이 글은 Schulz Ch.12 시리즈의 두 번째 글이다. Ch.12 개관 에서 제시한 큰 그림 중 무작위화의 역사적 기원과 세 가지 이점 (Schulz full md L:19007~19250) 을 깊게 다룬다. 다음 글 Ch.12.2 에서는 7 가지 무작위 배정 방법을 비교한다.
1 진입 직관 — 왜 무작위화는 비교적 최근의 발명인가
의학 연구의 역사는 길다. 갈레노스의 임상 관찰, 18 세기 James Lind 의 괴혈병 시험, 19 세기 Pasteur 의 백신 연구. 그러나 무작위 배정 이라는 개념은 1920~1940 년대에야 정립되었다. 의학 연구가 수천 년 존재해온 데 비해 무작위화는 100 년도 안 된 신생 개념이다.
왜 그렇게 늦게 등장했는가?: 임상의의 본능은 환자에게 가장 좋은 치료를 선택하는 것 이다. “어떤 환자에게 어떤 치료를 줄지” 를 동전 던지기로 결정한다 는 발상은 의학 윤리·임상 직관과 정면 충돌한다. 무작위화의 도입은 단순한 방법론 변화가 아니라 인식론적 혁명 이었다.
이 혁명을 일으킨 두 인물이 R.A. Fisher (통계학자) 와 Austin Bradford Hill (역학자) 이다. 두 사람의 작업이 어떻게 RCT 의 기초를 만들었는지 살펴본다.
2 R.A. Fisher 의 1920 년대 — 농업에서 시작된 무작위화
2.1 배경: Rothamsted 농업 실험소
20 세기 초, 영국 Rothamsted 실험소는 비료·품종·재배법의 효과를 연구하던 곳이다. 한 밭에서 비료 A 와 비료 B 를 비교하려 할 때 직면한 문제는 단순했다.
밭 위치 자체가 결과에 영향을 준다. 햇빛·토양 비옥도·배수가 위치마다 다르다. “비료 A 를 북쪽 절반에, 비료 B 를 남쪽 절반에” 식으로 배정하면, 결과 차이가 비료 효과인지 위치 효과인지 알 수 없다.
이 문제는 정확히 임상에서 “환자 baseline 차이” 와 같은 구조다. Fisher 의 천재성은 이 문제의 일반적 해결책 을 발견한 데 있다.
2.2 Fisher 의 통찰 — 무작위 배정은 모든 교란을 평균적으로 균형시킨다
Fisher 의 The Design of Experiments (1935) 에서 정리된 핵심 원리는 다음 세 가지다 (Schulz & Grimes, 2019, Ch.12, Panel 12.1).
| 원리 | 설명 | 비유 |
|---|---|---|
| Randomisation | 처치 배정을 확률 과정으로 | 동전 던지기 |
| Replication | 충분한 반복으로 변동 추정 | 표본 크기 |
| Local Control (Blocking) | 알려진 변이원을 층화 | 비슷한 위치끼리 묶어 비교 |
수식 직관: Fisher 의 통찰을 잠재적 결과 프레임워크로 표현하면:
\[E[Y(1)] - E[Y(0)] = \text{ATE (참 처치 효과)}\]
무작위 배정 하에서:
\[\bar{Y}_{T=1} - \bar{Y}_{T=0} \xrightarrow{n \to \infty} E[Y(1)] - E[Y(0)]\]
즉 측정된 표본 평균 차이 가 참 처치 효과 로 일치 수렴 (consistent estimator). 무작위 배정 없이는 이 일치성이 깨진다.
반사실 — 비료 시험: 만약 Fisher 가 “북쪽 = A, 남쪽 = B” 식으로 체계적 배정했다면? 결과 차이가 비료 효과인지 위치 효과인지 원리적으로 분리할 수 없다. 무작위 배정만이 위치 효과를 양 군에 평균적으로 균등 분배하여 이 분리를 가능케 한다.
2.3 농업에서 의학으로의 거리
Fisher 의 무작위화는 농업에서는 빠르게 수용되었지만, 의학 적용은 20 년 가까이 지연되었다. 의학적 저항의 이유:
- 윤리적 거부감 — “환자에게 동전 던지기로 치료 결정” 의 도덕적 부담
- 임상의 본능 — 개별 환자에 가장 적합한 치료를 판단 해야 한다는 의무감
- 인식의 부족 — 통계학자의 언어와 임상의의 언어가 분리되어 있었음
이 거리를 좁힌 인물이 Bradford Hill 이다.
3 Austin Bradford Hill — 1948 Streptomycin 시험
3.1 배경: 결핵의 시대
1940 년대 결핵은 사망률이 매우 높은 질병이었다. 1944 년 미국에서 streptomycin 이라는 새 항생제가 발견되었고, 이 약이 결핵 치료에 효과가 있을지 검증이 시급했다. 그러나 약은 매우 희귀했고, 환자 모두에게 줄 수 없었다.
윤리적 우연: 약이 부족했다는 사실 자체가 무작위 배정을 윤리적으로 정당화 했다. “약이 부족한데 누구에게 먼저 줄지” 의 결정은 임상의의 자의적 선택보다 공정한 추첨 이 더 정당하다는 논리.
3.2 Bradford Hill 의 설계
Hill 은 London School of Hygiene 의 의학 통계학자였다. 그는 Medical Research Council 의 결핵 streptomycin 시험 (1946~1948) 을 다음과 같이 설계했다 (Schulz & Grimes, 2019, Ch.12, MRC 1948 인용).
적격 환자: 폐결핵 환자 (15~30 세, 양 폐 침범)
↓
무작위 배정 (난수표 기반):
처치군 ─→ Streptomycin + Bed Rest (n=55)
대조군 ─→ Bed Rest only (n=52)
↓
6 개월 추적
↓
결과 측정:
- 사망률 (객관적)
- 흉부 X-ray 호전 (이중 평가자, 맹검)핵심 혁신:
- 공식적 무작위 배정 — 난수표 사용, 봉인된 봉투로 concealment
- 객관적 결과 — 사망률 + 맹검된 X-ray 평가
- 공식 출판 — British Medical Journal (1948)
3.3 결과
| 결과 | Streptomycin (n=55) | Bed Rest (n=52) |
|---|---|---|
| 6 개월 사망률 | 7% | 27% |
| X-ray 호전 | 51% | 8% |
이는 현대적 RCT 의 첫 공식 사례 로 기록되었다 (Doll 1998 의 “1948 watershed”).
반사실 — 무작위 배정 없었다면: 만약 임상의가 “더 위중한 환자에게 새 약” 을 선택적으로 배정했다면, 사망률 차이의 일부는 처음부터 존재한 baseline 차이 가 된다. 무작위 배정 덕분에 “7% vs 27%” 의 20% 포인트 차이가 순수 처치 효과 로 해석 가능했다.
역사적 의의: 이 시험이 의학계에 던진 메시지는 단순했다. “치료 효과를 알고 싶으면 무작위 배정 없이는 답할 수 없다.” 이후 30 년에 걸쳐 RCT 가 의학 연구의 gold standard 로 자리 잡았다.
3.4 Bradford Hill 의 명언
Schulz 가 인용하는 Hill (1954) 의 명언은 무작위화의 본질을 한 줄로 표현한다.
“having used a random allocation, the sternest critic is unable to say when we eventually dash into print that quite probably the groups were differentially biased through our predilections or through our stupidity.” — Hill (1954)
번역: 무작위 배정을 사용했다면, 우리가 결과를 발표할 때 가장 엄격한 비평가도 “두 군이 우리의 선호나 어리석음 때문에 차별적으로 편향되었을 수 있다” 고 말하지 못한다.
핵심: 무작위 배정은 연구자 자신 의 무의식적 편향으로부터 연구자를 보호한다. 이는 단지 “비평가에 대한 방어” 가 아니라 연구자가 자기 자신의 편향에 갇히지 않는 인식론적 도구 다.
4 Panel 12.2 — 무작위화의 세 가지 이점
Schulz 는 무작위화의 이점을 세 범주로 정리한다 (Schulz & Grimes, 2019, Ch.12, Panel 12.2).
4.1 이점 1: 편향 제거 (Bias Elimination)
가장 중요한 이점이다. 무작위 배정은 두 종류 편향을 차단한다.
4.1.1 Selection Bias (선택 편향) 차단
연구자가 어느 환자를 어느 군에 배정할지 선택하면, 두 군의 baseline 특성이 처음부터 다를 수 있다.
사례: “더 건강해 보이는 환자에게 새 약” 식 배정. 새 약 군의 사망률이 낮게 나와도 그 일부는 처음부터 더 건강한 환자가 거기 있었기 때문.
4.1.2 Confounding (교란) 차단
처치와 결과 모두에 영향을 주는 제3의 변수 가 효과를 왜곡한다.
수식 직관:
\[E[Y | T=1] - E[Y | T=0] = \underbrace{E[Y(1)] - E[Y(0)]}_{\text{ATE}} + \underbrace{E[Y(0) | T=1] - E[Y(0) | T=0]}_{\text{baseline 차이 (편향)}}\]
무작위 배정 하에서 두 번째 항은 0 으로 수렴한다 (\(T \perp Y(0)\)). 비무작위 배정에서는 이 항이 0 이 아니므로 측정된 차이가 ATE 가 아니다.
반사실: 흡연 → 폐암 의 관찰 연구에서 흡연자들이 음주·운동 부족·식이 등에서 비흡연자와 다르다. 폐암 발생률 차이의 일부는 흡연 효과지만, 일부는 동반 행동의 효과. 분리 불가능. 무작위 배정 임상시험에서는 이 분리가 가능하다.
4.1.3 “측정되지 않은 변수까지 균형” 의 마법
무작위 배정의 가장 강력한 점은 측정되지 않은 (unmeasured) 변수 까지 평균적으로 균형시킨다는 것이다.
직관: 만약 알려지지 않은 유전적 요인이 결핵 사망률에 영향을 준다고 하자. 무작위 배정은 이 요인을 우리가 알지 못해도 두 군에 평균적으로 균등 분배한다. 관찰 연구에서 “측정된 confounder 만 통제 가능” 한 한계와 정반대의 강점.
4.2 이점 2: 맹검 (Blinding) 의 가능성
무작위 배정 없이는 누가 어느 군에 배정되었는지 예측 가능 하므로 맹검이 무의미하다.
사례: “월·수·금 입원 = 새 약, 화·목·토 = 표준 약” 식 배정. 약사·간호사·환자 모두 입원 요일로 처치를 알 수 있다. Placebo 동등 약을 써도 맹검 무력화.
반사실 — 적절한 무작위 + concealment 시: 약사가 sequence 를 모르고 봉인된 봉투를 열 때마다 다음 환자의 처치를 확인하는 시스템. 환자·간호사도 어느 군인지 모름. 이 지식의 차단 만이 placebo 효과·관측자 편향을 막는다.
Schulz 의 강조: 맹검은 무작위 배정의 결과 가 아니라, 무작위 배정이 가능케 하는 기술적 전제 조건. 무작위 배정 없이 맹검만 시도하는 것은 의미 없다.
4.3 이점 3: 확률 이론의 적용 (Probability Theory)
세 번째 이점은 통계적이다. 무작위 배정은 p-value · 신뢰구간 · 유의성 검정 의 이론적 기반 이다.
수식 직관: 두 군 평균 차이 \(D = \bar{Y}_T - \bar{Y}_C\) 의 귀무가설 분포 를 알아야 p-value 계산 가능. 무작위 배정 하에서:
- 귀무가설: 처치 효과 없음, 즉 \(Y(1) = Y(0)\)
- \(D\) 의 분포는 순열 분포 (permutation distribution) — 모든 가능한 무작위 배정 결과의 분포
비무작위 배정에서는 이 분포를 유도할 수 없다. 통계적 추론의 기반이 무너진다.
직관: p-value 는 본질적으로 “만약 귀무가설이 참이라면, 이 정도 차이가 우연히 발생할 확률” 이다. 우연 의 정의는 무작위 배정에서 온다. 무작위 배정 없이는 우연 자체를 정의할 수 없다.
4.4 세 이점의 누적 효과
세 이점은 독립적이지 않고 누적 된다.
편향 제거 (1)
↓
신뢰할 수 있는 baseline 균형
↓
맹검 가능 (2)
↓
관측 단계 편향 차단
↓
확률 이론 적용 (3)
↓
"이 차이는 우연인가?" 의 정량 답변
↓
작거나 중간 효과의 신뢰성 있는 검출 가능so what: RCT 가 작은 효과의 검출 에 특히 강한 이유가 이 누적 효과다 (Peto, 1987). 관찰 연구는 RR 2.0 이하의 약한 연관에서 편향에 압도되어 신뢰도 낮음 (Schulz Ch.7). RCT 만이 작은 효과를 신뢰성 있게 식별 가능.
5 Quasirandom 의 함정 — 흔한 비무작위 방법들
Schulz 는 “quasirandom” 이라는 용어를 강하게 비판한다.
“Quasirandom 은 quasipregnant 와 같다 — 둘 다 정의 자체가 모순이다.” (Schulz & Grimes, 2019, Ch.12)
임신은 yes/no 의 이분 상태이지 “약간 임신” 은 없다. 무작위화도 마찬가지다. 적절한 무작위화 미만은 모두 비무작위 다.
5.1 흔히 무작위로 위장된 비무작위 방법들
| 방법 | 형태 | 비무작위인 이유 |
|---|---|---|
| Date of birth | 짝수일 → A, 홀수일 → B | 출생일은 시즌·주중 분포 균일 X (MacFarlane 1978) |
| Day of week | 월·수·금 → A, 화·목·토 → B | 요일별 환자 특성 (응급 vs 정기) 차이 |
| Case record number | 짝수 번호 → A, 홀수 → B | 등록 순서 패턴이 시기·기관별 편향 |
| Alternation | 첫 환자 A, 둘째 B, 셋째 A, … | 다음 배정이 완전히 예측 가능 |
| Order of presentation | 도착 순서로 A, B, A, … | Alternation 과 동일 |
| Pre-intervention test | 시험 전 검사 결과로 군 결정 | 편향의 정의 — 가장 위험 |
5.2 왜 alternation 은 편향을 일으키는가? — 메커니즘 분해
Alternation 은 흔히 “공정한 배정” 으로 보인다. 그러나 예측 가능성 이 편향의 진입 통로다.
시나리오: 모집 인력이 “다음 환자는 B 군 (표준 치료)” 임을 안다. 환자가 도착했을 때 “이 환자는 위중하니 B 보다 A 가 나을 것 같다” 라는 임상적 직관이 들면, 모집 인력은 이 환자를 등록 연기 또는 제외 할 수 있다. 다음 환자 (A 군 배정) 가 등록된다. 결과:
- A 군에 더 위중한 환자가 비대칭적으로 배정됨
- A 군 결과가 B 군보다 나빠 보임
- “A 가 효과 없음” 이라는 잘못된 결론
이는 의식적 부정이 아니다. 임상적 선의가 무의식적 편향을 만든다. 무작위 배정 + concealment 만이 이 편향을 차단한다.
5.3 MacFarlane (1978) — 출생일은 무작위가 아니다
흥미로운 사례. MacFarlane (1978) 은 영국·웨일스의 출생일 분포를 분석하여:
- 주중 출생이 주말보다 체계적으로 많음 (제왕절개 일정으로 인한 패턴)
- 시즌별 출생률 차이 (봄·여름이 가을·겨울보다 많음)
함의: “출생일 짝/홀로 군 배정” 은 두 군에 체계적으로 다른 환자 특성 을 분배할 수 있다. 예를 들어 주말 출생자 (주중 출생보다 합병증 위험 높음, 특정 인구학적 특성 다름) 가 한 군에 더 많이 들어갈 수 있다.
5.4 Schulz 외 (1995) — 충격적 메타분석
Schulz, Chalmers, Grimes, Altman (1995) 이 obstetrics·gynecology 학술지의 RCT 보고서를 분석한 결과 (Schulz & Grimes, 2019, Ch.12 인용):
| 항목 | 비율 | 의미 |
|---|---|---|
| 무작위 방법을 명시한 보고서 | 37% | 63% 가 방법 미명시 |
| 비무작위 방법을 “무작위” 로 보고 | 5% | 명시한 보고서 중 |
충격: 출판된 의학 RCT 의 다수가 어떤 무작위 방법을 썼는지 명시하지 않는다. 그리고 명시한 보고서의 5% 는 비무작위 방법을 “무작위” 로 잘못 표기. 즉 RCT 라는 이름의 보고서가 실제로는 RCT 가 아닐 수 있다.
CONSORT 의 동기: 이 충격적 발견이 CONSORT (Consolidated Standards of Reporting Trials) 표준화의 직접 동기가 되었다. CONSORT Item 8a 는 무작위 배정 순서 생성 방법 을 보고하도록 강제한다 (Ch.22 에서 깊이 다룸).
5.5 Empirical Evidence — Schulz 외 (1995) 의 또 다른 발견
Schulz, Chalmers, Hayes, Altman (1995) 이 JAMA 에 발표한 연구는 더 충격적이다.
무작위 배정 또는 concealment 가 부적절한 시험은 치료 효과를 평균 41% 과대 추정 했다.
반사실: 만약 한 신약의 진짜 효과가 사망률 20% 감소라면, 부적절한 RCT 에서는 28% 감소로 측정될 수 있다. 의사·환자가 실제보다 더 효과적 이라고 믿게 되어 잘못된 임상 결정으로 이어진다. 무작위 배정 적절성은 통계 정밀성 의 문제가 아니라 임상적 진실 의 문제다.
6 IT / 디지털 실험 매핑 — 무작위 배정의 동형
| 역학 (RCT) | IT (A/B Test) | 비고 |
|---|---|---|
| 난수표 기반 sequence | Pseudo-random hash function | MD5, SHA, MurmurHash |
| Coin tossing | Math.random() | 단순 시뮬레이션 |
| Quasirandom (date) | “user_id 짝수/홀수” 식 단순 분할 | 다양한 사용자 특성과 상관 가능 |
| Quasirandom (alternation) | “도착 순서 round-robin” | 시간대 사용자 특성 차이 노출 |
| MacFarlane 의 출생일 분포 | “user_id 분포의 비균일성” | 사용자 ID 부여 시기·시스템 편향 |
| Schulz 외 41% 과대 추정 | A/A test 실패 시 효과 과대 추정 | Platform validation 필수 |
왜 동형인가?: 두 영역 모두 “예측 가능한 배정 → 무의식적 선택 편향” 의 동일 메커니즘. IT 는 자동화 덕분에 hash function 같은 진짜 무작위 도구를 쉽게 사용 가능하지만, user_id 자체의 분포 비균일성 같은 미묘한 편향이 있을 수 있어 A/A test 가 필수.
A/A test 의 본질: 임상의 적절한 무작위 배정 검증 (baseline 비교) 의 IT 버전. 두 군에 같은 처치 를 할당하여 baseline 차이가 통계적으로 유의하지 않은지 사전 검증.
7 코드 예시 — 무작위화 3 이점의 시뮬레이션
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
np.random.seed(42)
# 시뮬레이션 설정: 결핵 시험과 비슷한 시나리오
N = 100 # 환자 수
true_effect = 0.20 # 새 약의 진짜 효과 (사망률 20% 감소)
# Baseline 위험 (환자별 기저 사망 확률)
# 0~1 사이 균등 분포 — 환자마다 다른 위험
baseline_risk = np.random.uniform(0, 1, N)
# 잠재적 결과
Y_0 = (np.random.random(N) < baseline_risk).astype(int) # 처치 없을 때 사망
Y_1 = (np.random.random(N) < baseline_risk * (1 - true_effect)).astype(int) # 처치 시 사망
# === 1. 무작위 배정 ===
T_random = np.random.choice([0, 1], size=N)
mort_T = Y_1[T_random == 1].mean()
mort_C = Y_0[T_random == 0].mean()
print(f"[무작위] 사망률 처치={mort_T:.2%}, 대조={mort_C:.2%}, 차이={mort_C-mort_T:.2%}")
# === 2. 비무작위 배정 (선택 편향) — 위험 낮은 환자에게 새 약 ===
T_biased = (baseline_risk < np.median(baseline_risk)).astype(int)
mort_T_b = Y_1[T_biased == 1].mean()
mort_C_b = Y_0[T_biased == 0].mean()
print(f"[비무작위] 사망률 처치={mort_T_b:.2%}, 대조={mort_C_b:.2%}, 차이={mort_C_b-mort_T_b:.2%}")
print("→ 비무작위는 효과를 과대 추정")
# === 3. Alternation (예측 가능 → 편향 가능) ===
T_alt = np.array([i % 2 for i in range(N)])
print(f"\n[Alternation] T 패턴: {T_alt[:10]} ... 완전히 예측 가능")
# === 4. 1000 회 시뮬레이션 — 무작위 vs 비무작위 평균 ===
n_sim = 1000
diffs_random = []
diffs_biased = []
for _ in range(n_sim):
baseline_risk = np.random.uniform(0, 1, N)
Y_0 = (np.random.random(N) < baseline_risk).astype(int)
Y_1 = (np.random.random(N) < baseline_risk * (1 - true_effect)).astype(int)
# 무작위
T_r = np.random.choice([0, 1], size=N)
Y_r = Y_1 * T_r + Y_0 * (1 - T_r)
diffs_random.append(Y_r[T_r==0].mean() - Y_r[T_r==1].mean())
# 비무작위 (선택 편향)
T_b = (baseline_risk < np.median(baseline_risk)).astype(int)
Y_b = Y_1 * T_b + Y_0 * (1 - T_b)
diffs_biased.append(Y_b[T_b==0].mean() - Y_b[T_b==1].mean())
print(f"\n[1000 회 평균 추정 효과]")
print(f"진짜 효과 (ATE): ~{true_effect * 0.5:.1%}") # baseline 평균 0.5 가정
print(f"무작위: {np.mean(diffs_random):.3f} ± {np.std(diffs_random):.3f}")
print(f"비무작위: {np.mean(diffs_biased):.3f} ± {np.std(diffs_biased):.3f}")
print("→ 무작위는 진짜 효과 근처, 비무작위는 과대 추정")
# === 5. p-value 계산은 무작위 배정 하에서만 의미 ===
# 한 시뮬레이션 결과의 t-test
T_r = np.random.choice([0, 1], size=N)
baseline_risk = np.random.uniform(0, 1, N)
Y_0 = (np.random.random(N) < baseline_risk).astype(int)
Y_1 = (np.random.random(N) < baseline_risk * (1 - true_effect)).astype(int)
Y_obs = Y_1 * T_r + Y_0 * (1 - T_r)
t_stat, p_val = stats.ttest_ind(Y_obs[T_r==1], Y_obs[T_r==0])
print(f"\n[p-value] t-test (무작위): t={t_stat:.2f}, p={p_val:.3f}")
print("→ 이 p-value 의 해석은 *무작위 배정* 이라는 전제 위에 성립")이 코드는 (1) 무작위 vs 비무작위의 추정 효과 차이, (2) 선택 편향의 방향과 크기, (3) p-value 의 무작위 배정 의존성 을 통합 시뮬레이션한다.
8 결론 — 역사가 가르쳐주는 것
무작위화는 통계 도구가 아니라 인식론적 도구다.
Fisher 가 농업에서 무작위화를 정립한 것은 단지 “통계 공식의 발견” 이 아니다. 연구자의 무의식적 편향에서 결과를 보호하는 방법 의 발견이다. Hill 이 의학에 적용한 것도 임상의 본능을 거역하는 인식론적 결단 이다.
Schulz Ch.12 의 메시지를 한 단락으로 정리하면:
RCT 의 모든 신뢰성은 무작위 배정의 적절성 에 달려 있다. 이는 sample size 계산보다, 측정 도구의 정확성보다, 통계 분석의 정교함보다 더 근본적이다. 무작위 배정이 부적절하면 모든 후속 분석은 기초가 무너진 건물 이다. Quasirandom (date·alternation·case number) 은 무작위가 아니다 — 절반의 무작위 같은 것은 없다. 그리고 무작위 배정이 적절해도 concealment (Ch.14 의 주제) 가 부실하면 의미 없다. 두 단계 모두 적절해야 비로소 RCT 의 세 가지 이점 (편향 제거 · 맹검 가능 · 확률 이론) 이 실현된다.
다음 글에서는 이 무작위화의 구체적 실행 방법 — Simple, Block, Urn, Stratified 등 7 가지 방법 의 비교를 다룬다.
9 관련 주제
선행 지식
Phase C 후속 글
- 무작위 배정 방법 비교 — Simple · Block · Urn · Stratified
- SCH Ch.13 비맹검에서의 추측 위험 (placeholder)
- SCH Ch.14 Allocation Concealment (placeholder)
다른 카테고리 연결
- Lady Tasting Tea + Randomization (Phase A MAX2-1) — Fisher 의 무작위화 직관 (placeholder)
- A/A Testing — IT 의 platform 검증 (placeholder)
10 참고문헌
- Schulz, K. F. & Grimes, D. A. (2019). Essential Concepts in Clinical Research (2nd ed.), Ch.12. Elsevier.
- Fisher, R. A. (1935). The Design of Experiments. Oliver & Boyd.
- Hill, A. B. (1952). The clinical trial. N. Engl. J. Med. 247, 113-119.
- Hill, A. B. (1954). The clinical trial. (인용된 명언 출처)
- Medical Research Council. (1948). Streptomycin treatment of pulmonary tuberculosis. BMJ 2, 769-782.
- Doll, R. (1998). Controlled trials: the 1948 watershed. BMJ 317, 1217-1220.
- MacFarlane, A. (1978). Variations in number of births and perinatal mortality by day of week in England and Wales. Br. Med. J. 2, 1670-1673.
- Schulz, K. F., Chalmers, I., Grimes, D. A., Altman, D. G. (1994). Assessing the quality of randomization from reports of controlled trials published in obstetrics and gynecology journals. JAMA 272, 125-128.
- Schulz, K. F., Chalmers, I., Hayes, R. J., Altman, D. G. (1995). Empirical evidence of bias: dimensions of methodological quality associated with estimates of treatment effects in controlled trials. JAMA 273, 408-412.
- Peto, R. (1987). Why do we need systematic overviews of randomized trials? Stat. Med. 6, 233-244.