中国人民大学健康大数据研究院李扬教授团队研究成果“Sequential Covariate-Adjusted Randomization Viahierarchically Minimizing Mahalanobis Distance And Marginal Imbalance”在《Biometrics》接收发表。

在对比研究中，协变量平衡和序列分配方案受到越来越多的学术关注。尽管许多理论上合理的自适应随机化方法实现了协变量平衡，但它们通常以成对或成组的方式分配患者。为了更好地满足临床医生由于经济或伦理原因无法等待其他参与者来分配当前患者的实际需求，我们提出了一种对患者进行个体和序列随机化的方法。所提出的方法在概念上将协变量失衡（通过新提出的修正马氏距离衡量）和边际失衡（即两组之间的样本量差异）分开，并以明确的优先顺序将它们最小化。与现有的序列随机化方法相比，所提出的方法在直接保持边际平衡的同时实现了最佳可能的协变量平衡，从而为我们提供了更多的随机化过程控制。我们通过广泛的模拟研究和真实数据分析展示了所提出方法的优越性能，并在失衡度量的收敛性以及随后治疗效果估计方面为该方法建立了理论保证。