La minimización es un método de muestreo estratificado adaptativo que se utiliza en ensayos clínicos , como lo describen Pocock y Simon. [1] [2]
El objetivo de la minimización es minimizar el desequilibrio entre el número de pacientes en cada grupo de tratamiento en función de una serie de factores. Normalmente, los pacientes se asignarían a un grupo de tratamiento de forma aleatoria y, si bien esto mantiene un buen equilibrio general, puede provocar desequilibrios dentro de los subgrupos. Por ejemplo, si la mayoría de los pacientes que estaban recibiendo el fármaco activo eran hombres o fumadores, la utilidad estadística del estudio se reduciría. [ cita requerida ]
El método tradicional para evitar este problema, conocido como aleatorización en bloques , consiste en estratificar a los pacientes según una serie de factores (por ejemplo, hombres y mujeres, o fumadores y no fumadores) y utilizar una lista de aleatorización independiente para cada grupo. Cada lista de aleatorización se crearía de forma que, después de cada bloque de x pacientes, hubiera un número igual en cada grupo de tratamiento. El problema con este método es que el número de listas aumenta exponencialmente con el número de factores de estratificación.
La minimización aborda este problema calculando el desequilibrio dentro de cada factor en caso de que el paciente sea asignado a un grupo de tratamiento en particular. Los diversos desequilibrios se suman para obtener el desequilibrio general del estudio. El grupo de tratamiento que minimizaría el desequilibrio se puede elegir directamente, o se puede agregar un elemento aleatorio (quizás asignando una mayor probabilidad a los grupos que minimizarán el desequilibrio, o quizás asignando una probabilidad solo a los grupos que minimizarán el desequilibrio). [3] [4]
Si es necesario, se pueden ponderar los desequilibrios para dar más importancia a algunos factores que a otros. De manera similar, se puede aplicar una proporción al número de pacientes en cada grupo de tratamiento.
En uso, la minimización a menudo mantiene un mejor equilibrio que la aleatorización bloqueada tradicional, y su ventaja aumenta rápidamente con el número de factores de estratificación.
{{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )