Efficient Response-Adaptive Randomization for Multi-arm Trials with Prioritized Composite Endpoints
Newcastle University(纽卡斯尔大学)
该研究将高效响应自适应随机化设计扩展至多臂试验的优先复合终点,通过结合序贯Hájek投影与鞅技术,在模拟中较单一终点设计更高效分配至优效治疗,且保持I类错误与效能。
2026-08-13 math.ST stat.ME stat.TH
Is 1:1 Always Most Powerful? Why Careful Determination of Allocation Ratios Matters in Trial Design
MRC Biostatistics Unit, University of Cambridge(剑桥大学医学研究委员会生物统计学单位);MRC-NIHR Trials Methodology Research Partnership(医学研究委员会-国家卫生研究院试验方法研究伙伴关系)
本文指出在结果方差不等时偏离1:1分配可维持或提高统计功效并增加参与者益处,通过二分类和连续终点的案例模拟证明不等比例分配能提升优效治疗比例且不损失功效。
2025-10-14 stat.ME
Adaptive treatment allocation and selection in multi-arm clinical trials: a Bayesian perspective
临床试验是一种基于精心设计的实验证据做出明智决策的工具。在这里,我们主要从多组II期临床试验的角度考虑适应性设计,其中将一种或多种实验治疗与对照进行比较。假设个体试验受试者的治疗分配根据固定区组随机化进行,尽管有一个重要的扭曲:在每个测量结果后,根据相应模型参数的后验分布评估每个治疗组的性能。然后根据预定义的标准并使用关节后部作为此类评估的基础,将不同的治疗组相互比较。如果发现治疗明显劣于当前最佳候选治疗,则可以暂时或永久关闭该治疗,不再增加参与者。后一种可能性提供了一种适应性治疗选择的方法,包括提前停止试验。本文的主要发展是在二元结果方面,但也讨论了一些扩展,特别是处理事件发生时间数据。列报方式在很大程度上是比较性和暂时性的。
2021-08-30 stat.ME
Multi-objective optimal designs in comparative clinical trials with covariates: The reinforced doubly adaptive biased coin design
本文讨论的问题,分配患者到两个竞争的治疗中存在的协变量或预后因素,以实现良好的权衡之间的伦理问题,推理精度和随机性的治疗分配。特别是,我们提出了一个多用途的设计方法,结合效率和道德收益时,采用的线性同方差模型与治疗/协变量之间的相互作用和协变量之间的相互作用。随后的复合最优分配的治疗取决于协变量和他们的分布在人口的利益,以及对未知参数的模型。因此,我们引入了加强双自适应有偏硬币设计,即一般类的协变量调整的响应自适应程序,包括连续和不连续的随机化函数,旨在针对任何期望的分配比例。该建议的属性进行了描述,理论上和通过模拟。
2012-08-16 math.ST stat.ME stat.TH
Revisiting Optimal Allocations for Binary Responses: Insights from Considering Type-I Error Rate Control
本研究针对响应自适应设计加剧I类错误率膨胀的未被记录问题,推导两种结合得分检验与有限样本估计量的最优分配比例,经模拟验证可在控错的同时提升患者结局,且框架可拓展至多类场景。
2025-06-01 math.ST stat.AP stat.ME
Adaptive Clinical Trials: Exploiting Sequential Patient Recruitment and Allocation
UCLA(加州大学洛杉矶分校)
随机对照试验(RCTs)是比较新疗法与当前疗法(对照)有效性的金标准。大多数随机对照试验将患者按统一的随机化原则分配到治疗组和对照组。我们表明,如果患者可以在队列中招募(而不是一次全部招募),则此过程可能是高度次优的(就学习而言),在招募下一个队列之前可以观察到对每个队列的影响,并且在可识别的患者亚组中效果是异质的。我们制定的病人分配问题作为一个有限阶段的马尔可夫决策过程,其目标是最小化给定的加权组合的类型I和第二类错误。因为找到这个马尔可夫决策过程的精确解在计算上是困难的,我们提出了一个算法- \textit{Knowledge Gradient for Randomized Controlled Trials}(RCT-KG)-产生一个近似的解决方案。我们说明了我们的算法与伯努利结果的合成数据集,并将其与均匀随机化。对于给定的试验规模,我们的方法实现了显着减少错误,并达到规定的置信水平(在确定治疗是否优于对照),我们的方法需要更少的患者。我们的方法使用从对先前队列的影响中学到的知识,以促进更有效学习的方式将患者招募到亚组并在亚组内分配患者(治疗/对照)。
2018-10-18 cs.LG stat.ML
Imbalanced Randomization in Clinical Trials
随机化是临床试验中用于消除患者人群中潜在偏倚和混杂因素的常用技术。平均分配给治疗组是标准,因为在许多情况下其效率最佳。然而,在某些情况下,不平等的分配可以提高效率。在两组以上的优效性试验中,最佳随机化并不总是均衡随机化。在非劣效性试验中,等方差的加性界值是唯一的平衡随机化实例。非劣效性试验的最佳随机化可能远远不是1:1,并且可以大大提高效率,这是一个通常被忽视的事实。在http://www.statlab.wisc.edu/shiny/SSNI/上提供了一种用于计算具有正态分布、二项分布或泊松分布的加法或乘法界值的非劣效性试验的样本量的工具。
2018-09-18 stat.AP
A Novel Statistical Test for Treatment Differences in Clinical Trials using a Response Adaptive Forward Looking Gittins Index Rule
反应适应性临床试验最常见的目标是通过在积累数据的基础上改变分配机会,确保试验中的患者有很大的机会接受最佳治疗。由于治疗分配的高度不平衡,在研究结束时检测治疗差异时,从频率论的角度来看,产生良好患者受益特性的方法具有低功效。在这项工作中,我们开发了一种替代成对检验的基础上,协变量调整的响应自适应随机化与前瞻性Gittins指数规则(CARA-FLGI)的分配概率的治疗差异。新的测试的性能进行了评估,在模拟双臂研究,然后说明其应用到多臂研究。当使用这类非近视反应适应时,所提出的测试比传统的Fisher精确测试具有显著提高的功效。我们还发现,该测试的权力是接近的权力下的Fisher精确检验等随机化。
2020-11-06 stat.AP stat.ME
Information-adaptive clinical trials: a selective recruitment design
我们提出了一种新的适应性设计的临床试验与时间到事件的结果和协变量(可能包括或包括生物标志物)。我们的方法是基于比例风险模型的后验分布的期望熵。预期熵被评估为患者的协变量的函数,并且由于患者而获得的信息被定义为相应熵的减少。只有在候选患者可能提供足够信息的情况下,才能招募他们参加试验。筛选出具有被认为无信息的协变量的患者。一个特殊的情况是,所有患者都被招募,我们确定最佳的治疗组分配。这种自适应设计的优点是,可以使用较少的患者来阐明协变量、治疗和生存概率之间的关系,尽管这是以拒绝一些候选人为代价的。我们使用德国乳腺癌研究组的数据和生物标志物验证试验的数值模拟来评估我们的自适应设计的性能。
2016-03-28 math.ST stat.AP stat.TH
Group Efficient Randomized-Adaptive Designs with Delayed and Missing Responses
School of Statistics and Data Science, Zhejiang Gongshang University(浙江工商大学统计与数据科学学院)
提出一种基于ERADE的群组响应自适应设计,通过固定时间间隔招募和动态更新分配概率,处理延迟和缺失响应,保留原设计的渐近性质。
2026-06-18 math.ST stat.TH
An information-theoretic approach for selecting arms in clinical trials
在不同的选择中选择“最佳”的问题是统计学中的一个常见问题。在药物开发中,我们的激励设置,问题变成了,例如:什么剂量会给我预先规定的毒性风险,或者哪种治疗方法的反应率最好。出于最近的发展加权信息测度理论,我们提出了一个试验设计的基础上,一个简单而直观的标准,管理臂选择的实验与多项的结果。该标准导致准确的手臂选择没有任何参数或单调性假设。针对不同的分配规则研究了设计的渐近性质,并在具有二元终点的I期和II期临床试验的模拟中评价了小样本量行为。我们比较目前使用的替代品,并讨论其实际实施所提出的设计。
2018-03-14 math.ST stat.ME stat.TH
Implementing Response-Adaptive Randomisation in Stratified Rare-disease Trials: Design Challenges and Practical Solutions
本文针对分层罕见病试验中实施响应自适应随机化的实际挑战,提出映射策略将随机化概率离散化为分配比率向量以改善小样本下的频率误差,并分析了缺失数据对期中分析后适应性调整的影响,同时讨论了数据合并、盲法与安全性报告等实际问题。
2025-07-07 stat.AP stat.ME
Exact statistical analysis for response-adaptive clinical trials: A general and computationally tractable approach
本文提出一种适用于二分类结局两臂应答适应性试验的通用精确检验框架,可处理延迟结局、早期停止和区组分配,并在千例规模试验中高效计算。
2025-03-17 stat.ME
Sample size determination in superiority or non-inferiority clinical trials with time-to-event data under exponential, Weibull and Gompertz distributions
为了检验指数分布、Weibull分布和Gompertz分布对具有至事件发生时间数据的优效性试验(ST)或非劣效性试验(NT)的样本量确定的影响,我们分别给出了基于Weibull分布和Gompertz分布的ST或NT的两个样本量公式。将这些公式与当前的指数公式进行比较,以检查它们的性能。仿真结果表明,基于韦布尔分布的样本量公式在ST或NT中的稳健性最好。我们建议,提前认识到适当的分布是有益的,适当的项目规划,并假设威布尔分布的生存时间是最有利的ST或NT。
2018-08-11 stat.AP
Interim Monitoring in Sequential Multiple Assignment Randomized Trials
序贯多分配随机试验(SMART)有助于同时比较多种适应性治疗策略(ATS)。以往的研究已经建立了一个框架来测试的同质性多个ATS的全球Wald测试通过逆概率加权。由于多阶段治疗随机化的顺序性,SMART通常比经典临床试验更可靠。因此,如果观察到压倒性疗效,增加中期分析将是有益的,允许提前停止。我们将组序贯方法引入SMART,以促进基于多变量χ 2分布的中期监测。模拟研究表明,与经典SMART相比,SMART(IM-SMART)中拟议的中期监测保持了预期的第一类错误和功效,预期样本量减少。最后,我们通过重新分析SMART来说明我们的方法,评估认知行为和物理治疗对膝关节骨关节炎和共病亚综合征抑郁症状患者的影响。
2021-08-02 stat.ME
Design and inference for multi-arm clinical trials with informational borrowing: the interacting urns design
Università degli Studi di Milano(米兰大学);University of Bologna(博洛尼亚大学);IMT School for Advanced Studies Lucca(卢卡高等研究学院);Università degli Studi di Milano-Bicocca(米兰比可卡大学)
本文提出一种基于交互式瓮系统的新型分层比较试验设计方法,通过信息借用增强早期疗效信息交换、自适应调整分配偏向最有效治疗,并随信息增长消除不同疗效层的影响,同时给出理论性质与渐近推断。
2026-05-29 math.PR math.ST stat.ME
A Framework for Generating Realistic Synthetic Tabular Data in a Randomized Controlled Trial Setting
针对随机对照试验(RCT)中合成表格数据生成方法缺乏共识的问题,本研究基于HIV治疗试验,比较多种策略与技术,发现采用R-vine copula模型序列生成基线变量、随机分配治疗及回归模型生成结果的方法最能逼真再现真实数据特征。
2025-01-29 stat.OT
Label-invariant models for the analysis of meta-epidemiological data
已经收集了丰富的元流行病学数据集,以探讨干预效果估计和研究水平特征之间的关联。Welton等人提出了分析元流行病学数据的模型,但这些模型具有限制性,因为它们迫使具有特定特征的研究之间的异质性至少与不具有该特征的研究之间的异质性一样大。在本文中,我们提出了替代模型是不变的标签定义的两类研究。为了验证这些方法,我们使用了Cochrane偏倚风险工具的荟萃分析集合。我们首先研究小样本量(少于100名参与者)的影响,然后研究多种方法学缺陷(序列生成不充分或不清楚,分配隐藏和盲法)的影响。我们拟合Welton等人的模型和我们提出的标签不变模型,并比较结果。与试验特征相关的平均偏倚和试验间方差的估计值对模型的选择不太敏感。拟合单变量模型的结果显示,在少于100名参与者的试验中,异质性方差平均高出88%。基于多变量模型,序列生成不充分/不清楚的试验中异质性方差平均高25%,盲法不充分/不清楚的试验中异质性方差平均高51%,分配隐藏不充分/不清楚的试验中异质性方差平均低23%,尽管这些比值的95%区间非常宽。我们提出的标签不变模型的元流行病学数据分析,促进研究间异质性归因于某些研究特征的调查。
2017-11-27 stat.AP
CBARA: Covariate-Balanced-and-Adjusted Response-Adaptive Randomization
Institute of Statistics and Big Data, Renmin University of China(中国人民大学统计与大数据研究院)
CBARA结合CARA和CAR的优点,通过动态调整分配比例提升平衡性和鲁棒性,同时保持分配比例一致性。
2026-05-07 math.ST stat.ME stat.TH
Incertus.jl -- The Julia Lego Blocks for Randomized Clinical Trial Designs
本文介绍Julia包Incertus.jl,用于生成多臂试验随机化序列并评估其操作特征,支持扩展新方法,可作为构建定制随机化程序的灵活工具。
2024-07-19 stat.CO stat.ME
Ready for the Clinic? A Survey of Open-Source Software for Response-Adaptive Randomization in Clinical Trials
MRC Biostatistics Unit, University of Cambridge(剑桥大学医学研究委员会生物统计学单元)
本文综述了16个开源软件包,评估其在响应自适应随机化(RAR)中的方法与实践支持,发现多数软件针对特定方法,通用能力有限,并指出开发灵活、实用且验证充分的软件对RAR临床推广至关重要。
2026-10-05 stat.AP stat.CO
Improving Safety of the Continual Reassessment Method via a Modified Allocation Rule
本文提出了一种新的I期剂量递增临床试验患者分配标准,旨在寻找最大耐受剂量(MTD)。常规地,使用基于模型的方法,将下一个患者分配到毒性估计最接近(就绝对或平方距离而言)最大可接受毒性的剂量。然而,这种方法忽略了点估计的不确定性和将大量患者分配给过度毒性剂量的伦理问题。出于最近的讨论中的理论估计在限制参数空间,我们提出了一个标准,占这两个问题。该标准只需要一个附加参数的规范,该参数具有简单直观的解释。我们将建议的标准纳入单参数贝叶斯连续重新评估方法(CRM),并显示,使用模拟,它的结果在相同比例的正确选择平均为原始设计,但在更少的平均数量的有毒反应。与其他基于模型的剂量递增设计的比较表明,拟议的设计可以获得与替代品相同的平均准确度,但毒性反应数量较少,或者获得更高的平均准确度,但毒性反应数量相同。我们的结论是,新标准使现有的基于模型的设计更符合伦理,而不会在I期临床试验的背景下失去效率。
2018-07-16 stat.ME
Response-adaptive randomization in clinical trials: from myths to practical considerations
响应自适应随机化(RAR)是更广泛的一类数据依赖性抽样算法的一部分,临床试验通常用作激励应用程序。在这种情况下,患者分配到治疗是由随机化概率决定的,随机化概率根据累积的反应数据而变化,以实现实验目标。自20世纪30年代以来,RAR已经从生物统计学文献中获得了大量的理论关注,并且一直是许多争论的主题。在过去的十年中,它受到了应用和方法论社区的重新考虑,这是由众所周知的实际例子及其在机器学习中的广泛使用所驱动的。关于这一主题的论文对它的有用性提出了不同的观点,这些观点不容易调和。这项工作的目的是通过提供一个统一的,广泛的和新的审查方法和实际问题时,考虑在临床试验中使用RAR的辩论,以解决这一差距。
2022-06-07 stat.AP stat.ME
A web application for the design of multi-arm clinical trials
多组设计提供了在同一临床试验中评价多种治疗的有效方法。鉴于目前在许多疾病领域有大量的治疗方法可供测试,有人认为这些方法的使用应该增加。然而,对于任何给定的临床试验,都有许多可能的多组设计可以使用,并且在它们之间进行选择可能是一项困难的任务。由于缺乏用于设计多组试验的易用软件,这项任务变得更加复杂。为了帮助更广泛地实施多组临床试验设计,我们开发了一个Web应用程序,用于在使用各种流行的多重比较校正时计算样本量。此外,该应用程序支持样本量计算,以控制多种功效,以及确定优化的臂式分配比率。它使用R编程语言中的Shiny包构建,可以在任何具有互联网浏览器的设备上免费访问,并且不需要编程知识即可使用。该应用程序提供了统计学家和临床医生审查选定多组临床试验设计的操作特征所需的核心信息。我们希望这将有助于未来在实践中使用这种设计。
2019-06-21 stat.CO
A Markov Decision Process for Response-Adaptive Randomization in Clinical Trials
在临床试验中,反应适应性随机化(RAR)具有吸引人的能力,可以根据中期结果将更多受试者分配到性能更好的治疗中。传统的RAR策略在逐个患者的基础上改变了随机化比例;这因时间趋势导致的偏倚而受到严厉批评。另一种方法是区组RAR,将患者分组在区组中,并以区组方式重新计算随机化比率;然后按区组分层进行最终分析。然而,典型的分块RAR设计将患者分成大小相等的块,这通常不是最佳的。本文介绍了TrialMDP,一种设计双臂阻塞RAR临床试验的算法。我们的方法不同于过去的方法,因为它优化了块的大小和数量以及它们的治疗分配。也就是说,该算法产生了一个策略,该策略基于试验中到该点为止所看到的结果自适应地选择下一个块的大小和组成。TrialMDP与过去通过动态规划计算最优试验设计的工作有关。该算法最大化效用函数,平衡(i)统计功效、(ii)患者结局和(iii)区组数量。我们表明,它在一套基线设计的效用取得了显着的改善,并提供了有用的控制之间的权衡统计功效和患者的结果。它非常适合于失败成本高的小型试验。我们在GitHub上提供TrialMDP作为R包:https://github.com/dpmerrell/TrialMDP
2021-09-29 stat.ME
On Preparing a List of Random treatment Assigns
本文介绍了一种面向计算机的方法,用于准备随机对照试验中采用的随机治疗分配列表的基础。介绍了可用于临床试验和生物等效性试验早期阶段的软件。在临床试验中将患者分配到治疗中可确保治疗数量完全相等。对分配的随机性的研究导致了“强随机列表”的概念。本说明中介绍的新方法基于阈值,并产生了一个强有力的治疗分配随机列表。
2015-02-11 stat.AP stat.ME
Approximating the Operating Characteristics of Bayesian Uncertainty Directed Trial Designs
贝叶斯反应适应性临床试验目前正在评估几种疾病的实验疗法。适应性决策,例如预先计划的随机化概率变化,试图加速新治疗方法的开发。在大多数情况下,反应适应性试验的设计需要耗时的模拟研究来描述操作特性,例如I/II型错误率,跨合理的场景。本文研究了贝叶斯不确定性定向试验设计(BUD)中关键操作特征的大样本近似。BUD试验利用明确的度量u来量化研究期间积累的关于感兴趣参数的信息,例如处理效应。随机化概率随时间变化,以最小化研究完成时的不确定性汇总u。我们提供了(i)患者分配至治疗组和(ii)随机化概率的渐近分析。对于BUD的结果分布属于自然指数族与二次方差函数,我们说明了分配到每个手臂和随机化概率的患者数量的渐近正态性。我们使用这些结果来近似相关的操作特性,如功率的BUD。我们评估的准确性,通过模拟下的几种情况下的二进制,时间到事件和连续的结果模型的近似。
2021-05-24 stat.ME
Learning Modular Safe Policies in the Bandit Setting with Application to Adaptive Clinical Trials
McGill University(麦吉尔大学);Mila Quebec AI Institute(米拉魁北克人工智能研究所)
随机多臂强盗问题是一个著名的模型,用于研究勘探开发权衡。它在适应性临床试验中具有重要的可能应用,该试验允许患者的治疗分配概率的动态变化。然而,大多数的强盗学习算法的设计目标是最小化期望的遗憾。虽然这种方法在许多领域都很有用,但在临床试验中,它可能对离群数据很敏感,特别是当样本量很小时。本文定义并研究了一个新的鲁棒性判据。具体来说,我们考虑优化的回报率分布函数作为后悔措施。这为从业者提供了更大的灵活性来定义适当的后悔措施。我们提出的解决这类问题的学习算法是BESA算法的修改[Baransi等人,[2014年],它考虑了一个更一般的版本的遗憾。我们提出了一个遗憾的约束,我们的方法和经验评估合成问题,以及从临床试验文献的数据集。我们的方法相媲美的一套标准的强盗算法。
2019-06-09 cs.AI cs.LG stat.ML
TWIN-GPT: Digital Twins for Clinical Trials via Large Language Model
School of Public Health, Zhejiang University(浙江大学公共卫生学院);Rensselaer Polytechnic Institute(伦斯勒理工学院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出TWIN-GPT,利用大语言模型在有限数据下为不同患者生成个性化数字孪生,以提升临床试验结局预测性能并超越以往方法。
2024-06-29 cs.CL cs.LG stat.ME
On the relevance of prognostic information for clinical trials: A theoretical quantification
如何利用队列研究或历史临床试验中的个体患者数据来设计更强大,或更小但同样强大的临床试验,在数字化时代变得越来越重要。今天,传统的统计分析方法似乎值得怀疑的从业者普遍存在的历史协变量信息。一些方法学的发展旨在将历史信息纳入未来临床试验的设计和分析中,最重要的是贝叶斯信息借用、倾向得分方法、分层和协变量调整。最近,调整分析的预后评分,这是从一些机器学习程序应用于历史数据,已被建议,我们研究这种方法的潜力,随机临床试验。在1:1分配的两组试验中,在正常结局的理想情况下,我们推导出一个简单的样本量减少公式,作为表征预后评分的两个标准的函数:(1)历史数据的决定系数$R^2$和(2)估计的和真实的未知预后评分之间的相关性$ρ$。在保持相同把握度的同时,未校正分析计划的原始总样本量$n$在校正分析中减少至$(1 - R^2 ρ^2) \times n$。在不太理想的情况下的鲁棒性进行了经验评估。我们的结论是,有潜力大大更强大或更小的试验,但只有当预后评分可以准确估计。
2021-11-05 stat.ME
Efficient, Doubly Robust Estimation of the Effect of Dose Switching for Switchers in a Randomised Clinical Trial
受Janssen Pharmaceuticals进行的一项临床试验的启发,在该试验中,将灵活的给药方案与安慰剂进行了比较,我们评估了治疗组的转换者(即,换用高剂量的患者)如果继续使用低剂量,他们的情况会更好。这是为了了解灵活的剂量是否对他们有潜在的好处。简单地将这些患者的反应与保持低剂量的患者的反应进行比较是不令人满意的,因为后者的患者通常健康状况更好。由于所考虑的试验中的可用信息太少,无法进行可靠的调整,因此我们将从同时对同一靶点进行的固定剂量试验中传输数据,尽管不是在相同的患者人群中。特别是,我们将提出一个估计依赖于一个结果模型和一个倾向得分模型的研究和患者的特征之间的关联。建议的估计是渐近无偏的,如果两个模型中的至少一个是正确指定的,和有效的(下的模型定义的限制的倾向得分),当两个模型都正确指定。我们表明,所提出的使用外部研究结果的方法一般适用于由于阳性违反而不可能进行经典混杂调整的研究(例如,以确定性方式发生切换的研究)。蒙特卡罗模拟和应用的激励研究证明了足够的性能。
2020-09-04 stat.AP stat.ME
Modeling restricted enrollment and optimal cost-efficient design in multicenter clinical trials
患者入组的设计和预测是临床研究企业今天面临的最大挑战之一,因为低效率的入组可能是药物开发延迟的主要原因。因此,发展创新的统计和人工智能技术,提高临床试验的运行效率势在必行。本文描述了用于建模和预测患者入组的创新统计方法学的进一步发展。底层技术使用了由Anisimov和Fedorov在以前的出版物中开发的Poisson-gamma注册模型,并在这里扩展到国家/地区级别的注册分析建模。一种新的分析技术的基础上近似的招生过程中的国家/地区的Poisson-gamma过程与聚合参数的开发。另一个创新方向是开发分析技术,用于在某些限制条件下(各国的入学上限)对入学进行建模。提供了一些关于使用历史试验更好地预测新试验入组的讨论。这些结果用于解决最佳试验成本效益入组设计的问题:找到研究中心/国家的最佳分配,使全球试验成本最小化,前提是及时达到入组目标的概率不低于某些规定的概率。不同的技术,以找到一个最佳的解决方案,高维优化问题的情况下,不受限制和限制的招生,并为一个小的和大量的国家进行了讨论。
2022-12-25 stat.ME
Designing and evaluating advanced adaptive randomised clinical trials: a practical guide
Copenhagen University Hospital – Rigshospitalet(哥本哈根大学医院 - 利希斯皮塔勒);University of Copenhagen(哥本哈根大学)
本文为高级自适应随机临床试验的设计与评估提供实用指南,涵盖贝叶斯框架下的自适应停止、臂剔除和响应自适应随机化,并附模拟代码,助力试验人员、方法学家和生物统计学家。
2025-01-15 stat.ME
Dose-finding design based on level set estimation in phase I cancer clinical trials
Nagoya University(名古屋大学);Kyoto University(京都大学);MI-6 Ltd.(MI-6有限公司);Nagoya Institute of Technology(名古屋工业大学);The Institute of Statistical Mathematics(统计数学研究所)
针对I期癌症临床试验中最大耐受剂量(MTD)的估计问题,提出一种基于水平集估计(LSE)框架的新型剂量探索设计,通过纳入剂量-毒性曲线后验不确定性和过量控制的采集函数确定剂量,模拟显示其MTD估计更准且过量风险更低。
2025-04-12 cs.LG stat.ML
Joint longitudinal models for dealing with missing at random data in trial-based economic evaluations
基于临床试验收集的患者水平数据的卫生经济学评价(例如,与健康相关的生活质量和资源使用措施)是告知资源分配决策的过程的重要组成部分。几乎不可避免的是,由于一些人退出研究,导致他们的数据在某个时间点无法观察到,因此分析变得复杂。目前的做法是通过在汇总变量(如QOLS)水平上处理缺失数据来进行评估,汇总变量是通过在研究期间合并经济数据获得的,并且通常是在随机缺失(MAR)假设下进行的。然而,这种方法可能会导致不正确的推断,因为它忽略了数据的纵向性质,并可能最终从分析中丢弃大量的观察结果。我们建议使用联合纵向模型扩展标准的成本效益分析方法,考虑到纵向结构,并将所有可用的数据,以提高估计的目标数量根据MAR。我们的方法相比,流行的缺失的方法在基于试验的分析,由探索性模拟研究的动机,并应用到数据从两个真实的案例研究。
2020-05-22 stat.AP
A Deep Subgrouping Framework for Precision Drug Repurposing via Emulating Clinical Trials on Real-world Patient Data
The Ohio State University(俄亥俄州立大学);Cleveland Clinic(克利夫兰诊所)
本文提出STEDR框架,通过模拟真实世界临床试验并结合亚组特异性治疗效果学习,在阿尔茨海默病中识别出14种对特定患者亚组有效的重定位候选药物,实现精准药物重定位。
2024-12-29 cs.AI cs.LG stat.AP
A Semiparametric Joint Model for Terminal Trend of Quality of Life and Survival in Palliative Care Research
姑息医学是一个跨学科的专业,重点是改善严重疾病患者及其家属的生活质量(QOL)。美国80%以上的大型医院(300多张床位)提供或正在开发姑息治疗计划。姑息治疗临床试验提出了独特的分析挑战,相对于评价姑息治疗的疗效,这是改善患者的生活质量下降,随着疾病的进展走向生命结束(EOL)。姑息治疗临床试验的一个独特特征是,尽管有潜在的有益治疗,但患者在试验期间的生活质量仍会下降。纵向QOL和生存数据通常高度相关,这在删失面前,使得正确分析和解释纵向QOL轨迹具有挑战性。为了解决这些问题,我们提出了一种新的半参数统计方法来联合建模纵向生活质量和生存数据。在我们的方法中有两个子模型:纵向QOL的半参数混合效应模型和生存的Cox模型。我们使用回归样条方法来估计非参数曲线,并使用AIC来选择节点。我们通过模拟和应用来评估模型,以建立一种新的建模方法,可以应用于未来的姑息治疗研究试验。
2016-04-16 stat.AP stat.ME
Adding new experimental arms to randomised clinical trials: impact on error rates
背景:实验性治疗经历了不同的发展阶段。如果一种治疗方法通过了早期实验,研究人员可能希望在后期随机对照试验中对其进行评估。一个有效的方法是将其作为一个新的研究部门加入到正在进行的试验中。这允许在现有组继续的同时添加新治疗。家系第一类错误率(FWER)通常是任何多组试验中关注的关键量。我们着手澄清在试验开始一段时间后增加新武器时应如何计算。方法:我们展示了当一个新的手臂被添加到一个平台试验时,如何计算FWER,任何对和所有对的功率。我们推广了Dunnett概率,推导了现有两两比较的检验统计量与新增加的两两比较的检验统计量之间的相关性的解析公式,并通过模拟验证了我们的解析推导。结果如下:我们的研究结果表明,FWER取决于来自共同对照组患者的共享对照组信息(即连续和二元结局中的个体以及事件发生时间结局中的主要结局事件)和分配比率。FWER更多地由成对比较的数量和相应的(成对)第一类错误率驱动,而不是由添加新组的时间驱动。如果成对比较的检验统计量之间的相关性小于0:30,则可以使用Šidák校正来估计FWER。结论:我们在本文中提出的发现可用于设计预先计划的延迟组试验,或在需要控制成对错误率(PWER)或FWER(用于成对比较的子集)的正在进行的平台试验中设计新的成对比较。
2019-02-14 stat.ME
Selection Bias in Hybrid Randomized Controlled Trials using External Controls: A Simulation Study
Medical University of Vienna(维也纳医科大学);Center for Medical Data Science, Medical University of Vienna(维也纳医科大学医学数据科学中心)
本研究针对混合随机对照试验中依赖结果的外部对照选择偏倚问题,通过模拟研究量化贝叶斯与频率学派方法下的偏倚程度,探讨缓解策略,并验证不同选择规则的影响。
2025-10-06 stat.ME
Sample size calculation based on the difference in restricted mean time lost for clinical trials with competing risks
本文提出了一种基于Weibull分布的受限平均损失时间差(RMTLdWeibull)的样本量计算方法,用于存在竞争风险的临床试验,模拟表明其能保持预定的检验效能和稳健性,性能优于或相似于基于SHR的方法。
2023-11-21 stat.AP stat.ME
G-computation for increasing performances of clinical trials with individual randomization and binary response
CIC INSERM 1402(INSERM CIC 1402);University and University hospital of Poitiers(普瓦捷大学与医院);HeKA, Inria(Inria HeKA)
针对随机临床试验中残余差异带来的近混杂问题,本研究提出结合机器学习的G-computation方法,经模拟验证,惩罚回归类G-computation可在偏差小幅上升的前提下降低方差、减少17%-54%样本量,有效提升RCT检验效能。
2024-11-15 stat.ME stat.ML
Blended Survival Curves: A New Approach to Extrapolation for Time-to-Event Outcomes from Clinical Trial in Health Technology Assessment
由于随机对照试验(RCTs)的持续时间有限,生存期外推在成本效益分析中是必不可少的,以量化与新干预措施相关的终生生存获益。目前的外推方法通常假设试验中观察到的处理效应可以无限期地持续下去,这是不现实的,可能对资源分配的决定产生巨大影响。目的介绍一种新的方法,以缓解临床试验中严重删失数据的生存外推问题。方法主要思想是混合一个灵活的模型(例如,Cox半参数),以尽可能拟合观察到的数据和参数模型编码的基础长期生存的预期行为的假设。这两个“混合”成一个单一的生存曲线,这是相同的Cox模型在观察时间的范围内,并逐渐接近参数模型的外推期的基础上的权重函数。权重函数调节两条生存曲线的混合方式,确定内部和外部来源如何随着时间的推移对估计的生存做出贡献。结果利妥昔单抗联合氟达拉滨和环磷酰胺与单用氟达拉滨和环磷酰胺一线治疗慢性淋巴细胞白血病的4年随访RCT用于说明该方法。结论不成熟试验数据的长期外推可能导致不同建模假设下的估计值存在显著差异。混合方法提供了足够的灵活性,允许考虑各种可能的情景,并包括基于硬数据或专家意见等的真实外部信息。内部效度和外部效度都可以仔细检查。
2022-06-01 stat.ME
Familywise error rate control for block response-adaptive randomization
响应自适应随机化允许在临床试验中根据先前观察到的响应数据改变将患者分配到治疗的概率,以实现不同的实验目标。在实践中使用这种设计的一个关注点,特别是从监管的角度来看,是控制第一类错误率。为了解决这个问题,Robertson和Wason(Biometrics,2019)提出了一种方法,可以保证对一大类响应自适应设计进行全族错误率控制。在本文中,我们提出了一个改进,他们的建议,在概念上更简单,在特定的上下文中的块随机试验与一个固定的分配到控制arm.We显示修改后的方法,保证永远不会有负权重的数据块,也可以提供一个很大的权力优势,在实践中。
2022-04-12 stat.AP stat.ME
Efficient Doubly Adaptive Biased Coin Designs for Multiple Treatments
School of Statistics and Data Science, Zhejiang Gongshang University(浙江工商大学统计与数据科学学院)
针对临床试验中响应自适应设计的多方面困境,提出通用框架定义高效设计族,证明相关最优性。在此基础上给出多治疗临床试验的双自适应偏置硬币设计族,兼具随机性和效率优势,并推导其理论性质。
2026-07-21 math.PR math.ST stat.ME
Adaptive Experimental Design Using Shrinkage Estimators
Claremont McKenna College(克莱蒙特麦肯纳学院);University of New South Wales(新南威尔士大学)
本文提出了一种基于Stein-like收缩估计器的自适应实验设计方法,通过共享治疗效果信息减少估计误差,提升因果估计效率。
2026-07-31 math.ST stat.ME stat.TH
On the Theory of Covariate-Adaptive Designs
Pocock和Simon的边际程序(Pocock和Simon,1975)通常用于在临床试验中平衡治疗分配对有影响的协变量的影响。然而,几十年来,波考克和西米恩程序的理论性质仍然很难理解。本文提出了协变量自适应设计的一般框架,并在广泛满足的条件下建立了相应的理论。作为特例,我们得到了Pocock和Simon的边际过程的理论性质:边际不平衡和总体不平衡在概率上是有界的,但层内不平衡随着样本量的增加而增加,并随着$\sqrt{n}$的速率而增加。这些理论结果为协变量自适应随机化过程的平衡性质提供了新的见解,为研究基于协变量自适应随机化过程的临床试验统计推断的理论性质打开了一扇大门。
2020-04-06 math.ST stat.ME stat.TH