Design of Bayesian Clinical Trials with Clustered Data
The University of Queensland(昆士兰大学);McGill University(麦吉尔大学)
本文提出一种高效方法评估贝叶斯临床试验的操作特性并确定样本量,通过理论结果将后验概率建模为聚类数函数,减少模拟次数以评估不同样本量下的操作特性。
2025-11-05 stat.ME
Adversity Index for Clinical Trials: An Inclusive Approach for Analysis of Safety Data
本文提出了一种新的临床试验不良事件数据分析方法。该方法说明了应用程序的数据在4个III期临床试验,两个乳腺癌和两个糖尿病。
2018-06-01 stat.AP
Model-based Pre-clinical Trials for Medical Devices Using Statistical Model Checking
临床试验被认为是医疗器械验证的金标准。然而,由于成本考虑和部分信息,在试验的设计和实施过程中不得不做出许多牺牲,这可能会影响试验结果的意义。在本文中,我们提出了一个基于模型的临床前试验框架,使用统计模型检查。生理模型代表疾病机制,这使得模拟结果的自动裁定。通过统计模型检查器进行患者参数采样和假设检验。该框架使更广泛的假设进行测试,保证统计学意义,这是有用的补充,临床试验。我们通过植入式心律转复除颤器的临床前试验证明了我们的框架。
2021-06-01 stat.AP
Assessing the Validity of a a priori Patient-Trial Generalizability Score using Real-world Data from a Large Clinical Data Research Network: A Colorectal Cancer Clinical Trial Case Study
现有的试验没有充分考虑其人群代表性,这可能会降低治疗应用于现实世界临床实践时的有效性。我们分析了贝伐单抗治疗结直肠癌试验的合格标准,评估了其先验的普遍性,并研究了在现实世界的临床环境中应用时如何影响患者的结局。为此,我们从OneFlorida联盟的大量电子健康记录(EHR)中提取了患者级别的数据。我们建立了一个零膨胀负二项模型,使用复合患者试验概括性(cPTG)评分来预测患者的临床结局(即,严重不良事件数量(SAE))。我们的研究结果提供了大量证据,证明1)cPTG评分可以预测患者结局; 2)与用于开发治疗的试验中的研究人群更相似的患者发生严重不良事件的可能性显著降低。
2019-06-24 stat.AP
Improving clinical trial interpretation with ACCEPT analyses
随机对照临床试验的有效决策依赖于对数值结果的可靠解释。然而,我们用来描述临床试验的语言可能会在试验设计和比较试验结果时引起混淆。使用高于阈值的概率进行的可接受性曲线估计(ACCEPT)通过协调结果报告、承认在不同情况下对结果的不同解释可能有效以及将重点从比较预先规定的值转移到对试验数据的解释来帮助进行试验之间的比较(即使是不同设计的试验)。ACCEPT可应用于历史试验或纳入未来分析的统计分析计划。一个在线工具可以同时接受多达三个试验。
2022-06-15 stat.AP
Optimizing the allocation of trials to sub-regions in multi-environment crop variety testing
新的作物品种在多环境试验中得到广泛测试,以便为向农民推荐提供坚实的经验基础。当环境的目标群体很大且不均匀时,划分为子区域往往是有利的。在设计此类试验时,出现了如何将试验分配给不同次区域的问题。我们考虑这个问题的解决方案,假设一个线性混合模型。我们提出了一种分析方法计算最佳线性无偏预测的基因型效应和成对线性对比的最优设计,并说明了从印度全国玉米品种试验的真实数据的例子所获得的结果。结果表明,除了在简单的情况下,如一个复合对称模型,最优分配依赖于子区域内嵌套的基因型效应的方差-协方差结构。
2020-04-13 stat.AP
Design Considerations for Factorial Adaptive Multi-Arm Multi-Stage (FAST) Clinical Trials
本研究探讨了结合析因与 MAMS 设计的 FAST 临床试验的设计选择,旨在为正在开发的试验提供兼具两者优势的高效设计方案。
2023-10-19 stat.AP
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
Application of Dynamic Linear Models to Random Allocation Clinical Trials with Covariates
Lee,Boone等人(2020)提出了一种使用动态线性模型改善随机分配模型中首选治疗分配预算的最新方法。然而,该模型未能包括吸烟、性别等协变量对模型性能的影响。本文讨论了在贝叶斯自适应分配模型中使用DLM随机分配治疗的问题。我们显示了减少的治疗分配预算以及减少的时间来定位首选治疗。此外,对均值和方差参数进行敏感性分析,并使用贝叶斯因子进行功效分析。该功效分析用于确定高于指定截止值的未分配患者预算的比例。此外,还对协变量系数进行了敏感性分析。
2020-09-22 stat.AP
Using instrumental variables to disentangle treatment and placebo effects in blinded and unblinded randomized clinical trials influenced by unmeasured confounders
临床试验传统上采用盲法作为设计机制,以减少安慰剂效应的影响。然而,在实践中,很难或不可能对研究参与者进行盲态试验,而非盲态试验在医学研究中很常见。在这里,我们展示了如何工具变量可以用来量化和解开治疗和安慰剂的效果在随机临床试验中比较对照和活性治疗的存在混杂因素。其关键思想是使用随机化来分别操纵治疗分配和心理鼓励信息,以增加参与者对改善症状的渴望。所提出的方法能够改善盲法研究中处理效应的估计,最重要的是,打开了大门,以解释非盲法试验中的安慰剂效应。
2016-06-21 stat.AP
Adding flexibility to clinical trial designs: an example-based guide to the practical use of adaptive designs
临床试验的适应性设计允许根据积累的数据对研究进行修改,以使试验更加灵活,道德和有效。通过预先规定和适当调整试验过程中可能的变更,在保持试验完整性和有效性的同时实现了这些益处。尽管统计学文献中的许多研究强调了自适应设计相对于传统固定设计的潜在优势,但在临床研究中采用此类方法的速度一直很慢。其中一个主要原因是,对试验设计的不同适应,以及它们的优点和局限性,仍然不为大部分临床社区所熟悉。本文的目的是澄清适应性设计可以用来解决特定的科学问题,我们介绍了适应性设计的主要特点和常用的术语,突出其效用和陷阱,并说明其使用通过适应性试验的案例研究,从早期阶段的剂量递增到验证性III期研究。
2020-06-23 stat.AP
Evaluation of clinical utility in emulated clinical trials
University of Copenhagen(哥本哈根大学);Karolinska Institutet(卡罗林斯卡学院);Imperial College London(帝国理工学院)
本文提出了一种基于动态治疗方案的模拟临床试验框架,用于评估治疗策略的临床效用,并提出了多种估计方法。
2025-12-09 stat.AP
Bayesian leveraging of historical control data for a clinical trial with time-to-event endpoint
最近的《21世纪治愈法》宣传创新,以加速发现、开发和提供21世纪的治愈方法。它包括贝叶斯统计的更广泛应用和临床专业知识证据的使用。后者的一个例子是使用试验外部(或历史)数据,这保证了更有效或更道德的试验设计。我们提出了一种贝叶斯荟萃分析方法,利用历史数据的时间事件终点,这是常见的肿瘤和心血管疾病。该方法是基于一个强大的分层模型分段指数数据。它允许不同程度的试验异质性,并利用个人以及聚合数据。一项卵巢癌试验和一项非小细胞癌试验说明了利用历史数据分析和设计事件发生时间试验的方法学和实践方面。
2020-02-07 stat.AP
Coping with Information Loss and the Use of Auxiliary Sources of Data: A Report from the NISS Ingram Olkin Forum Series on Unplanned Clinical Trial Disruptions
临床试验中断一直是干预性研究结束的不可忽视的一部分。虽然SARS-CoV-2(COVID-19)大流行导致临床研究前所未有地启动,但也导致其他疾病领域的临床试验受到相当大的干扰,约80%的非COVID-19试验在大流行期间停止或中断。在许多情况下,中断的试验将不具有产生可解释结果所需的计划统计功效。本文介绍的方法,以弥补信息损失所产生的试验中断,结合额外的信息可从辅助数据源。所述方法包括使用试验本身提供的基线和早期结局数据的辅助数据,以及频率论和贝叶斯方法,以纳入来自外部数据源的信息。该方法通过应用于基于初级保健儿科学学习活动营养(Learning Activity Nutrition,简称EMT)研究的人工数据分析来说明,EMT是一项评估受COVID-19大流行影响的超重儿童饮食和运动干预的临床试验。我们展示了所有提出的方法如何导致精度的增加,相对于使用完整的案例数据。
2022-06-22 stat.AP
A Bayesian Joint model for Longitudinal DAS28 Scores and Competing Risk Informative Drop Out in a Rheumatoid Arthritis Clinical Trial
风湿性关节炎临床试验的策略性设计是在多次临床访视中收集每位患者的疾病活动评分,同时患者可能会因各种原因在预期完成之前退出。退出终止关于患者活动评分的纵向数据收集。在存在信息性脱落的情况下,即脱落取决于纵向过程的潜变量,简单地应用模型来分析纵向结果可能会导致有偏差的结果,因为违反了随机脱落的假设。在本文中,我们开发了一个数据驱动的贝叶斯联合模型建模DAS 28评分和竞争风险信息脱落。激励的例子是依那西普和甲氨蝶呤的临床试验与放射学患者结局(TEMPO,Keystone et.al)。
2018-01-25 stat.AP
A Critical Review of Methods for Real-World Applications to Generalize or Transport Clinical Trial Findings to Target Populations of Interest
已经提出了可推广性和可移植性方法来解决随机临床试验的外部效度偏倚,该偏倚是由于试验人群和目标人群之间处理效应修饰因子的分布差异造成的。然而,这些研究提出了许多挑战。我们回顾并总结了最先进的方法学考虑。此外,我们还为调查人员提供了一个循序渐进的指南,以解决这些挑战,并通过已发表的案例研究进行了说明。当严格进行时,这些研究可以通过提供关键的现实证据在监管决策中发挥不可或缺的作用。
2022-02-02 stat.AP
Utilising high-dimensional data in randomised clinical trials: a review of methods and practice
本综述回顾了在随机临床试验中利用高维数据的方法与实践,发现常用方法为单变量分析,并指出需新方法以更有效分析日益增多的高维数据。
2024-02-05 stat.AP
SurroPilot: An LLM-Assisted Platform for Heterogeneous Surrogate Endpoint Evaluation in Clinical Trials
The University of Texas MD Anderson Cancer Center(德克萨斯大学安德森癌症中心)
SurroPilot是集成LLM与异质性中介框架的辅助平台,可通过自然语言交互完成临床试验异质性替代终点评估全流程,降低了相关方法的应用技术门槛。
2026-08-11 stat.AP
Using public clinical trial reports to evaluate observational study methods
观察性研究对于估计各种医疗干预措施的效果很有价值,但众所周知,由于观察性研究中使用的方法需要许多无法验证的假设,因此难以评估。这种缺乏可验证性的情况使得很难比较不同的观察性研究方法,也很难相信任何特定观察性研究的结果。在这项工作中,我们提出了TrialVerify,这是一种基于来自临床试验报告的基础事实评估观察性研究方法的新方法。我们将试验报告处理成已知因果关系的去噪集合,然后可以用于估计各种观察性研究方法的精确度和召回率。然后,我们使用TrialVerify来评估多个观察性研究方法从大型国家保险索赔数据集中识别已知因果关系的能力。我们发现,逆倾向得分加权是一种有效的方法,准确地再现已知的因果关系,并优于其他观察性研究方法。TrialVerify可供其他人免费使用,以评估观察性研究方法。
2022-09-13 stat.AP
Equipoise calibration of clinical trial design
AstraZeneca Oncology Biometrics(阿斯利康肿瘤生物统计部)
本文提出通过平衡校准方法,改进临床试验设计,以建立临床平衡失衡,提升试验的稳健性和临床意义。
2026-03-11 stat.AP
Estimating Design Operating Characteristics in Bayesian Adaptive Clinical Trials
贝叶斯自适应设计在过去的几十年中随着许多新的发展在临床试验的各个阶段都得到了普及。在2019冠状病毒病大流行期间,需要建立疫苗、治疗方法和政策有效性的证据,以解决或控制危机,这突出了高效灵活的临床试验设计所带来的优势。在许多COVID-19临床试验中,由于高度的不确定性,贝叶斯自适应设计被认为是有利的。设计贝叶斯适应性试验,但是,需要广泛的模拟研究,通常被认为是具有挑战性的,特别是在时间敏感的设置,如流行病。在这篇文章中,我们提出了一套有效的估计和不确定性量化的贝叶斯自适应试验的设计操作特性的方法。具体来说,我们的抽样分布模型的贝叶斯概率陈述,通常用作决策的基础。为了展示所提出的方法的实施和性能,我们使用了一项临床试验设计,其具有在COVID-19试验中流行的有序疾病进展量表终点。然而,所提出的方法通常可以应用于临床试验的背景下,无法通过分析获得设计操作特性。
2022-03-05 stat.AP stat.ME
Estimands and their Estimators for Clinical Trials Impacted by the COVID-19 Pandemic: A Report from the NISS Ingram Olkin Forum Series on Unplanned Clinical Trial Disruptions
COVID-19疫情继续影响全球临床试验的进行。并发症可能来自流行病相关的运营挑战,如研究中心关闭、旅行限制和试验用药品供应链中断,或来自健康相关的挑战,如COVID-19感染。这些并发症中的一些会导致不可预见的并发事件,因为它们会影响与感兴趣的临床问题相关的测量的解释或存在。在这篇文章中,我们展示了ICH E9(R1)附录中关于被估量和敏感性分析的内容如何为讨论潜在的流行病相关试验中断以及将这些中断嵌入研究目的和设计元素提供了严格的基础。我们介绍了几个假设的估计策略,并审查各种因果推断和缺失数据的方法,以及统计方法,结合无偏和可能有偏估计。为了说明,我们描述了程式化试验的特征,以及它如何受到大流行的影响。这个程式化的试验将通过讨论被估量和估计量的变化来重新审视,以解释大流行的破坏。最后,我们概述了在不可预见的中断的情况下设计未来的审判的考虑因素。
2022-02-07 stat.AP stat.ME
Sample size for a non-inferiority clinical trial with time-to-event data in the presence of competing risks
竞争风险模型的分析和规划方法在近几十年的文献中已有描述,非劣效性临床试验在当前的药学实践中有帮助。Parpia等人研究了存在竞争风险的非劣效性临床试验的分析方法,世卫组织指出,比例子分布风险模型适用于生物学研究。然而,竞争风险模型的分析方法与分析单一结局的非劣效性临床试验的方法不同,因此需要相应的方法来规划此类试验。基于比例子分布风险模型,给出了存在竞争风险的非劣效性临床试验样本量计算公式。主要终点依赖于子分布风险比。基于随机对照试验的120次模拟和一个实例验证了所提出公式的经验性能。结果表明,基于韦布尔分布的非劣效性临床试验竞争风险样本量公式的经验功效可以达到目标功效。
2018-02-28 stat.AP stat.ME
A Machine Learning Approach for Recruitment Prediction in Clinical Trial Design
近年来,在优化临床试验患者招募方面取得了重大进展,但是,需要改进患者招募预测方法,以支持试验中心选择并在试验设计阶段估计适当的入组时间表。在本文中,使用来自数千个历史临床试验的数据,我们探索了机器学习方法来预测临床试验中心在试验招募持续时间内每月招募的患者数量。我们表明,这些方法可以减少与当前的行业标准所观察到的错误,并提出进一步改进的机会。
2021-11-14 cs.LG stat.AP stat.ML
Incorporating External Data into the Analysis of Clinical Trials via Bayesian Additive Regression Trees
大多数临床试验涉及新治疗与对照组的比较(例如,护理标准)和处理效应的估计。外部数据,包括历史临床试验数据和真实世界的观察数据,通常可用于对照组。从外部数据中借用信息有望改善相关参数的估计,并增加检测处理效应(如果存在)的把握度。在本文中,我们建议使用贝叶斯加性回归树(BART)将外部数据纳入临床试验的分析,估计条件或人口平均处理效应的特定目标。BART自然地调整患者水平的协变量,并在不同的数据源中捕获潜在的异质处理效应,从而实现灵活的借用。仿真研究表明,BART优于分层线性模型和正态-正态分层模型。我们说明了所提出的方法与针灸试验。
2021-03-15 stat.AP stat.ME
[Invited Discussion] Randomization Tests to Address Disruptions in Clinical Trials: A Report from the NISS Ingram Olkin Forum Series on Unplanned Clinical Trial Disruptions
本文是针对Uschner等人关于临床试验中断与随机化检验研究的特邀讨论,指出靶向学习(TL)及其路线图可有效应对存在并发事件的受中断临床试验,要求作者论证随机化检验的唯一有效性。
2024-08-17 stat.AP stat.ME
Single-World Intervention Graphs for Defining, Identifying, and Communicating Estimands in Clinical Trials
当试图用简单的语言表达临床试验的目标被估量时,经常会出现混淆。我们的目标是纠正这种混乱,通过使用一种称为单世界干预图(SWIG)的因果图来提供被估量的可视化表示,可以有效地传达给跨学科的利益相关者。这些图表不仅显示被估量,而且还通过显示治疗、并发事件和临床结局之间的图形关系来说明因果被估量可识别的假设。为了证明其在药物研究中的有用性,我们提供了ICH E9(R1)附录中规定的各种并发事件策略的SWIG示例,以及来自慢性疼痛真实世界临床试验的示例。生成所有SWIG的乳胶代码都是本文所展示的.我们提倡临床试验者在其研究的计划阶段在其估计讨论中采用SWIG。
2022-06-02 stat.AP stat.ME
A Clinical Instrument to Measure Patient Anecdotes in Clinical Trials
本文提出Clinical IMPACT工具,用于捕捉神经领域非癫痫改善的定性证据,通过专家评审和统计分析提高治疗效果评估的敏感性和全面性。
2025-11-30 stat.AP stat.ME
Use of Historical Individual Patient Data in Analysis of Clinical Trials
在分析临床试验数据时,可利用既往临床试验、观察性研究和健康记录的历史数据,以加强推断。在贝叶斯框架下,通过构建一个信息丰富的先验,可以方便地将从当前数据以外的任何来源获得的信息纳入。基于历史数据定义信息先验的现有方法依赖于在研究水平上测量与当前数据的相似性,并且没有利用个体患者数据(IPD)。本文提出了一个家庭的先验知识,利用IPD加强统计推断。结果表明,所提出的先验构造方法优于现有的方法,其中历史数据与当前数据部分可交换。所提出的方法适用于IPD从一组试验中的非小细胞肺癌。
2021-03-22 stat.AP stat.ME
Selection Induced Contrast Estimate (SICE) Effect: An Attempt to Quantify the Impact of Some Patient Selection Criteria in Randomized Clinical Trials
确定试验的纳入/排除(I/E)标准是试验设计中最重要的步骤之一。越来越复杂的I/E标准可能会在设计和运行试验的人员与使用试验产生的信息的人员之间造成信息不平衡和透明度问题。为了更好地理解和量化一类I/E标准对观察到的处理效应的影响,本文引入并制定了一个名为选择诱导对比度估计(SICE)效果的概念。当治疗影响用于选择的标志物与感兴趣的反应之间的相关性时,SICE效应可存在于对照临床试验中。这一效应通过模拟和真实临床试验数据得到证实。尽管SICE效应背后的统计学元素已经得到了很好的研究,但明确阐述和研究该效应可以使多个领域受益,包括I/E标准的更高透明度、多项临床试验的荟萃分析、现实世界医疗实践中的处理效应解释等。
2020-01-07 stat.AP stat.OT
A Conservative Approach to Leveraging External Evidence for Effective Clinical Trial Design
本文提出一种保守贝叶斯临床试验设计方法,通过使样本量与离散设计先验相称来防范先验-数据冲突,并以二分类和生存终点试验为例证明适度增加II期样本量可显著提升go/no-go决策证据强度。
2023-09-20 stat.AP stat.ME
BACTA-GPT: An AI-Based Bayesian Adaptive Clinical Trial Architect
本文提出BACTA-GPT,一个基于GPT-3.5微调的大语言模型工具,通过自然语言输入辅助贝叶斯自适应临床试验的设计与模拟评估,旨在降低技术门槛并验证其概念可行性。
2025-07-02 stat.AP stat.OT
Generalizing trial evidence to target populations in non-nested designs: Applications to AIDS clinical trials
在大多数情况下,当试验受试者不是从目标人群中随机抽样时,来自随机试验的比较有效性证据可能无法直接推广到具有实质性利益的目标人群。出于需要从艾滋病临床试验组(ACTG)进行的两项试验中推广证据的动机,我们考虑加权,回归和双重稳健估计,以估计HIV干预措施在美国特定人群中的因果影响。我们专注于一个非嵌套试验设计和讨论策略的点和方差估计的目标人口平均处理效应。特别是在可概括性背景下,我们通过分析和经验证明,估计试验中已知的倾向得分不会增加每个加权、回归和双重稳健估计量的方差。我们应用这些方法将两项ACTG试验的平均处理效应推广到指定的目标人群,并将关键的实际考虑因素付诸实施。最后,我们报告的模拟研究,调查有限样本的操作特性的概化估计和三明治方差估计。
2022-04-11 stat.AP stat.ME
Application of the Signature Method to Pattern Recognition in the CEQUEL Clinical Trial
流数据的分类过程通常需要各种特别的方法或特定的启发式模型。我们探索了一种新的非参数和系统的方法来分析异质序列数据。我们证明了这种方法的应用分类的延迟响应的提示,从双相情感障碍的受试者在临床试验期间收集的,使用合成和真实的例子。我们展示了这种方法如何提供一种自然和系统的方法来从序列数据中提取特征。
2016-06-07 stat.AP stat.ML
Recent advances in methodology for clinical trials in small populations: the InSPiRe project
在患者数量有限的情况下,例如在罕见疾病中,在这些小人群中进行的临床试验存在一些挑战,包括统计问题。这导致欧盟FP7在2013年呼吁提出建议。资助的三个项目之一是小人口研究创新方法项目。本文总结了该项目的主要成果,该项目于2017年完成。InSPiRe项目导致为四个地区的小人群临床试验开发了新的统计方法学。我们探索了小人群临床试验的新决策方法,使用贝叶斯决策理论框架来比较成本与潜在效益,开发了靶向治疗试验的方法,能够同时识别亚组并确认这些患者的处理效应,致力于早期临床试验设计和从成人到儿科研究的外推,开发能够使用药代动力学和药效学数据的方法,还为少量试验开发了改进的稳健荟萃分析方法,以支持试验的规划、分析和解释,并能够在患者组之间进行外推。除了科学出版物,我们还为监管指南做出了贡献,并制作了免费软件,以促进新方法的实施。
2018-10-30 stat.AP stat.ME
Robust Variance Estimation for Covariate-Adjusted Unconditional Treatment Effect in Randomized Clinical Trials with Binary Outcomes
为了提高具有二元结局的随机临床试验中无条件处理效应的估计精度和检验假设的功效,研究人员和监管机构建议使用g计算作为协变量调整的可靠方法。然而,g-计算的实际应用受到阻碍,缺乏一个明确的强大的方差公式,可以用于不同的无条件处理效应的利益。为了填补这一空白,我们提供了明确的和强大的方差估计g-计算估计,并通过模拟证明,方差估计可以可靠地应用于实践。
2023-03-27 stat.AP stat.ME
A Simulation Study Evaluating Phase I Clinical Trial Designs for Combinational Agents
目前,越来越多的临床试验选择联合用药作为干预措施,以达到更好的治疗效果。然而,联合药物的剂量确定比单药复杂得多,因为联合剂量毒性的完整顺序未知。因此,常规I期设计不能确定联合药物的最大耐受剂量(MTD)。出于这种需求,许多新的I期临床试验设计的组合剂被提出。有这么多可用的设计,比较其性能,探索参数的影响,并提供建议的研究是非常有限的。因此,我们进行了一项模拟研究,以评估多个第一阶段的设计,提出了确定单一的MTD组合代理在各种情况下。我们还探讨了不同的设计参数的影响。最后,我们总结了每种设计的优缺点,并提供了一个总体的设计选择指南。
2022-08-04 stat.AP stat.OT
A Contextual-bandit-based Approach for Informed Decision-making in Clinical Trials
University of Illinois(伊利诺伊大学);Mayo Clinic(梅奥诊所)
涉及多种治疗的临床试验利用治疗分配的随机化,以便能够以无偏倚的方式评价治疗疗效。这种评估是在事后研究中进行的,通常使用监督学习方法,依赖于以随机方式收集的大量数据。这种方法往往被证明是次优的,因为一些参与者可能会因为在试验期间没有得到最适当的治疗而受苦甚至死亡。强化学习方法通过在试验过程中动态学习治疗效果并相应地调整治疗分配来改善这种情况。最近的努力使用\textit{multi-arm bandits},一种学习方法,集中在最大限度地提高临床结果的人口,假设是同质的。然而,这些方法未能解释参与者之间的差异性,这种差异性由于最近的临床试验研究而变得越来越明显。我们提出了一个基于上下文的强盗在线治疗优化算法,在选择治疗新的参与者在研究中,不仅考虑到最大化的临床结果,但也病人的特点。我们使用来自国际中风试验的真实临床试验数据集评估了我们的算法。我们的回顾性分析的结果表明,所提出的方法比随机分配治疗(当前的金标准)或基于多臂强盗的方法表现得更好,在被分配最合适的治疗的参与者的百分比方面提供了实质性的收益。与随机分配相比,上下文强盗和多臂强盗方法分别提供了72.63%和64.34%的增益。
2018-09-01 cs.AI stat.AP
Robust Detection of Covariate-Treatment Interactions in Clinical Trials
检测临床试验中处理效应和患者描述之间的相互作用对于优化药物开发过程至关重要。临床试验中积累的数据量不断增加,为发现新的生物标志物和进一步实现个性化医疗目标提供了独特的机会,但它也需要能够检测非线性信号(有时是微弱信号)的创新的稳健生物标志物检测方法。基于随机游动理论,我们提出了一组新的单变量统计检验,它能够捕获非线性和非单调的协变量-处理相互作用。我们还提出了一种新的组合测试,它利用了我们提出的所有单变量测试到一个单一的一般情况下的工具的力量。我们提出了合成试验和现实世界的临床试验的结果,在那里我们将我们的方法与最先进的技术进行比较,并证明了我们的方法的实用性和鲁棒性。
2017-12-21 stat.AP stat.CO stat.ME
Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints
University of Virginia(弗吉尼亚大学);University of Pennsylvania(宾夕法尼亚大学);University of Cambridge(剑桥大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
I期剂量探索试验越来越具有挑战性,因为新化合物(或其组合)的疗效和毒性之间的关系变得更加复杂。尽管如此,实践中最常用的方法集中于通过仅从毒性事件中学习来确定最大耐受剂量(MTD)。我们提出了一种新的适应性临床试验方法,称为安全有效性探索剂量分配(SEEDA),其目的是最大限度地提高累积疗效,同时满足高概率的毒性安全约束。我们评估了在实际临床试验中具有操作意义的性能目标,包括累积疗效、推荐/分配成功概率、毒性违背概率和样本效率。一个扩展的SEEDA-Plateau算法,是专为分子靶向药物(MTA)的疗效增加,然后平台的行为。通过使用合成和真实世界数据集的数值实验,我们表明SEEDA通过找到具有更高成功率和更少患者的最佳剂量来优于最先进的临床试验设计。
2020-06-15 cs.LG stat.AP stat.ME