvons plus être sûrs que les facteurs pronostiques de base importants dans les deux groupes sont similaires. Ainsi, la principale raison d’être de l’allocation aléatoire est rejetée, ce qui entraîne un biais potentiel.,

pour réduire ce biais, les résultats devraient être analysés en fonction de l ‘ « intention de traiter”.

L’analyse de L’Intention de traiter est une stratégie dans la conduite et l’analyse d’essais contrôlés randomisés qui garantit que tous les patients affectés au groupe de traitement ou au groupe de contrôle sont analysés ensemble comme représentant ce groupe de traitement, qu’ils aient reçu ou non le traitement prescrit ou terminé l’étude.,5 L’Intention de traiter introduit la réalité clinique dans la recherche en reconnaissant que, pour plusieurs raisons, tous les participants randomisés ne recevront pas le traitement prévu ou ne termineront pas le suivi.18

selon la déclaration révisée du CONSORT pour la déclaration des ECR, les auteurs des articles devraient indiquer clairement quels participants sont inclus dans leurs analyses.19 la taille de l’échantillon par groupe, ou le dénominateur lorsque les proportions sont déclarées, devrait être fournie pour tous les renseignements sommaires. Les principaux résultats doivent être analysés sur la base de l’intention de traiter., Le cas échéant, des analyses supplémentaires limitées uniquement aux participants qui ont respecté le protocole prévu (analyses par protocole) peuvent également être signalées.

la Puissance et la taille de l’échantillon de calcul

La puissance statistique d’un RCT est la capacité de l’étude à détecter une différence entre les groupes lorsque une telle différence existe. La puissance d’une étude est déterminée par plusieurs facteurs, y compris la fréquence du résultat étudié, l’ampleur de l’effet, le plan d’étude et la taille de l’échantillon.,5 pour qu’un ECR ait une chance raisonnable de répondre à la question de recherche qu’il aborde, la taille de l’échantillon doit être suffisamment grande, c’est—à-dire qu’il doit y avoir suffisamment de participants dans chaque groupe.

lorsque la taille de l’échantillon d’une étude est trop petite, il peut être impossible de détecter de véritables différences de résultats entre les groupes. Une telle étude pourrait être un gaspillage de ressources et potentiellement contraire à l’éthique. Souvent, cependant, des études de petite taille sont publiées qui ne prétendent pas de différence dans les résultats entre les groupes sans rendre compte de la puissance des études., Les chercheurs doivent s’assurer au stade de la planification qu’il y a suffisamment de participants pour s’assurer que l’étude a une forte probabilité de détecter comme statistiquement significatif le plus petit effet qui serait considéré comme cliniquement important.20