CN108242268A - 一种临床研究受试者随机化分组及治疗方法分配的错误识别与纠正方法 - Google Patents

Abstract

本发明公开了一种临床研究受试者随机与治疗方法分配错误的识别与纠正方法，该方法采用二次校验机制，包括随机过程的校验和对治疗方法分配过程的校验。在随机化过程中运行受试者随机化分组的算法一以及用于验证算法一是否出错的算法二；如果算法二验证算法一结果正确，则随机正确，完成分组；如果算法二验证算法一结果错误，则出现随机错误，进行***报错。本发明方法的目的在于最大限度降低随机化分组和治疗方法分配的错误发生率。该方法所包含的错误识别与纠正方法，以计算机替代了人工，可以节约人工校验的成本。

Description

一种临床研究受试者随机化分组及治疗方法分配的错误识别 与纠正方法

技术领域

本发明涉及临床研究领域，尤其是指一种临床研究受试者随机化分组及治疗方法分配的错误识别与纠正的方法。

背景技术

临床研究是以疾病的诊断、治疗、预后、病因和预防为主要研究内容，以患者为主要研究对象，以医疗服务单位为主要研究机构，由多学科人员共同参与组织实施的科学研究活动。临床研究常常涉及多种治疗处理的措施，包括药物、医疗器械、物理、激光、放射等。随机试验又称为随机对照试验，对参与研究的对象进行随机化分组，目的是避免人为地选择性偏倚，使进入试验的两组或多组在基线特征上尽可能保持一致，即保证统计学上组间的可比性，这样才能保证试验结果的真实可靠。通过随机化分组，我们可以使进入各试验组的患者在性别、年龄、疾病严重程度、病程长短等诸多影响预后的已知和未知因素尽可能均衡地分布到各组中去，这样才能得知任何一个结局在组间存在的差异只是由于干预措施的不同造成的，而不是因为患者特征的分布不均、预后不同而造成的。在一个新药或其他治疗方法上市前，往往要开展多项随机对照试验以证明药物及治疗方法的有效性和安全性。

临床研究患者分配到不同的组别中往往需要采用随机的方法，即不同的受试者分配到哪个治疗组别是根据某种随机方法而设定的，事先是不确定的。在后文叙述中，为便于描述，在多处以“药物”为例，同理也适用于其他“治疗方法”。

临床研究中的盲法是指为避免设计、资料收集或分析阶段容易出现信息偏倚而在设计时采用的一种方法，使研究者或研究对象不明确不同组别药物的分配，从而使研究结果更加真实、可靠。盲法的目的是为了避免在设计、药物发放、资料收集或分析阶段容易出现信息偏倚。盲法分为单盲、双盲、三盲。为了保证科学性，除非试验的设计无法采用盲法，临床试验应尽可能设计并执行多盲试验。在盲法试验中，为了维持盲态，试验相关人员可能不知道患者分配在哪个治疗组别，也不知道接受了哪种药物的治疗。临床研究开展中，一个患者一旦分组成功，就进入下一个环节，接受相应组别的药物发放和药物治疗。在药物发放的环节，如果治疗方法分配错误，将导致随机、盲法试验的错误，乃至试验整体的失败。

在实施盲法的过程中，运行随机过程产生的随机分组结果应处于盲态，也就是不知道受试者分配到哪个组别，该过程称为随机盲法，试验产生的全部受试者分组结果列表称为随机盲底。实施盲法过程中，随机分组前还应需要预先对药物进行编盲。编盲就是对药物进行编号，每个号码对应一个组别和相应组别的药物；分配药物的时候，只知道药物编号，不知道是何种药物。全部试验用药编盲产生的药物列表称为药物盲底。

随机和盲法的一般实施流程和步骤为：

第一步，随机方法的设置：对于静态随机，一种实现方式是预先设置好随机编号及对应的试验分组，并将试验编号及对应的试验分组表（随机盲底）导入随机软件；也可以通过其他方式实现静态随机及相应的盲底，比如软件自动生成随机编号及对应的试验分组；对于动态随机，预先在软件中设置好分层的随机参数，包括分层因素、各因素的权重，以及采用的动态随机方法。

第二步，运行软件，受试者获得一个随机编号；

第三部，软件运行随机算法，对随机编号指定试验的组别；

第四步，软件根据随机结果，在库存中指定对应组别某个编号的治疗药物；

第五步，根据随机编号和药物编号，发放对应的药物。

随机分组和治疗方法（如药物）分配错误的识别，也就是对随机方法运行是否正确，以及相应地发放药物是否正确进行验证，从中发现错误，也可以简称为随机校验或随机验证，以及药物发放校验或验证。在随机和发放药物的过程中，有两处有潜在发生错误的可能。（1）随机号对应的组别错误。（2）随机号（或随机指定的组别）对应的药物发放的错误。以上两个问题导致的原因包括网络或者服务器本身出现了问题，其他软件运行错误，以及人为发药错误的情况。

一个药物上市前开展的临床研究动辄千万乃至亿万元的经费投入，如果随机方法和/或药物发放发生错误，可能导致该项试验失败，轻则延缓药物上市的进程，重则影响整个项目研发的成功亦或失败，造成严重的社会财富的浪费。因此，在开展临床试验中，确保临床试验随机方法和药物发放的正确性具有巨大的社会价值。

发明内容

本发明专利公开了一种临床研究受试者随机化分组及治疗方法分配的错误识别与纠正方法，其目的在于最大限度降低随机化分组和药物发放的错误发生率。该方法所包含的自动逻辑算法实现的自动校验，以计算机替代了人工，可以节约人工校验的成本。

一种临床研究受试者随机与治疗方法分配错误的识别与纠正方法，该方法采用二次校验机制，包括随机过程的校验和对发药过程的校验。在随机化过程中运行受试者随机化分组的算法一以及用于验证算法一是否出错的算法二；如果算法二验证算法一结果正确，则随机正确，完成分组；如果算法二验证算法一结果错误，则出现随机错误，进行***报错；其中算法一为随机算法，包括静态随机算法和动态随机算法；算法二包括计算机结果自动比对或结果可接受范围确认的自动逻辑算法，或卡方检验等组间差别的验证方法，以及人工核对。在发药的过程中，当人工发放药物时，***自动识别药物，并与药物盲底进行自动比对，如果一致则发药正确；如果不一致，则认为出现发药错误，进行***报警。本发明方法的目的在于最大限度降低随机化分组和发药的错误发生率。

临床研究受试者随机化分组及治疗方法分配的错误识别与纠正方法采用二次校验，该二次校验可以作为一个独立的软件，结合临床研究的随机软件的使用。也可以是随机软件的一个功能模块。该方法所集成为一个功能模块，称为随机核查菜单，该核查菜单执行随机化分组与治疗方法分配的错误识别与纠正的功能，并能查看随机化分组与治疗方法分配是否存在错误的记录。

本方法可为一种静态随机试验，算法一采用静态随机算法，算法二采用结果比对的自动逻辑算法，至少包含以下步骤：

1）根据算法一可生成随机表（后称随机盲底），也就是生成随机编号及对应的试验分组；

2）录入受试者信息，根据随机算法自动生成一个随机编号，受试者获得一个随机编号，同时将受试者通过随机编号指定到对应的治疗组别，产生随机分组结果；

3）一旦完成了随机分组，可启动软件的算法二，即随机错误的识别的算法；

4）将试验过程中产生的随机结果的数据与随机表盲底中的数据进行一致性核查，该一致性核查是通过计算机数据比对自动完成的。如果数据是一致的，就没有发生错误，反之如果不一致即出现随机错误。必要时，软件***发起人工核对，仅在发现随机错误后发起人工核对。

本方法可为一种动态随机试验，算法一采用动态随机算法，包括最小化、偏币法、瓮法等动态随机算法。

优选的，动态随机算法采用一种最小化动态随机方法。以最小化动态随机法举例，至少包含以下步骤：

1） 分组前应预先确定要考虑的预后因素、各因素的权重、分配到目标组的概率P；

2） 第一例患者依据简单随机化分配到试验组，其余患者按最小化法分配；其中简单随机化分配的方式为将患者以个人为单位用掷硬币（正、反两面分别指定为两个不同的组别）、抽签、使用随机数字表，也可采用***随机化法，即用现成的数据（如研究对象顺序号、身份证号、病历***、工号、学号等）交替随机分配到两个或更多个不同的试验组别。

3） 根据新患者的预后因素，计算衡量试验组间预后因素差别的参数M（t）：

式中f为需要考虑的预后因素个数，为各预后因素的权重。 为新患者分到试验组t后，两组患者于新患者在i因素上水平相同的例数之差的绝对值；

比较M值大小，M较小的组别t1为目标组，新患者按分配到t1组的概率P，分配到t2组的概率为（1-P）进行随机分组；如果M值相同，则例数少的组为目标组；如果例数也相等，则按着相同的概率（0.5/0.5）随机分配到其中一组。

优选的，在多中心临床试验中，设定允许的中心内组间例数差别最大范围，当超过该范围时新患者将按一定的随机概率或强制性（P=1.0）分配到该中心例数少的组中。

优选的，设定试验组间允许的最大差别例数，当新患者按最小化法分组后导致组间例数差别超过允许范围时，按较大的概率或强制性分配新患者到例数少的组中。

如果不考虑预后因素的权重，并且最后分配到目标组的随机概率为1，即新患者总是分到M小的一组，即为Taves的最小化法。

动态随机应在试验进行的过程中分析随机的结果，确保随机结果符合预期。二次校验的过程，就是采用另一个算法来验证上述动态随机算法是否达到随机要求。这里列举两种方法实现动态随机分组试验中的随机错误的识别。方法一：所述算法二可采用卡方检验，来验证算法一的结果是否达到组间均衡，如卡方检验证明二组结果均衡，则未出现错误；如组间不均衡，则认为随机错误，进行报警。方法二：所述算法二为结果可接受范围确认的自动逻辑算法，要求不同组别的亚组间患者的数量保持均衡，对于不同亚组设置加权值，将加权值不同的亚组的均衡性设置为一定范围如果随机结果在此范围内，则认为随机正确；如果随机结果不在此范围内，则认为随机错误。这里仅列举了两种二次校验的算法，事实上其他二次校验算法还有很多，不便于穷举，但也应在本方法的保护范围之内。

上面所列举的例子中，不同组别的亚组是根据不同的预后因素，某个组别符合某种定义的预后因素的亚组。

随机化分组完成后，根据随机编号，患者将被指定到相应治疗组别；然后***从***登记的库存中指定一个治疗方法（比如药物）的编号，相应的治疗方法可通过人工分配给该患者。当进行人工治疗方法分配时，***通过治疗方法所对应的识别信息识别出治疗方法种类，并启动治疗方法分配自动核对机制，识别人工分配的治疗方法是否与随机分配的组别一致。如果人工分配的治疗方法与随机分组的组别不一致就是治疗方法分配错误；如果一致，则治疗方法分配就是正确的，患者得到了相应试验分组对应的治疗方法的治疗。

本方法所涵盖的治疗方法包括药物、医疗器械、物理、激光、放射等治疗处理措施。当治疗方法为药物发放时，所述自动核对机制，实现的基础是为每一个具体的药物包装制备条形码或二维码等唯一识别标识，唯一识别标识与药物信息相对应，对应的关系数据存储在数据库中。随机软件通过摄像头或其他方式先识别唯一标识，根据唯一标识读取相应的药物信息；软件将读取的药物信息与药物盲底信息进行自动比对，该比对过程就是自动核对机制。

优选的，对于任何时间出现的任何随机或发药错误，***自动报警。***报警的同时，提示随机或发药错误发生的情况。报错的过程中，对于盲态人员，通过技术处理***露随机编号所对应的治疗组别。

优选的，***报错后，启动重新随机或发药过程，再次进行随机或发药。

优选的，***报错后，有选项阻止软件随机或发药功能的继续运行。

优选的，***报错后，软件发起人工核查，识别错误并进行纠正；

优选的，***报错后，通过邮件和手机短信息的形式通知软件运维人员，确认软件的运行错误，并启动软件的修复流程。

优选的，软件***的二次校验机制和治疗方法分配结果的自动核对算法可以自动运行。软件制订自动验证的时间间隔，每完成一个或若干个随机及发药，***自动启动验证及核对。比如，每完成2个区组（block）的随机与发药，***自动启动核查。为了保证每次随机的正确性，***每次随机和发药均启动一次验证过程，确保每次随机和发药的正确性。

优选的，***产生报表，报表提示是否有随机错误和发药错误。如果出现随机或发药错误，***提示有几处发生错误。对于盲态人员，仍然不能了解随机号码所对应的治疗组别和治疗方法分配组别情况。对于非盲人员，则可以查看全部随机信息和治疗方法分配信息，以利于***的错误处理。

优选的，将报表在云服务器生成pdf等不可编辑文档，供远程下载读取，确保读取过程不会损失任何数据信息。

不同环境中随机和发药错误的识别分为测试环境验证和正式环境错误识别，分别简称为测试验证和正式验证。软件上线之前，需经过严格的测试验证，并提供验证报告，确保随机和发药结果符合预期。软件上线之后应按要求进行正式验证，以确保及时发现随机和发药错误。

通过二次校验机制能够降低随机错误的原理如下：

每个软件运行发生错误均有一个概率，比如，假定算法一运行错误的概率为0.1%，算法二运行错误的概率也为0.1%。意思就是算法一或算法二运行1000次，会出现1次错误。如果不采用二次校验机制，那么随机软件运行将有0.1%的出错风险。见下表：

表1 二次校验机制错误情况分析表

	算法一	算法二	概率	随机核查菜单的错误识别情况
					情况1	正确	正确	99.9%*99.9%	随机软件运行正确，且不报警
情况2	正确	错误	99.9%*0.1%	随机软件运行正确但报警
					情况3	错误	正确	0.1*99.9%	随机软件运行错误，且报警
情况4	错误	错误	0.1%*0.1%	随机软件运行错误，不报警

通过上表发现，随机软件发生错误且不报警的概率变成了0.00001%。也就是软件运行100万次，随机软件仅有1次运行错误未被发现。

附图说明

图1临床研究受试者随机化分组与药物发放及二次校验机制的流程。

具体实施方式

以下为本发明的具体实施方式：

参照图1，临床研究受试者随机化分组与药物发放过程可分为五个步骤，描述如下：

第一步，随机方法的设置：对于静态随机，一种实现方式是预先设置好随机编号及对应的治疗组别，形成试验分组表，并将试验分组表（随机盲底，见表2）导入随机软件。也可以通过其他方式实现静态随机及相应的随机盲底，比如软件自动生成随机编号及对应的治疗组别。对于动态随机，预先在软件中设置好分层的随机参数，包括分层因素、各因素的权重，以及采用的动态随机方法。

第二步，运行软件，受试者获得一个随机编号。

第三部，软件运行随机算法，对随机编号指定治疗组别。

第四步，软件根据随机结果，在库存中指定对应治疗组别的治疗药物。

第五步，根据随机编号和药物编号，发放对应的药物。

表2 随机盲底中随机编号、治疗组别和治疗方法对应表

随机编号	治疗组别	治疗药物
			1	A	DA
2	B	DB
			3	B	DB
4	A	DA
			5	B	DB
...	B	DB
			N	A	DA

参照图1，在随机和发药过程中的两个环节，均可以采用二次校验来识别和纠正错误。具体描述如下：

在软件生成随机号获得随机分组的步骤中，一旦算法一完成分组，***自动启动算法二进行校验；当人工发药过程中，***通过扫描药物包装等识别方式对进行药物识别，并与数据库的药物盲底（见表3）进行核对完成自动二次校验。

表3 药物盲底中药物编号和治疗药物的对应表

药物编号	治疗药物
		X1	DA
X2	DB
		X3	DB
X4	DA
		X5	DB
...	DB
		Xn	DA

实施例一

一种临床研究受试者随机化分组及药物发放的错误识别与纠正方法，本方法为一种静态随机试验，步骤为：

1） 制订随机表（后称随机盲底），预先设置好随机编号及对应的试验分组，如表4；

表4 预先设置的随机盲底

随机编号	试验分组
		1	A
2	B
		3	B
…	A
		n	B

2） 通过随机软件，受试者获得一个随机编号，同时根据指定试验的组别，产生随机结果，如表5。由于随机编号的顺序关系以及网络延时、软件运行错误等原因，导致随机编号3的受试者随机错误，进而导致试验分组错误。

表5 运行随机程序（算法一）产生随机结果（编号3的试验分组出现随机错误）

随机编号	试验分组
		1	A
2	B
		3	A
…	A
		n	B

3） 一旦完成了随机分组，可在随机核查菜单中，开展随机错误的识别。利用计算机将随机结果与随机表（随机盲底）的数据进行一致性自动核对（算法二），发现随机号3的随机结果错误；

4） 发现错误后，***发起人工核对，以确认软件随机过程中发生的错误。

实施例二

动态随机的实现过程，以最小化随机方法为例进行介绍。最小化法的目标是减少对结果有较大影响的预后因素在组间分布的差别，从而减少这种差别对治疗作用的影响。试验研究在试验前先确定希望哪些重要的预后因素在各组基线水平尽可能一致，每例新患者分组时均根据已入组患者预后因素的分布综合评估组间的接近程度，调整分配概率使新患者分到能使组间预后因素相差最小的那一组中，故称为最小化法。

例如有一抗心绞痛药物临床试验，希望各组在年龄、性别和高血压三个方面趋于相等。已入组的18例患者于各因素分布如表6所示。现要进行分组的第19例患者为60岁男性，有高血压病。在A组中，与新患者在各因素的水平相同的例数综合为（5+4+5）=14例，在B组为（4+4+4）=12例，因此新患者分配到B组可使两组在上述三个因素方面的差别减小。

表6 各预后因素患者在A、B两组中的分配例数对照表

在此示例中，根据三个方面确定患者的分组：组间预后因素分布的差别、各组病例数和新患者分配到目标组的概率为P。为了说明方便，以两组临床试验为例说明最小化法的分组步骤，但实际上动态随机化方法同样适用于试验分组为多组的临床试验。

分组前应预先确定要考虑的预后因素、各因素的权重、分配到目标组的概率P（有文献推荐目标概率取3/4或2/3）。以抗心绞痛药的临床试验为例，希望各试验组在基线一致的因素有年龄、性别和高血压病，考虑各因素对治疗结果的影响不同，设定不同的权重：年龄为2、性别为1、高血压病为3；也可以设为等权重。另设定新患者将以P=0.75的随机概率分配到目标组（即能使组间病例数和预后因素的差别减至最小的试验组）中，而以1-P=0.25的概率分配到另一组。P的大小由研究者确定，也可取1.0，即新患者总是分配到目标组中。

（1）第一例患者按着简单随机化分配到试验组，以后所有病例按着最小化法分配。

（2）根据新患者的预后因素，计算衡量试验组间预后因素差别的参数M（t）：

式中f为需要考虑的预后因素个数，为各因素的权重。 为新患者分到试验组t后，两组患者于新患者在i因素上水平相同的例数之差的绝对值。本例中有3个预后因素，在A和B组中与新患者（第19例患者）的年龄在相同水平的各有5例和4例子，性别相同的各有4例，高血压各有5例和4例。新患者分到A组或B组所致的组间预后因素差异量M为：

M(A)=|(5+1)-4|×2+|(4+1)-4|×1+|(5+1)-4|×3=11

M(B)=| 5-(4+1)|×2+|4-(4+1)|×1+|5-(4+1)|×3=1

因为M(B)＜M(A)，B组为目标组，新患者按分配到B组的概率0.75，分配到A组的概率0.25进行随机分组。

（1）如果各组的M相同，则例数少的组为目标组。如果例数也相等，则按着相同的概率（0.5/0.5）随机分配到其中一组。

（2）在多中心临床试验中，如果要达到试验中心内各组例数接近，可将中心作为均衡因素之一，或设定允许的中心内组间例数差别最大范围，当超过该范围时新患者将按一定的随机概率（如0.8）或强制性（概率为1.0）分配到该中心例数少的组中。

（3）可设定试验组间允许的最大差别例数，当新患者按最小化法分组后导致组间病例数差别超过允许范围时，按较大的概率或强制性分配新患者到例数少的组中，但动态随机化在平衡预后因素的过程中，已能对病例数的平衡起很好的作用，通常不需要该步骤。

如果不考虑预后因素的权重，并且最后分配到目标组的随机概率为1，即新患者总是分到M小的一组，即为Taves的最小化法。

表7 动态随机错误识别可接受范围机制

如果根据算法一得出的随机结果在上述表7的可接受范围之内，则认为随机正确；如果随机结果在上述可接受范围之外，则认为随机错误，***报警；报警后，***发起人工检查。

实施例三

通过实施例一或实施例二方式对受试者随机化分组后进行药物发放。在发药的过程中，采用软件通过视频扫描或其他机制识别药物包装的唯一识别标识，并读取药物信息，然后软件自动启动药物发放结果（见表8）与正确的药物盲底（见表9）的比对。从而自动识别随机编号1-n的受试者药物发放的情况。识别结果正确则进行药物发放，一旦***识别错误，则进行报错。

在试验的过程中，由于试验人员原因导致发药错误。人员操作错误，比如药物管理人员药物发放工作的错误，药物登记错误、分配错误编号的药物等，均会导致药物发放错误。不同的随机号码，会依据正确的算法或预先设置指定相应的组别，比如A或B组，A组应当对应发放药物DA，B组应当发放药物DB。如下表8所示，实际发药中，随机号3的受试者应该分配到B组，由于取错了药物号码，错误发放了药物DA。***报错后，即发起人工核对，对发药错误进行人工确认。

表8试验中药物发放的结果

随机编号	试验分组	治疗药物
			1	A	DA
2	B	DB
			3	B	DA
…	A	DA
			n	B	DB

表9 正确药物盲底及相应的治疗药物

随机编号	试验分组	治疗药物
			1	A	DA
2	B	DB
			3	B	DB
…	A	DA
			n	B	DB

本发明的算法一并未穷举各种静态与动态随机算法，比如还有其他类型的随机算法。本发明没有穷举各种对随机算法的验证方法，不同的随机算法的错误均可以通过二次校验机制形成的计算机的程序所识别。 本发明也没有穷举治疗方法分配时错误的二次校验的方法，这些对治疗方法进行二次验证的机制能够被计算机所运行，从而识别治疗方法分配时发生的错误。

上述描述已经详细阐述了发明的说明和描述。它不是为了将本发明限制为所披露的形式和方式。按照以上的方式，可以进行相应的修改或更改。讨论实例是为了更好地说明本发明的原理及其实用性,从而利用本发明进行各种修改并满足其它特定的需求。所有这些修改和变化当依照公平和合法的权利解读，并且根据附加权利要求，这些修改和变化都属于本发明的范围内。

Claims (10)

1.一种临床研究受试者随机化分组及治疗方法分配的错误识别与纠正方法，其特征在于：

包含将受试者随机化分组的算法一以及用于验证算法一是否出错的算法二；

如果算法二验证算法一结果正确，则随机正确，完成分组；

如果算法二验证算法一结果错误，则出现随机错误，进行***报错；

其中算法一为随机算法，包括静态随机算法和动态随机算法；算法二包括计算机结果自动比对、结果可接受范围确认的逻辑算法、卡方检验算法，以及其他随机结果验证的计算机算法。

2.如权利要求1所述的临床研究受试者随机化分组的错误识别与纠正方法，其特征在于，所述算法一为静态随机算法，至少包含以下步骤：

1）根据算法一可生成随机表（后称随机盲底），也就是生成随机编号及对应的试验分组；

2）录入受试者信息，通过随机软件，根据随机算法自动生成一个随机编号，受试者获得一个随机编号，同时受试者通过随机编号指定到对应的治疗组别，产生随机分组结果；

3）一旦完成了随机分组，可启动软件的算法二。

3.如权利要求1所述的临床研究受试者随机化分组的错误识别与纠正方法，其特征在于，所述算法一为动态随机算法，该动态随机算法为最小化随机方法，该最小化随机方法至少包含以下步骤：

1）分组前应预先确定要考虑的预后因素、各因素的权重、分配到目标组的概率P；

2）第一例患者依据简单随机化分配到试验组，其余患者按最小化法分配；

3）根据新患者的预后因素，计算衡量试验组间预后因素差别的参数M（t）：

式中f为需要考虑的预后因素个数，为各因素的权重，为新患者分到试验组t后，两组患者于新患者在i因素上水平相同的例数之差的绝对值；

4）比较M值大小，M较小的组别t1为目标组，新患者按分配到t1组的概率P，分配到t2组的概率为（1-P）进行随机分组；如果M值相同，则例数少的组为目标组；如果例数也相等，则按着相同的概率（0.5/0.5）随机分配到其中一组。

4.如权利要求3所述的临床研究受试者随机化分组的错误识别与纠正方法，其特征在于：所述动态随机算法为偏币法或瓮法。

5.如权利要求2所述的临床研究受试者随机化分组的错误识别与纠正方法，其特征在于，所述算法二为计算机结果自动比对，将试验过程中产生的随机结果的数据与随机盲底中的数据进行一致性核查，该一致性核查通过数据比对自动完成；如果数据是一致的，就没有发生错误；反之如果不一致即出现随机错误。

6.如权利要求3所述的临床研究受试者随机化分组的错误识别与纠正方法，其特征在于：所述算法二为结果为可接受范围确认的自动逻辑算法或卡方检验算法，要求不同组别的亚组间患者的数量保持均衡，对于不同亚组设置加权值，将加权值不同的亚组的均衡性设置为一定范围，如果随机结果在此范围内，则认为随机正确；如果随机结果不在此范围内，则认为随机错误。

7.如权利要求2-6中任一项所述的临床研究受试者随机化分组的错误识别与纠正方法，其特征在于：发现随机错误***报错后进行自动报警；报警之后由人工进行组间均衡性判断。

8.如权利要求4-6中任一项所述的临床研究受试者随机化分组的错误识别与纠正方法，其特征在于：

***报错后，启动重新随机过程，再次进行随机；

***报错后，有选项阻止软件随机功能的继续运行；

***报错后，软件发起人工检查，识别错误并进行纠正；

***报错后，通过邮件和手机短信息的形式通知软件运维人员，确认软件的运行错误，并启动软件的修复流程。

9.如权利要求4-6中任一项所述的临床研究受试者随机化分组的错误识别与纠正方法，其特征在于：软件***的二次校验机制可以自动运行；软件制订自动核对时间间隔，每完成一个或多个随机，***自动启动验证及核对。

10.如权利要求4-6中任一项所述的临床研究受试者随机化分组的错误识别与纠正方法，其特征在于：随机化分组完成后，根据随机编号，患者将被指定到相应治疗组别，并在库存中选择相应组别治疗方法的编号，相应编号的治疗方法将通过人工分配给该患者；当治疗方法在分配的过程中，软件可以启动治疗方法分配自动核对机制，识别该分配的治疗方法是否与治疗方法盲底一致，如果治疗方法与治疗方法盲底不一致就是治疗方法分配错误；如果一致，则治疗方法分配正确。