如果要把一批患者随机分成治疗组和对照组，抛硬币看似最公平，却可能碰巧把病情较重的人集中到一组。试验没有作弊，比较却会变得更嘈杂。现在，一项研究提出：先从历史患者中学习哪些特征更能预测结局，再让这些经验参与新试验的随机分组；分完组后，还用一套配套的 Bootstrap 方法衡量结果有多不确定。
这里的“历史数据参与分流”容易被误解。历史患者不会被塞进新试验，也不是充当历史对照。研究只是用历史数据训练一个预后评分，再把评分纳入新受试者的分组规则。以下效果均来自 Seya、Taguri、Togo 和 Kamatani 的同一篇 arXiv 论文，尚无独立信源交叉验证。
随机分组也会碰上手气问题
普通随机化会让每名受试者随机进入治疗组或对照组。长期看，两组应当相似；但一项具体试验的样本有限，仍可能出现偶然失衡。
为此，许多试验使用协变量自适应随机化（covariate-adaptive randomization，CAR）。“协变量”是干预前已经知道、又可能影响结果的特征，例如年龄或病情。CAR 仍然随机，但会参考此前受试者的特征和分组，在新受试者到来时，更偏向能缩小两组差异的安排。
问题在于，要平衡的特征可能很多，其中还有连续变量。逐项兼顾，就像分班时同时追求年龄、成绩和其他条件都一样，规则会越来越复杂。论文还指出，在有限样本中，直接平衡多个协变量反而可能降低估计精度。已有方法所谓的“最优精度”，也依赖一个较强条件：结局的条件均值能够由分组规则使用的协变量特征线性表达。现实关系若是非线性的，这个条件未必成立。
不逐项配平，先压成一张分数
作者的关键做法，是用个体级历史数据训练预后评分（prognostic score）——根据干预前特征预测结局倾向的一维分数。它把多个协变量压缩到一个数，并让与结局关系更强的特征占更大权重。
可以把它理解成分组前的一张“综合风险分”。新受试者依然随机进入两组，但算法会关注：把这个人放到哪边，更有利于缩小两组综合风险的差异。这样不必机械地让每项特征分别对齐。
论文提出了三种方法，分别称为 PROCAR1、PROCAR2 和 PROCAR3。三者都把历史数据训练出的预后评分写进“不平衡度量”，也就是衡量两组差得有多远的尺子。PROCAR1沿用既有 CAR 框架；PROCAR2从半参数有效估计量的增广项出发，同时追求组间人数和预后评分平衡；PROCAR3把这两个目标分开处理，避免它们因量纲不同而互相干扰。当两组人数差超过预设容忍值时，它优先补人数较少的一组；人数已足够接近时，再重点平衡预后评分。
作者称，这些规则即使遇到模型设定错误或数据分布变化，仍能保持平均处理效应（average treatment effect，ATE）估计的一致性。ATE 指同一人群接受处理和不接受处理时，结果差异的总体平均值。模型是否合适，主要影响精度能提升多少，而不是把研究目标换掉。
分流规则变复杂，误差也要重新算
CAR 带来另一道难题：每个人的分组概率会受此前分组和协变量影响，因此受试者之间的分配不再彼此独立。若分析时忽略这种依赖，假设检验和置信区间可能过于保守。
Bootstrap 是常见的不确定性评估方法：从已有样本中反复有放回地抽取数据，观察估计结果怎样波动。既有做法往往要在每个 Bootstrap 样本中重新跑一次治疗分配；面对连续协变量，这会让区间估计难以实施。
作者改为使用“不等概率重抽样”。直观地说，某位受试者的“协变量—治疗分配”组合若符合原 CAR 规则、能够减少失衡，就更容易在重抽样中出现；若会增加失衡，抽中的概率就更低。它不在每轮重新分配治疗，而是通过抽样权重复现原来的分流机制。
证据目前说明了什么
模拟实验比较了普通随机化 SR、既有的 COVCAR，以及三种 PROCAR。所有方法在分析阶段都使用未经协变量调整的 ATE 估计量。按论文报告，PROCAR1—3 的预后平衡和相对效率均优于既有分配设计，效率接近使用历史数据训练预后模型、再在分析阶段调整的半参数有效估计量；PROCAR3 在小样本中略好。
在区间估计实验里，普通 Bootstrap 高估方差，给出的区间偏保守；不等概率 Bootstrap 的覆盖率接近标称水平。各样本量下，普通方法与新方法的平均置信区间宽度之比约为 1.2，意味着新方法给出的区间更窄。不过论文正文材料没有给出具体覆盖率和各组精度提升幅度。
作者还用 Clazosentan 试验数据做了应用展示。Clazosentan 用于接受动脉瘤性蛛网膜下腔出血夹闭手术的患者。研究以二期试验中 118 名接受 10 mg/hr Clazosentan 或安慰剂的受试者作为历史数据，用三期试验 220 名受试者的协变量作为当前试验数据，再用五种方法重新生成分组。重复改变随机种子并分配 500 次后，三种 PROCAR 的预后评分失衡小于既有方法。配套 Bootstrap 也更接近 PROCAR1 多次分配形成的分布；普通 Bootstrap 得到的分布反而更像普通随机化。
这不是前瞻性地重新运行 Clazosentan 试验，而是基于既有数据的重新分配展示。它证明的是方法在这组数据上的表现，不是药物效果的新证据。
为什么值得关注
这项工作的变化不在于取消随机，而在于让随机化更会利用旧经验。历史数据过去更多用于试验结束后的分析；这里，它被提前到分组阶段，帮助平台决定怎样随机得更均衡。作者又把推断环节一并补上，使“怎么分”和“分完后怎么算误差”对应起来。
如果这一路线经更多研究验证，它可能让实验平台在不改变 ATE 研究目标的前提下，减少偶然失衡造成的噪声。尤其值得注意的是，方法没有要求预后评分必须来自传统回归；论文称，只要满足其一致性条件，也可以使用机器学习模型。
局限与未知
- 全部效果论断来自同一篇论文。材料没有报告关键精度增幅、具体覆盖率或置信区间，因而“更准确”“更高效”目前主要是作者依据模拟和应用展示得出的结论。
- 历史人群与当前试验若发生结局关系变化，预后评分就可能不再适用，精度收益会受限。历史数据还可能缺少当前试验的重要变量或变量水平。作者因此强调，应尽量选择与当前试验相似的历史数据。
- Clazosentan 部分是对既有数据的重新分配，不是前瞻性真实分流。方法在不同疾病、结局类型和实际实验平台中的表现，仍需进一步检验。