{
  "id": "cluster-randomized-trial",
  "title": "整群随机试验",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "整群随机试验以群体而非个人为随机分配单位，其设计与分析须考虑同一群体成员之间的相似性。",
  "category": "health",
  "subcategory": "medicine",
  "type": "concept",
  "aliases": [
    "集群随机试验",
    "群组随机试验",
    "整群随机对照试验"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/cluster-randomized-trial/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/cluster-randomized-trial/",
      "json": "https://aiwiki.page/en/cluster-randomized-trial.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "整群随机试验是一类随机对照试验，其随机分配到干预条件或对照条件的单位是人群，而非单个参与者。这些群体称为群组，可以是家庭、学校、诊所、医院、村庄，或其他组织单位或地理单元。结局可以在个人层面、群组层面，或同时在这两个层面测量。由于同一群组内的人往往具有共同的特征、环境和暴露，其结局通常并非统计独立；试验设计与分析必须考虑这种依赖性。"
    },
    {
      "heading": "目的与基本特征",
      "text": "当干预在群体层面发挥作用、个体随机分配难以实施，或将个人分别分配会造成严重的沾染时，可采用整群随机分配。这里的沾染是指某一试验组的参与者接触到了分配给另一试验组的干预。\n\n例如，一项改变整个诊所处方流程的计划，很难仅限于该诊所内随机选出的患者。同样，以学校为基础的教育项目，也可能影响原本不打算接受该项目的同班同学。\n\n这种设计区分了三个可能并不相同的单位：\n\n- **随机分配单位：**被分配接受某项干预的群组。\n- **干预实施单位：**接受干预的组织、专业人员、家庭或个人。\n- **结局测量单位：**记录结局所针对的个人或群体。\n\n例如，可以将医院作为随机分配单位，对其工作人员开展培训，并测量患者的结局。无论测量了多少名患者，随机分配发生在医院层面这一事实都不会改变。\n\n整群试验常见于公共卫生、初级卫生保健、教育和卫生系统研究。这些试验往往属于实用性临床试验，但并非必然如此：整群分配描述的是如何分配干预，而实用性关注的是试验在多大程度上反映日常实践。"
    },
    {
      "heading": "采用整群分配的原因",
      "text": "群体层面的干预\n\n某些干预本身就会影响整个人群或整个机构，例如社区环境卫生项目、医院感染控制政策以及服务提供方式的改变。将相关组织单位或地理单元随机分配，可以在干预实际发挥作用的层面进行评价。\n\n沾染与溢出效应\n\n如果临床医生会对所有患者采用新的诊疗做法、参与者会共享干预材料，或干预会改变共同环境，个体随机分配可能并不合适。\n\n在感染性疾病研究中，一个人接受干预也可能影响另一个人的结局。疫苗接种项目可能通过群体免疫降低未接种居民的暴露水平。在这种情况下，整群试验可以估计将社区分配接受某项计划的总体效应，而不仅仅是直接接受干预者的生物学效应。\n\n划定群组边界并不一定能消除溢出效应。社区之间的人口流动、共用工作人员，以及跨越不同试验组的接触网络，仍可能影响干预组与对照组之间的差异。\n\n实施方面的考虑\n\n在一个机构内统一实施一项计划，可能比同时运行几项相互竞争的计划更可行。然而，实施上的便利也伴随着统计学和伦理方面的代价，包括可能需要更大的样本量，以及个人对于是否接受机构整体变革的影响，选择空间有限。"
    },
    {
      "heading": "主要设计类型",
      "text": "平行组试验\n\n在平行整群试验中，群组被分配到干预条件或对照条件，并在整个随访期间保持这一分配。分配可以不加限制，也可以采用分层、配对或约束随机化，以改善重要基线特征的均衡性。\n\n配对和限制条件会影响随机分配方案，因此也需要在分析中予以体现。\n\n整群交叉试验\n\n在整群交叉试验中，每个群组在不同研究时期接受不同的干预或对照条件，其先后顺序由随机分配决定。将一个群组与其自身比较，可以减少群组间稳定差异的影响。\n\n如果干预具有持久效应、洗脱不充分，或结局随日历时间变化，结果的解释就会更加困难。永久改变工作人员行为或基础设施的干预，可能不适合采用交叉设计评价。\n\n阶梯楔形试验\n\n在阶梯楔形整群随机试验中，各群组按照随机确定的时间安排，从对照条件转入干预条件，通常最终所有群组都会接受干预。\n\n由于研究后期接受干预的群组更多，因此必须区分干预效应与日历时间效应。长期趋势、随时间变化的干预效应，以及同一时期内和不同时期之间观测值的相关性，都会使分析更加复杂。最终能够获得干预，本身既不能证明该设计在伦理上可接受，也不能说明干预有益。\n\n上述各类设计均可随访一个固定队列，在连续的各个时期招募不同个体，或采用允许人员加入和退出的开放队列。"
    },
    {
      "heading": "群内相关性与样本量",
      "text": "同一群组中的人可能因共享临床医生、社会条件、基础设施或干预暴露而具有相似的结局。这种相似性通常用群内相关系数（ICC）概括。\n\n对于一个简单的随机截距模型，\n\n\\[Y_{ij}=\\mu+\\tau T_j+b_j+\\varepsilon_{ij},\\]\n\n其中，\\(Y_{ij}\\) 是群组 \\(j\\) 中个体 \\(i\\) 的结局，\\(T_j\\) 表示干预分配，\\(b_j\\) 表示群组层面的随机效应，\\(\\varepsilon_{ij}\\) 表示个体层面的变异。如果两个方差分量分别为 \\(\\sigma_b^2\\) 和 \\(\\sigma_w^2\\)，则\n\n\\[\\rho=\\frac{\\sigma_b^2}{\\sigma_b^2+\\sigma_w^2}.\\]\n\n这里，\\(\\rho\\) 即为ICC。其取值取决于结局、研究情境、人群和测量时间安排。\n\n对于群组规模相同、每个群组包含 \\(m\\) 名参与者的简单平行设计，常用的样本量膨胀系数，又称设计效应，为\n\n\\[DE=1+(m-1)\\rho.\\]\n\n例如，每个群组有50名参与者，ICC为0.02时，设计效应为1.98。在这一近似计算所依据的假设成立时，所需的个体观测数接近可比的个体随机试验的两倍。\n\n这一公式并非通用的样本量计算方法。群组规模不等、群组数量较少、重复测量、数据缺失、结局分布和分配方案等因素，都需要额外考虑。增加群组通常比向现有群组中增加相同数量的人员提供更多信息。即使参与者人数很多，也无法完全弥补独立随机分配单位过少的不足。"
    },
    {
      "heading": "统计分析与结果解释",
      "text": "当群内相关性为正时，将所有参与者视为彼此独立，通常会低估不确定性。由此得到的置信区间可能过窄，统计检验也更容易得出显著结果。\n\n常见的分析方法包括：\n\n- **群组层面分析：**计算每个群组的结局汇总指标，再比较不同试验组的这些指标。\n- **混合效应模型：**对个体结局建模，同时纳入群组层面的随机效应。\n- **广义估计方程：**在考虑观测值相关性的同时，估计总体平均效应。\n- **基于随机化的方法：**依据实际采用的随机分配程序评价结果。\n\n这些方法不能相互替代。其适用性取决于结局、群组数量、研究设计和目标效应。当群组数量较少时，除非采用适当的小样本方法，否则常规的大样本方法可能得出不可靠的推断。\n\n界定干预效应\n\n试验可以着眼于个体平均效应，也可以着眼于群组平均效应。当群组规模不同时，两者并不相同：个体平均效应使较大群组具有更大影响，而群组平均效应则赋予每个群组相同权重。\n\n当群组规模与结局或干预效应有关时，这一区别尤为重要。对于二分类结局，总体平均模型与群组特异性模型的估计值也可能不同，因为它们代表不同的统计量。\n\n意向性治疗分析通常按照随机分配结果比较群组及其符合条件的参与者，而不论其依从性如何。这一原则并不意味着可以忽略群内相关性、结局缺失或群组成员变化。"
    },
    {
      "heading": "偏倚与实际局限",
      "text": "随机分配后的招募\n\n如果在群组分配结果已知后才招募个体，对干预分配的了解可能影响招募人员接触哪些人，也可能影响哪些人同意参与。因此，即使群组随机分配本身有效，各试验组之间仍可能出现系统性差异。\n\n用于减少这一问题的设计措施包括在随机分配前确定参与者、采用客观的入选标准，以及在招募时对分配结果设盲。群组分配前的分配隐藏，与分配后防止招募偏倚，是不同的问题。\n\n基线不均衡与盲法\n\n随机分配的群组相对较少时，重要特征更容易出现偶然不均衡。预先规定的协变量调整可以提高精度，但不能自动纠正所有不均衡。\n\n对于组织层面的干预，往往难以对参与者和干预实施者采用临床试验盲法。不过，仍可对结局评估者和分析人员设盲，而采用常规收集或客观界定的结局，也可能减少某些形式的测量偏倚。\n\n数据缺失与可推广性\n\n整个群组的退出可能显著影响估计精度和均衡性。个体结局缺失也可能与分配结果或预后有关。\n\n愿意且能够参加试验的机构，可能与未参加的机构有所不同。因此，整群随机分配本身并不能保证结果可推广至其他组织、社区或卫生系统。"
    },
    {
      "heading": "伦理与报告",
      "text": "整群试验属于涉及人的研究，需要接受与其研究活动相适应的伦理审查。伦理问题包括哪些人应被视为研究参与者、哪些人接受干预、收集哪些人的数据，以及何时需要取得个人同意。\n\n医院管理者、学校负责人或社区代表的许可，可以授权机构参与研究，但并不能自动替代个人知情同意。机构审查委员会可以依据适用标准批准豁免或调整知情同意要求；仅仅采用整群分配，并不足以构成豁免或调整的理由。\n\n相关报告指南包括CONSORT声明的整群试验扩展版。报告的重要内容包括采用整群随机分配的理由、群组和个体两个层面的入选标准、分配方法、招募和纳入分析的群组及个体数量、个体招募与分配的先后时间关系、样本量计算假设，以及分析中如何处理群内相关性。清晰的报告还应区分群组退出与个体失访，并明确所估计效应适用的人群。"
    }
  ],
  "links": [
    "randomized-controlled-trial",
    "public-health",
    "primary-health-care",
    "health-system",
    "pragmatic-clinical-trial",
    "sanitation",
    "infectious-disease",
    "vaccine",
    "herd-immunity",
    "crossover-trial",
    "mixed-effects-model",
    "intention-to-treat-analysis",
    "allocation-concealment",
    "blinding-clinical-trials",
    "human-subjects-research",
    "institutional-review-board",
    "consort-statement"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}