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
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
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
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
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
Rejoinder to "Multivariate Bayesian Logistic Regression for Analysis of Clinical Trial Safety Issues"
对W.“临床试验安全性问题分析的多变量贝叶斯逻辑斯谛回归”的反驳。DuMouchel [arXiv：1210.0385].
2012-10-02 stat.ME
Predictive Directions for Individualized Treatment Selection in Clinical Trials
在许多临床试验中，不同亚组的个体经历了不同的处理效应。这导致治疗获益的个体差异。在这篇文章中，我们介绍了预测方向的一般概念，这是由潜在的结果考虑动机的风险评分。这些技术大量借用充分降维（SDR）和因果推断方法。在某些条件下，可以使用SDR文献中的现有方法来估计假设理想化的完整数据结构的方向，从而产生对临床试验数据集的明显扩展。此外，我们推广的方向的想法，利用支持向量机的非线性设置。该方法与应用程序说明了一系列的结直肠癌临床试验。
2018-07-09 stat.ME
Discussion of "Multivariate Bayesian Logistic Regression for Analysis of Clinical Trial Safety Issues" by W. DuMouchel
W.“用于临床试验安全性问题分析的多变量贝叶斯逻辑斯谛回归”讨论。DuMouchel [arXiv：1210.0385].
2012-10-02 stat.ME
Active Clinical Trials for Personalized Medicine
个体化治疗规则（ITR）根据个体患者的特征定制治疗。它们可以显著改善患者护理，因此越来越受欢迎。随机临床试验期间收集的数据通常用于估计最佳ITR。然而，这些试验通常是昂贵的运行，而且，他们不是为了有效地估计ITR。在本文中，我们提出了一个成本效益的估计方法，从主动学习的角度。特别是，我们的方法只从正在进行的临床试验中招募“信息量最大”的患者（就学习最佳ITR而言）。仿真研究和真实数据的例子表明，我们的积极的临床试验方法显着改善竞争的方法。我们得出的风险界限，并表明他们支持这些观察到的经验优势。
2015-06-29 stat.ME
Discussion of "Multivariate Bayesian Logistic Regression for Analysis of Clinical Trial Safety Issues" by W. DuMouchel
W.“用于临床试验安全性问题分析的多变量贝叶斯逻辑斯谛回归”讨论。DuMouchel [arXiv：1210.0385].
2012-10-02 stat.ME
Towards More Flexible False Positive Control in Phase III Randomized Clinical Trials
III期随机临床试验在评估新的医疗产品方面发挥着至关重要的作用。由于我们在评估医疗产品功效的能力中固有的不确定性，对试验结果的解释依赖于统计学原理，以将假阳性的误差控制在理想水平以下。成熟的统计假设检验程序存在两个主要局限性，即声称成功的阈值缺乏灵活性，以及缺乏控制大量试验可能产生的假阳性总数的能力。我们提出了两个一般的理论框架的基础上，传统的频率主义范式和贝叶斯的观点，这提供了现实的，灵活的和有效的解决方案，这些限制。我们的方法是基于感兴趣的试验人群的效应量分布。该分布的估计实际上是可行的，因为clinicaltrials.gov提供了一个集中的数据存储库，无偏地覆盖了临床试验。我们提供了两个框架的详细发展与行业赞助的III期随机临床试验获得的数值结果。
2019-02-21 stat.ME
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
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
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
Dynamic borrowing from historical controls via the synthetic prior with covariates in randomized clinical trials
针对类风湿关节炎临床试验场景，提出带协变量的贝叶斯合成先验方法SPx，仅需试验级汇总统计量即可动态借用历史对照信息，在保证频率学性质的前提下有效减少新试验的对照组规模。
2025-07-31 stat.ME
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
Next generation clinical trials: Seamless designs and master protocols
本文综述无缝临床试验与主方案如何通过阶段衔接和多疗法、多亚组统一框架提升癌症药物开发效率，并结合真实案例分析其优势、成功原则及监管挑战。
2024-05-10 stat.ME
A general Bayesian approach to design adaptive clinical trials with time-to-event outcomes
提出一种基于部分似然的通用贝叶斯框架，用于设计具有生存时间结局的适应性临床试验，无需指定完整数据生成过程，对基线风险函数形式稳健，并通过重新设计疫苗临床试验验证了方法优势。
2025-07-15 stat.ME
Combining Evidence from Clinical Trials in Conditional or Accelerated Approval
有条件（欧洲药品管理局）或加速（美国食品和药物管理局）的药物批准允许更早地获得有希望的新治疗，以解决未满足的医疗需求。为了获得完全批准，通常必须满足某些上市后要求，例如进行新的上市后临床试验。我们研究了最近开发的谐波均卡方检验的适用性，这个有条件或加速批准框架。所提出的方法可用于支持上市后试验的设计和对两项试验提供的综合证据的分析。其他的方法被认为是两个试验规则，费舍尔的标准和斯托弗的方法。与一些传统方法相比，谐波均数卡方检验总是需要上市后临床试验。如果上市前临床试验的p值<< 0.025，则上市后临床试验所需的样本量小于两次试验规则。为了说明，我们将调和均数卡方检验应用于获得EMA有条件（后来完全）市场许可的药物。通过仿真研究，对调和均数卡方检验和两次试验规则的运行特性进行了详细的研究。最后，我们研究了这两种方法在正在进行的上市后试验中期计算功效的适用性。预计这些结果将有助于设计和评估所需的上市后研究，以达到完全批准所需的证据水平。
2022-10-18 stat.ME
Adaptive Cohort Size Determination Method for Bayesian Optimal Interval Phase I/II Design to Shorten Clinical Trial Duration
最近，肿瘤学剂量优化策略已转向进行多次给药的II期随机对照试验。从I期试验数据中选择最佳生物剂量以确定II期试验的候选剂量已受到关注。本研究提出了一种新的自适应队列规模确定方法，用于最佳生物剂量发现，以加速试验。根据正在进行的试验的毒性和疗效数据自适应地确定队列规模扩展。在仿真中，所提出的方法缩短了试验时间，并保持精度。与非适应性队列规模确定设计相比，试验持续时间平均缩短约20%。使用一个简单的例子证明了队列规模的扩展。
2023-02-13 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
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
Improving efficiency of inference in clinical trials with external control data
假设我们对临床试验中的治疗效果感兴趣。由于样本量较小，推断的效率可能受到限制。然而，外部对照数据通常可从历史研究中获得。幽门螺杆菌感染的应用程序的动机，我们展示了如何借用这些数据的力量，以提高在临床试验中的推理效率。在关于潜在结果平均值的互换假设下，我们表明，通过合并临床试验数据和外部对照，可以降低估计平均处理效应的半参数效率界。然后，我们推导出一个双鲁棒和局部有效的估计。效率的提高是突出的，特别是当外部控制数据集具有大的样本量和小的变异性。我们的方法允许一个宽松的重叠假设，我们说明的情况下，临床试验只包含一个治疗组。我们还开发了双重稳健和局部有效的方法，将临床试验中的因果效应外推到外部人群和总体人群。我们的研究结果也为试验设计和数据收集提供了有意义的启示。我们通过模拟评估有限样本性能的估计。在幽门螺杆菌感染的应用中，我们的方法显示联合治疗比三联治疗具有潜在的疗效优势。
2021-12-09 stat.ME
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
Toxicity Monitoring Rule for a Two-Cohort Phase II Clinical Trial with Bivariate Beta Prior
Medical College of Wisconsin（威斯康星医学院）
本文提出基于双变量贝塔先验的贝叶斯方法，平衡了单臂和双队列监测方法的优劣，通过混合贝塔分布计算精确的操作特性。
2026-03-30 stat.ME
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
Mathematical programming tools for randomization purposes in small two-arm clinical trials: A case study with real data
本研究回顾并比较了数学规划与协变量自适应随机化方法在小型双臂临床试验中的性能，引入基于联合分布的能量距离度量，并通过数值实验展示其优势。
2024-02-08 stat.ME
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
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
Making all pairwise comparisons in multi-arm clinical trials without control treatment
针对无对照臂的多臂试验，本文提出可精确控制错误率、提升效能且支持多阶段适应性设计的全成对假设检验方法。
2024-10-28 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
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
Clinical trial design enabling ε-optimal treatment rules
医学研究在随机临床试验中选择样本量的惯例是基于假设检验理论的。贝叶斯主义者认为，试验的设计应该在临床感兴趣的环境中最大化主观预期效用。考虑到治疗反应的可信先验分布，这种观点是令人信服的，但贝叶斯学派一直在努力提供先验规范的指导。本文应用Wald（1950）的频率论统计决策论研究了模糊情况下的试验设计问题。我们证明了当试验具有足够大的样本量时，ε-最优规则存在。一个ε-最优规则在自然状态下的期望福利在最佳待遇福利的ε范围内。等价地，它的最大遗憾不大于ε。我们考虑在按协变量和治疗分层的组内随机抽取预定数量的受试者的试验。主要的分析结果是关于样本量的简单的充分条件，当结果有界时，确保ε-最优处理规则的存在。这些条件是通过应用Hoeffding（1963）的大偏差不等式来评估经验成功规则的性能而得到的。
2015-09-25 stat.ME
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
Bayesian Models and Decision Algorithms for Complex Early Phase Clinical Trials
早期临床试验是评估潜在的新抗病药物或药物组合在人体中的作用的第一步。通常被称为“I期”或“I/II期”试验，这些实验通常具有确定可接受剂量的名义科学目标，最常见的是基于不良事件概率。这源于I期试验的传统，以评估用于治疗癌症的细胞毒性药物，尽管某些方法可以应用于其他医疗环境，例如治疗中风或免疫性疾病。早期试验的大多数现代统计学设计包括基于模型的结果适应性决策规则，这些规则根据试验中先前患者的数据为连续患者队列选择剂量。然而，由于其复杂性，需要密集的基于计算机的数据监测以及医学界对变化的抵制，这种设计在临床实践中的使用有限。尽管如此，许多基于模型的结果自适应设计的实际应用在患者受益和科学结果方面都非常成功。在本文中，我将回顾几个贝叶斯早期试验设计，这些设计是为适应特定临床环境中治疗方案和患者结局的特定复杂性而定制的。
2010-11-30 stat.ME
Multistate Models as a Framework for Estimand Specification in Clinical Trials of Complex Processes
基于强度的多状态模型提供了一个有用的框架，用于表征疾病过程，干预措施的引入，失访以及在研究复杂生活史过程的随机试验中出现的其他并发症。在这个框架内，我们讨论的被估量的规格所涉及的问题，并显示基于累积关联函数回归模型的边际过程特征的共同估计的极限值。当并发事件出现时，我们强调需要仔细定义目标估计量，以及避免在现实世界中无法解释的推断目标的重要性。这对分析有影响，但也对临床试验的设计有影响，在临床试验中，方案可能有助于基于边缘特征解释被估量。
2022-09-27 stat.ME
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
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
Deep Historical Borrowing Framework to Prospectively and Simultaneously Synthesize Control Information in Confirmatory Clinical Trials with Multiple Endpoints
在当前的临床试验开发中，历史信息受到更多关注，因为它提供的效用超出了样本量计算。元分析预测（MAP）先验和鲁棒MAP先验已被提出用于前瞻性地借用单个终点的历史数据。为了同时综合验证性临床试验中多个终点的控制信息，我们提出从贝叶斯分层模型中近似后验概率，并通过深度学习估计临界值，以构建用于假设检验的预定策略。该功能对于通过在试验实施前建立前瞻性决策功能来确保研究完整性非常重要。仿真结果表明，我们的方法适当地控制家庭明智的错误率（FWER），并保留权力相比，一个典型的做法，选择恒定的临界值给定的一个子集的零空间。令人满意的性能下的先验数据冲突也被证明。我们使用免疫学中的案例研究进一步说明我们的方法。
2022-08-02 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
Adaptive clinical trials based on design-optimal e-values with automatic curtailment: An application to single-arm trials with binary data
MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计单元）；Amsterdam UMC, Amsterdam（阿姆斯特丹大学医学中心）
本文提出基于有限时域最优e值的单臂多阶段临床试验设计，通过动态规划最大化统计功效或最小化期望样本量，并证明其在二分类数据中具有竞争力。
2026-05-27 stat.ME
Clinical trials impacted by the COVID-19 pandemic: Adaptive designs to the rescue?
最近，新的病原体严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）被确定，世界卫生组织宣布2019年冠状病毒病（COVID-19）为大流行病。疫情对正在进行的非COVID-19临床试验产生了多项影响。受四个目前正在进行的各种疾病领域的临床试验的启发，我们说明了大流行所面临的挑战，并勾勒出可能的解决方案，包括适应性设计。提供了以下方面的指导：（i）盲态调整可以提供帮助的地方;（ii）如何实现第一类错误率控制（如需要）;（iii）如何处理潜在的处理效应异质性;（iv）如何利用早期读数;以及（v）如何利用贝叶斯技术。更详细地说，研究人员制定了阻止受大流行影响的试验的方法，包括考虑提前停止试验、使用组序贯设计或调整样本量。所有考虑的方法都在一个免费的R shiny应用程序中实现。此外，还讨论了监管和运营问题，包括数据监测委员会的作用。
2020-05-28 stat.AP
The nph2ph-transform: applications to the statistical analysis of completed clinical trials
本文提出nph2ph变换，将非比例风险模型转化为比例风险形式，从而利用已有技术分析复杂NPH数据，更好地理解临床试验中治疗效果的时间依赖性。
2024-07-26 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
Generalized Likelihood Ratio Statistics and Uncertainty Adjustments in Efficient Adaptive Design of Clinical Trials
基于广义似然比统计量和最优序贯检验理论，提出了一种在一般多参数指数族背景下的临床试验适应性设计的新方法。这些设计易于实现，保持规定的第一类错误概率，并且是渐近有效的。在临床试验中涉及的实际问题，允许中途适应和关于这个问题的大量文献进行了讨论，并提出了建议和现有的设计之间的比较，在广泛的模拟研究，其有限样本的性能，测量预期的样本量和功率函数。
2011-05-24 math.ST stat.ME stat.TH
Clinical trials with interim analyses: Standardizing Terminology to increase clarity
针对临床试验期中分析在操作与解读中存在的术语混淆问题，来自制药业、学界和监管机构的统计师团队提出标准术语体系，以减少误解、促进清晰沟通。
2025-06-13 stat.AP
A matching design for augmenting a randomized clinical trial with external control
使用来自真实世界的信息来评估医疗产品的有效性越来越受欢迎，并且更容易被监管机构接受。根据美国食品和药物管理局发布的战略性真实世界证据框架，用真实世界数据增强内部对照臂的混合随机对照试验是一种值得更多关注的务实方法。在本文中，我们的目的是改进现有的匹配设计，这样一个混合随机对照试验。特别是，我们建议匹配整个同期随机临床试验（RCT），以便（1）用于增加内部对照组的匹配外部对照受试者尽可能与RCT人群相当，（2）将多种治疗的RCT中的每个活性治疗组与相同对照组进行比较，（3）在治疗揭盲前可以进行匹配并锁定匹配集，以更好地保持数据完整性。除了加权估计外，我们还引入了一种自举方法来获得其方差估计。有限样本的性能，所提出的方法进行评估模拟的基础上，从一个真正的临床试验的数据。
2022-03-18 stat.ME
Multivariate Rank-Based Analysis of Multiple Endpoints in Clinical Trials: A Global Test Approach
本文提出一种基于多元秩的全局非参数检验方法，通过联合排序分析临床试验中的多重终点，相比现有方法在控制I类错误和功效上表现更优且更具稳健性。
2023-06-28 stat.ME stat.OT
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
