Information-adaptive clinical trials with selective recruitment and binary outcomes
选择性招募设计优先招募估计在临床试验中具有统计学信息的个体。被期望提供较少信息的个人被招募的概率较低。此外，在信息适应性设计中，新兵以最大化信息增益的方式被分配到治疗组。个体的信息量取决于其协变量（或生物标志物）值，如何定义信息是信息自适应设计的关键要素。在本文中，我们定义和评估四种不同的方法来量化统计信息。使用实验数据和数值模拟，我们表明，选择性招募设计可以提供一个显着增加的统计功率相比，随机设计。在没有选择性招募的试验中，我们发现根据信息适应性协议将个体分配到治疗组也会导致统计功效的增加。因此，选择性招募设计可以使用更少的招募人员进行成功的试验，从而提供经济和道德优势。
2017-05-30 math.ST stat.ME stat.TH
Adaptive Allocation Theory in Clinical Trials
各种自适应随机化程序（自适应设计）已被提出的临床试验。本文讨论了几个大类的过程，如玩赢家规则和马尔可夫链模型，随机玩赢家规则和瓮模型，丢弃输家规则，双偏硬币自适应设计。渐近理论提出了几个关键的证明。延迟响应的影响，这些设计的功效和变异性的比较也进行了讨论。
2006-12-28 math.PR math.ST stat.ME
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
On Bayesian Sequential Clinical Trial Designs
临床试验通常涉及连续的患者输入。在设计临床试验时，通常需要包括对累积数据进行中期分析的规定，这些数据可能会提前停止试验。我们回顾贝叶斯序贯临床试验设计的基础上后验概率，后验预测概率和决策理论框架。一个相关的问题是贝叶斯序贯设计是否需要调整中期分析的计划。我们从三个角度回答这个问题：频率导向的角度，校准贝叶斯的角度，和主观贝叶斯的角度。我们还提供了新的见解似然原理，这是通常绑在统计推断和决策的顺序临床试验。一些理论结果的推导，并进行数值研究，以说明和评估这些设计。
2023-03-10 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
A Latent Gaussian Process Model with Application to Monitoring Clinical Trials
在许多临床试验中，治疗需要重复应用，因为疾病在长时间缓解后经常复发（例如，35周）。大多数统计学研究集中在总体试验设计上，如样本量和功效计算，或集中在试验完成后的数据分析上。在提高试验监测效率方面做得很少，例如因无效而提前终止试验。这种试验监测所面临的挑战主要是由于需要对患者的重复结果进行适当建模。我们提出了一个贝叶斯试验监测计划的临床试验重复和潜在的循环二进制结果。我们构建了一个潜在的高斯过程（LGP）模型离散的纵向数据在这些试验。LGP描述了引起观察到的纵向二元结果的潜在过程。研究了该模型的后验一致性。后验推理采用混合蒙特卡罗算法。在各种临床场景下进行模拟研究，并根据现实生活中的试验报告了一个案例研究。
2014-03-31 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
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
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
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
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
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
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
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
A Bayesian seamless phase I-II trial design with two stages for cancer clinical trials with drug combinations
在过去的几年中，药物组合在临床试验中的使用越来越普遍，因为通过组合药物可以获得更有利的治疗反应。在I期临床试验中，大多数现有方法推荐一种独特的剂量组合为“最佳”，这可能导致随后的II期临床试验失败，因为其他剂量组合在相同毒性水平下可能具有更高的治疗疗效。我们特别感兴趣的是需要等待几个治疗周期才能观察疗效结局的情况，以及I期和II期患者人群在治疗疗效方面不同的情况。在这些情况下，通常的做法是实施两阶段设计，其中在第一阶段选择一组最大耐受剂量组合，然后在第二阶段研究治疗疗效。在这篇文章中，我们提出了一个新的两阶段设计的早期阶段的临床试验与药物组合。在第一阶段，使用二元毒性数据来指导剂量递增并设定最大耐受剂量组合。在第二阶段，我们采用第一阶段推荐的最大耐受剂量组合，该组合在整个第二阶段保持固定，并通过自适应随机化，我们将后续队列的患者分配到可能具有较高后中位数至进展时间的剂量组合中。该方法进行了广泛的模拟评估，并与一个真正的审判举例说明。
2020-02-14 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
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
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
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
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
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
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
Clinical Trial Active Learning
Georgia Institute of Technology（佐治亚理工学院）
针对临床试验数据非独立同分布的问题，提出基于采集时间约束的前瞻性主动学习方法，在OCT图像疾病检测任务中，于两类测试设置下均优于传统回顾性主动学习方法。
2023-07-20 cs.LG eess.IV stat.ME
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
Negative Spillover: A Potential Source of Bias in Pragmatic Clinical Trials
本文探讨了实用主义临床试验中因稀缺资源分配导致的负面溢出效应偏倚，分析了其对患者导航、AI生理警报等干预效果高估的影响，并提出了检测与避免该偏倚的方法。
2024-03-26 q-bio.QM stat.ME
Application of Multi-Armed Bandits to Model-assisted designs for Dose-Finding Clinical Trials
我们考虑将多臂强盗应用于剂量探索临床试验的模型辅助设计。多武装土匪是非常简单和强大的方法，以确定行动，以最大限度地提高奖励在有限的试验次数。在多武装匪徒中，我们首先考虑使用汤普森采样，该采样基于来自后验分布的随机样本来确定行动。在小样本量下，如剂量探索试验中，由于后验分布的尾部较重，随机样本的变异性太大，我们还考虑了正则化Thompson抽样和贪婪算法的应用。贪婪算法基于后验均值确定剂量。此外，我们还提出了一种方法来确定剂量的基础上的后验中位数。我们评估我们提出的设计的性能，通过模拟研究的六种情况。
2022-01-14 stat.ME
Finding and assessing treatment effect sweet spots in clinical trial data
在随机对照试验中识别异质性处理效应（HTE）是理解试验结果并根据试验结果采取行动的重要一步。然而，HTE通常很小并且难以识别，并且非常通用的HTE建模方法可能遭受低功耗。我们提出了一种方法，利用任何现有的疾病严重程度和处理效应之间的关系，并确定了“甜蜜点”，连续的疾病严重程度的估计治疗效益最大化的范围。我们进一步计算最佳点条件平均处理效应（CATE）的偏差校正估计值和$p$值。因为我们确定了一个单一的最佳点和$p$值，我们相信我们的方法是直接解释和可操作的：我们的方法的结果可以为未来的临床试验提供信息，并帮助临床医生做出个性化的治疗建议。
2020-11-23 stat.ME
In silico clinical trials in drug development: a systematic review
University Medical Center Göttingen（哥廷根大学医学中心）；Univ Rennes（雷恩大学）；Inserm（法国国家健康与医学研究院）；EHESP（高等公共卫生学院）；F. Hoffmann-La Roche AG（罗氏制药）；Uppsala University（乌普萨拉大学）；Radboud university medical center（拉德堡德大学医学中心）；UniversitéParis Cité（巴黎西岱大学）；INRIA Paris（法国国家信息与自动化研究所巴黎分部）；European Joint Programme on Rare Diseases（欧洲罕见病联合计划）；Novartis Pharma AG（诺华制药）；Bayer Pharma AG（拜耳制药）；Warwick Clinical Trials Unit（华威临床试验单位）；Warwick Medical School（华威医学院）；University of Warwick（华威大学）；Medical University of Vienna（维也纳医科大学）
本文综述了计算机临床试验（ISCT）在药物开发中的作用，指出其主要用于癌症和影像研究，但对罕见病和儿童病的应用有限，且多数模型依赖临床数据驱动，但可重复性较低。
2025-08-04 q-bio.QM stat.ME
Two-Stage Penalized Regression Screening to Detect Biomarker-Treatment Interactions in Randomized Clinical Trials
University of Cambridge（剑桥大学）；Newcastle University（纽卡斯尔大学）
在随机临床试验中，越来越多地测量基因组学等高维生物标志物。因此，人们对开发提高检测生物标志物-治疗相互作用的能力的方法越来越感兴趣。我们适应最近提出的两阶段的相互作用检测程序在随机临床试验的设置。我们还提出了一个新的阶段1多变量筛选策略，使用岭回归来解释生物标志物之间的相关性。对于这个多变量筛选，我们证明了渐进的阶段间的独立性，所需的家庭明智的错误率控制，生物标记治疗的独立性。模拟结果表明，在各种情况下，岭回归筛选程序可以提供比传统的一次一个生物标志物的筛选程序在高度相关的数据显著更大的功率。我们还在两个实际的临床试验数据应用中验证了我们的方法。
2021-04-28 cs.LG q-bio.QM stat.ME
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
Modern approaches for evaluating treatment effect heterogeneity from clinical trials and observational data
本文综述了从临床试验和观察数据中评估治疗效果异质性的现代统计方法，区分原则性方法与常见做法，并通过模拟数据和案例研究展示新方法的性能。
2024-10-20 stat.ME
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
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
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
Pragmatic Clinical Trials in the Rubric of Structural Causal Models
Marquette University（马凯特大学）；Oregon Clinical and Translational Research Institute（俄勒冈临床与转化研究所）；Oregon Health & Science University（俄勒冈健康与科学大学）
解释性研究，例如随机对照试验，旨在提取干预措施对结果的真正因果影响，并通过随机化设计针对协变量进行调整。相反，观察性研究是在没有干预的情况下发生的事件的代表。两者都可以使用结构因果模型（SCM）来说明，并且可以使用do-calculus来估计因果效应。实用性临床试验（PCT）介于试验设计范围的这两端，因此很难定义。由于其实用性，尚未确立PCT通过SCM的标准化表述。在本文中，我们提出了一个广义的结构因果模型（SCM）的标题下的PCT表示来处理这个问题。我们讨论了不同的分析技术通常采用PCT使用拟议的图形模型，如意向治疗，治疗，和每协议分析。为了展示我们所提出的方法的应用，我们利用了一个实用的临床试验的实验数据集。我们通过PCT提出的SCM创建了一条在临床数据集上利用do-calculus和相关数学运算的途径。
2022-04-28 cs.AI stat.ME
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
Modelling and forecasting patient recruitment in clinical trials with patients' dropout
本文重点研究了临床试验中患者招募的统计建模和预测。招募模型基于Anisimov和Fedorov（2007）引入的Poisson-gamma模型，其中患者根据泊松过程到达不同的中心，速率被视为gamma分布的随机变量。每例患者可以在某个筛选期退出研究。管理辍学过程非常重要，但很少正确收集与辍学有关的数据。本文提出了几种辍学模型。开发了用于估计参数和预测随时间招募的患者数量和招募时间的技术。模拟结果证实了该技术的适用性，因此，有必要考虑到患者辍学的预测招募阶段的临床试验。
2022-02-14 stat.ME stat.OT
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
Using Recursive Partitioning to Find and Estimate Heterogenous Treatment Effects In Randomized Clinical Trials
本文提出结合特殊损失函数与选择后推断的递归划分方法，用于从随机临床试验数据中归纳发现并估计局部平均治疗效应，并在低风险缓刑人员最低监督试验中应用。
2018-07-11 stat.ME
