Auswirkungen von Imbalancen bei der

Auswirkungen von Imbalancen bei der Blockrandomisation auf die Power am Beispiel des t-Tests
Rainer Muche, Laura Armbrust, Friederike Rohlmann, Jens Dreyhaupt - Institit für Epidemiologie und
Medizinische Biometrie, Universität Ulm
Die randomisierte kontrollierte klinische Studie wird in der Fachliteratur als „Goldstandard“ der
klinischen Forschung bezeichnet. Randomisierung bedeutet die zufällige, also unvorhersehbare
Zuteilung von Patienten zu den einzelnen Behandlungen und zielt damit bezüglich der Störgrößen auf
strukturgleiche Behandlungsgruppen. Das Problem bei dieser rein zufälligen Zuordnung eines neuen
Patienten ist allerdings, dass sowohl gleiche Anzahl der Patienten in den Behandlungsgruppen
(Balanziertheit) als auch gleichmäßige Verteilung wichtiger Störgrößen nicht garantiert ist. Deshalb
wird häufig die sogenannte stratifizierte Blockrandomisierung [1] eingesetzt.
Bei dieser Randomisierung konkurrieren Balance und Unvorhersehbarkeit miteinander, insbesondere
wenn die Studienteilnehmer auf viele Schichten (Strata) verteilt werden sollen, und zwar abhängig
von der gewählten Blocklänge. Werden kleine Blöcke eingesetzt, erhöht sich die Wahrscheinlichkeit
für gute Balance zu Ungunsten der Vorhersehbarkeit; werden große Blöcke gewählt, erhöht sich die
Unvorhersehbarkeit zu Ungunsten der angestrebten Balance.
Damit kommt der Wahl geeigneter Blocklängen eine große Bedeutung zu. Um bessere
Entscheidungen bezüglich der Blocklängen treffen zu können, wurden SAS Makros [2] entwickelt, mit
denen es möglich ist, die spezifische Studiensituation mit verschiedenen Blocklängen oder Sets von
Blocklängen zu simulieren. Als wichtigste Größe wird dabei die beobachtete Imbalance mit
entsprechender Eintrittswahrscheinlichkeit ausgegeben.
Diese Informationen können dazu genutzt werden, die Fallzahlberechnung in der Studie soweit zu
korrigieren, dass die vorgegebene gewünschte Power trotz Imbalance erreicht wird, denn ungleiche
Fallzahlen in den Gruppen reduzieren die Power des Tests [3]. Dazu werden die mittels
Simulationsmakros beobachteten Imbalancen in die Fallzahlplanung eingesetzt. Diese
Fallzahlplanszenarios werden mit der SAS-Prozedur PROC POWER [4] auf Basis des unverbundenen tTests durchgeführt und untersucht. In dem Beitrag werden die notwendigen Schritte sowie der
Einsatz der PROC POWER für diese Berechnungen anhand des unverbundenen t-Tests allgemein und
exemplarisch an einer konkreten Studienplanung dargestellt.
Literatur:
[1] M. Schumacher, G. Schulgen: Methodik klinischer Studien. Springer Verlag, Heidelberg (2008)
[2] L. Hupperz, F. Rohlmann, B. Einsiedler, R. Muche: Untersuchung zum Balanceverhalten der
stratifizierten Blockrandomisierung – Eine Lösung mit SAS-Makros. In: R. Muche, R. Minkenberg:
Proceedings der 17. KSFE-Tagung, Shaker-Verlag Aachen (2013), S. 249-259
[3] J. Bock: Bestimmung des Stichprobenumfangs. Oldenbourgh-Verlag, München (1998)
[4] R. Minkenberg: Power- und Fallzahlanalyse mit SAS 9. In: E. Rödel, R.-H. Bödeker (Hrsg.):
Proceedings der 9. KSFE-Tagung, Shaker Verlag, Aachen (2005), S. 245-277