Doctor2Vec: Dynamic Doctor Representation Learning for Clinical Trial Recruitment
IQVIA(艾昆纬);Georgia Institute of Technology(佐治亚理工学院)
大量的电子健康记录(EHR)能够成功学习准确的患者表示,以支持各种预测性健康应用。相比之下,医生代表没有得到很好的研究,尽管医生在医疗保健中发挥着关键作用。如何建立正确的医生代表?如何使用医生代表来解决重要的健康分析问题?在这项工作中,我们研究的问题{ \it临床试验招募},这是关于确定合适的医生,以帮助进行试验的基础上,这些医生的试验描述和病人的电子病历数据。我们提出了doctor 2 vec,它同时学习1)来自EHR数据的医生表示和2)来自关于试验的描述和分类信息的试验表示。特别地,doctor 2 vec利用动态存储器网络,其中医生与患者的经验存储在存储体中,并且网络将基于试验表示经由注意力机制动态地分配权重。经过大型真实世界试验和EHR数据(包括2,609项试验、25,000名医生和430,000名患者)的验证,doctor 2 vec在PR-AUC中表现出比最佳基线高出$8.7\%$的性能。我们还证明了doctor 2 vec嵌入可以转移到受益数据不足的环境中,包括在人口较少/新探索的国家招募$13.7\%$改善的试验或PR-AUC改善$8.1\%$的罕见疾病。
2019-11-23 cs.CY cs.LG stat.ML
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
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
Incorporating external data for analyzing randomized clinical trials: A transfer learning approach
本文提出面向随机临床试验的迁移学习框架,通过基于参数的信息迁移增强 lasso 调整的层特异治疗效果估计量,并给出渐近理论与方差推断方法。
2024-09-06 stat.ME
A hypothesis test of feasibility for external pilot trials assessing recruitment, follow-up and adherence rates
一项大型临床试验的效力可能会受到招募率、随访率和依从率低的不利影响。外部试点试验估计这些比率,并通过预先规定的决策规则使用它们来确定最终试验是否可行并应该继续进行。关于如何选择这些决策规则或试点的样本量,几乎没有方法学研究。在本文中,我们提出了一个确定性试验的可行性假设检验,适用于外部试点数据,并用于作出进展的决定。我们通过计划试验的力量,作为招募,随访和依从率的函数来量化可行性。我们使用该指标来定义在试点中进行检验的假设,提出了一个检验统计量,并展示了如何计算该检验的错误率,用于具有单一正态分布主要终点的双臂平行组确定性试验的常见场景。我们使用我们的方法来重新设计TIGA-CUB,一个外部试点试验,比较心理治疗与常规治疗行为障碍儿童。然后,我们扩展了我们的公式,包括使用试点数据来估计主要终点的标准差。并将其纳入进展决定中。
2019-08-15 stat.ME
Semiparametric Weighted Spline Regression (SWSR) in Confirmatory Clinical Trials with Time-Varying Placebo Effects
针对确证性临床试验中时变安慰剂效应导致现有方法无法兼顾控制I类错误率和检验效能的问题,提出半参数加权样条回归(SWSR)方法,利用B样条非参数估计治疗效果,实现了I类错误控制、高检验效能和对未知时变效应的稳健性。
2025-06-01 stat.ME
Inference of treatment effect and its regional modifiers using restricted mean survival time in multi-regional clinical trials
针对多区域临床试验中区域特征差异易致治疗效应估计偏差、事件时间结局研究多依赖风险比的问题,提出结合抽样逆概率与校准加权的限制性平均生存时间估计推断方法,兼具理论支撑与实际有效性。
2024-04-11 stat.ME
Evaluating Efficiency of Platform Trials Under Delayed Outcomes Using Treatment Throughput
Population Health Sciences Institute, Newcastle University(纽卡斯尔大学人口健康科学研究所)
本研究提出预期吞吐量(ET)指标,评估结局延迟对平台试验效率的影响,发现延迟显著降低效率,规划时需考虑招募率与延迟时长。
2026-09-09 stat.ME
Generalizing Clinical Trials with Convex Hulls
随机临床试验消除了混杂因素,但实施了严格的排除标准,将招募限制在人群的一个子集。观察性数据集更具包容性,但存在混淆-由于部分优化的医生处方模式,通常提供对治疗反应随时间推移的过度乐观估计。因此,我们假设无混杂因素的治疗应答介于治疗分配前的观察估计值和治疗分配后的观察估计值之间。这一假设使我们能够通过使用一种称为凸壳优化(OCH)的算法同时分析观察和试验数据,将独家试验的结果外推到更广泛的人群中。OCH表示处理效应,或者用条件期望的凸包表示,或者用条件密度的凸包(也称为混合)表示。该算法首先使用观察数据学习组分期望值或密度,然后使用试验数据学习线性混合系数,以近似真实的处理效应;理论重要地解释了为什么这种线性组合应该成立。OCH在预期和密度方面估计处理效应,具有最先进的准确性。
2022-10-28 cs.LG stat.ME stat.ML
Can discrete-time analyses be trusted for stepped wedge trials with continuous recruitment?
Yale School of Public Health(耶鲁公共卫生学院);Yale School of Medicine(耶鲁医学院);Monash University(莫纳什大学);The Ottawa Hospital Research Institute(渥太华医院研究所);University of Ottawa(渥太华大学)
通过模拟研究,评估在连续招募设计的阶梯楔形整群随机试验中使用离散时间线性混合模型的偏差和鲁棒推断性能。
2026-10-23 stat.ME
Distributional Balancing with Machine Learning for Clinical Trial Augmentation Using Real-World Data
Rutgers University(罗格斯大学)
针对临床试验中协变量分布难以均衡的问题,提出DBML方法,通过变分自编码器检测异常、重新加权匹配分布并采样对照组,在协变量均衡上优于现有匹配与加权算法。
2026-09-22 stat.ME stat.ML
Enrollment Forecast for Clinical Trials at the Planning Phase with Study-Level Historical Data
鉴于临床试验的不断发展和需求,准确的入组时间轴预测对于战略决策和卓越的试验执行越来越重要。朴素方法假设使用历史数据平均值的入组率是固定的,而传统统计方法应用简单的Poisson-Gamma模型,使用时不变的研究中心激活率和受试者招募率。两者都缺乏时间和地点等非平凡因素。我们提出了一种新的两段统计方法,基于受试者入组率的拟泊松回归和受试者入组和研究中心激活的泊松过程。输入的研究水平数据是公开可访问的,并且可以与来自用户组织的历史研究数据集成,以前瞻性地预测入组时间轴。新的框架是整洁和准确相比,以前的作品。我们验证了我们提出的入学模型的性能,并将结果与7项策划研究的其他框架进行了比较。
2023-03-14 stat.AP
Quantifying efficiency gains of innovative designs of two-arm vaccine trials for COVID-19 using an epidemic simulation model
流行病期间的疫苗临床试验面临着特殊的挑战,例如快速确定有效疫苗以控制流行病的压力,以及时空变化的感染发生率对试验效力的影响。我们说明了如何使用网络流行病和试验模拟模型,基于COVID-19和具有二元结局的单独随机化双臂试验,评估不同试验设计元素的操作特征。我们表明,如果观察到的病例有足够多的接触者处于高风险,那么优先考虑感染高风险参与者的“环形”招募策略可以大幅提高力量。此外,我们还引入了一种新方法,以更有效地利用试验中观察到的最早感染病例的数据,这些病例的感染可能还为时过早,无法通过疫苗预防。最后,我们比较了几种方法的反应自适应随机化,讨论了它们的优点和缺点,在这两个手臂的情况下,并确定特定的适应策略,保持功率和估计属性,同时稍微减少感染的数量,给出了一个有效的疫苗。
2021-05-20 q-bio.PE stat.AP
Evaluating the impact of outcome delay on the efficiency of sample size re-estimation
Newcastle University(纽卡斯尔大学);Janssen R&D(强生研发)
本文研究结果延迟对内部试点类型样本量重新估计设计效率的影响,分析不同延迟长度对最终样本量分布和精度的影响,提出新的评估指标。
2026-05-12 stat.AP stat.ME
Contextual Constrained Learning for Dose-Finding Clinical Trials
University of Cambridge(剑桥大学);Yonsei University(延世大学);University of Virginia(弗吉尼亚大学);University of Oxford(牛津大学);UCLA(加利福尼亚大学洛杉矶分校)
医疗领域的临床试验受到预算的限制。因此,可以招募的患者数量有限。当患者群体是异质性的时,这在学习对特定药物的亚组特异性反应中产生困难,特别是对于各种剂量。此外,由于临床试验的目的不是为试验中的任何特定患者提供获益,因此患者招募可能很困难。在本文中,我们提出了C3 T-Budget,一个上下文约束的临床试验算法,用于在预算和安全约束下进行剂量发现。该算法旨在最大限度地提高临床试验中的药物疗效,同时了解正在测试的药物。C3 T-Budget招募患者时考虑了剩余预算、剩余时间和每组的特征,如总体分布、估计的预期疗效和估计可信度。此外,该算法旨在避免不安全的剂量。这些特点进一步说明了在模拟临床试验研究,这证实了理论分析,并证明了一个有效的预算使用以及平衡的学习治疗权衡。
2020-02-24 cs.LG stat.ML
Precision Dose-finding Cancer Clinical Trials in the Setting of Broadened Eligibility
人们主张扩大癌症试验的资格标准,以更准确地代表真实的患者人群。虽然在可推广性和招募方面的优势是显而易见的,但需要新的剂量探索设计来确保患者安全性。如果存在具有不同毒性特征的亚群,这些设计应该能够为亚群推荐精确的剂量。虽然已经提出了考虑患者异质性的剂量探索设计,但所有现有方法都假设异质性来源已知,因此预先指定亚群或仅允许纳入少数患者特征。我们提出了一种精确的剂量探索设计,以解决I期癌症临床试验中未知患者异质性的设置,其中资格扩大,多个资格标准可能会导致患者亚组的不同最佳剂量。该设计通过同时选择区分最大耐受剂量(MTD)的患者标准和推荐亚群特异性MTD(如需要),使用边际模型顺序纳入患者协变量,提供了一种二合一的剂量确定方法。我们的模拟研究将所提出的设计与假设患者同质性的天真方法进行了比较,并且我们的设计建议当存在异质性时进行多剂量给药,当不存在异质性时进行单剂量给药。所提出的剂量探索设计解决了在癌症试验中扩大合格标准的挑战以及在早期临床试验背景下对更精确剂量的期望。
2023-01-11 stat.AP
A kernel test for quasi-independence
我们考虑这样的设置,其中感兴趣的数据对应于成对的有序时间,例如,第一个和第二个孩子的出生时间,新用户创建帐户并在网站上首次购买的时间,以及患者在临床试验中的进入和生存时间。在这些设置中,这两个时间不是独立的(第二个时间发生在第一个时间之后),但是仍然感兴趣的是确定是否存在显著的依赖性{ \em超出}它们在时间上的排序。我们把这个概念称为“准(不)依赖”。例如,在临床试验中,为了避免偏倚选择,我们可能希望验证招募时间与生存时间是准独立的,其中依赖性可能由于季节效应而产生。本文提出了一种拟独立性的非参数统计检验方法。我们的测试考虑了一个潜在的无限空间的替代品,使其适合复杂的数据,其中可能的准依赖的性质是事先不知道的。标准参数的方法恢复为特殊情况下,如经典的条件肯德尔的tau,对数秩检验。这些检验适用于右删失设置:这是临床试验的一个基本特征,患者可以退出研究。我们提供了我们的测试统计量的渐近分析,并在实验中证明,我们的测试获得更好的功率比现有的方法,同时更计算效率。
2020-11-17 stat.ME stat.ML
Can artificial intelligence predict clinical trial outcomes?
National University of Singapore(新加坡国立大学);Metanovas Biotech(美塔诺瓦斯生物技术公司);Southeast University(东南大学)
该研究比较 LLM 与 HINT 对临床试验结果的预测能力,发现二者在阴性结果、试验阶段、终点和持续时间上各有优劣,主张构建混合预测方案。
2025-03-18 cs.LG stat.AP
Cumulative Incidence Function Estimation Based on Population-Based Biobank Data
针对人群生物样本库数据,提出一种有效纳入患病病例的新型累积发病率函数(CIF)估计量,相比现有方法提升了估计效率,并支持对低于招募年龄下限$c_L$的年龄进行CIF估计。
2024-03-27 stat.ME
SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with Drug Combinations and Heterogeneous Patient Groups
Sejong University(世宗大学);University of Virginia(弗吉尼亚大学);UCLA(加州大学洛杉矶分校);Yonsei University(延世大学);University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦·图灵研究所)
I期临床试验旨在测试药物的安全性(无毒性),并找到最大耐受剂量(MTD)。当涉及多药物剂量组合(DC)时,由于呈指数增加的DC候选者与有限的患者预算之间的固有冲突,该任务变得显著更具挑战性。本文提出了一种新的贝叶斯设计,SDF-Bayes,用于在存在安全性约束的情况下找到药物组合的MTD。与传统的递增或递减一种药物的当前剂量(可能在药物之间交替)的原则不同,SDF-贝叶斯通过谨慎的乐观来进行:它选择下一个DC,根据当前信息,最有可能是MTD(乐观),但它只选择具有高安全概率的DC(谨慎)。我们还提出了一个扩展,SDF-Bayes-AR,占患者的异质性,使异质性患者招募。基于合成和真实世界数据集的广泛实验证明了SDF-贝叶斯在准确性和安全性方面优于最先进的DC试验设计。
2021-01-26 cs.LG stat.AP stat.ML
Outcome-blinded sample size re-estimation for externally controlled single-arm trials using baseline covariates
Wakayama Medical University(和歌山医科大学);Chuo University(中央大学)
针对单臂试验中试验组与历史对照基线不平衡问题,提出群体标准化设计框架及协变量自适应样本量重新估计程序,该程序结合初始设计与顺序更新,模拟及示例结果显示其能维持功效,是实用设计策略。
2026-09-30 stat.AP stat.ME
On the physical interpretation of a meta-analysis in the presence of heterogeneity and bias: from clinical trials to Mendelian randomization
漏斗图是荟萃分析中汇总数据估计值的图形可视化,是检测偏离标准建模假设的有用工具。虽然可能没有得到广泛的认可,但漏斗图的简单扩展可以帮助在更基本的水平上直观地解释荟萃分析背后的数学,将其等同于确定物理系统的质心。在剑桥科学节上,我们用这个类比向年轻观众解释了权衡证据和有偏见证据的概念,并取得了一定的成功,而没有求助于精确的定义或统计公式。在本文中,我们的目标是正式这种类比在一个更技术层面上使用的估计方程框架:首先,以帮助阐明一些基本的统计模型中采用的荟萃分析,其次,在证据合成和因果推断文献的偏差调整之间建立新的连接。
2015-08-15 stat.AP
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
Addressing Confounding by Indication Through (Un)Measured Centre Characteristics in Learn-As-you-GO(LAGO) Trials
Boston University(波士顿大学);University of Washington(华盛顿大学);Yale University(耶鲁大学);Duke University(杜克大学)
本文提出通过引入固定中心效应来控制指示偏倚,统一了连续和二元结果类型的LAGO理论,并提供了统计检验和优化方法。
2026-07-29 math.ST stat.ME stat.TH
Automated Hierarchical Graph Construction for Multi-source Electronic Health Records
University of Chicago(芝加哥大学);National University of Singapore(新加坡国立大学);Harvard University(哈佛大学);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院)
提出MASH全自动框架,利用神经最优传输和双曲嵌入对齐多源EHR医学编码并构建层次图,为异构临床数据提供可解释导航,并首创非结构化实验室编码的自动化层次结构。
2025-09-08 cs.LG stat.ML
Heterogeneous survivor average causal effects beyond monotonicity: Applications to a clinical trial evaluating mechanical ventilation strategies
Yale School of Public Health(耶鲁大学公共卫生学院);University of Alberta(阿尔伯塔大学);University of Pennsylvania(宾夕法尼亚大学);Yale University School of Medicine(耶鲁大学医学院)
针对重症监护临床试验中因死亡截断的结果,提出无单调性框架识别条件幸存者平均因果效应,基于BART的贝叶斯方法估计个体效应,应用于ARDS PEEP试验揭示被总体结果掩盖的异质性亚组。
2026-09-22 stat.AP stat.ME
Tolerance and Prediction Intervals for Non-normal Models
预测区间涵盖了重复采样中随机过程的未来观测值,通常通过确定一个关键量来构建,该关键量也是一个从属统计量。类似地,容许区间涵盖重复抽样中的总体百分位数,并且通常基于关键量。我们在非正态模型中考虑的一种方法利用了一个链接函数,该链接函数导致近似正态分布的关键量。在这种正态近似不成立的情况下,我们考虑基于平均值的置信区间进行公差和预测的第二种方法。这些方法直观、易于实现、具有适当的操作特性,并且与贝叶斯、重新采样和机器学习方法相比在计算上是高效的。这一点在多中心临床试验招募的背景下得到了证明,其中临床试验中心启动时间错开,实际治疗时间和临床终点的研究结束成功。
2022-01-17 stat.AP stat.ME stat.ML