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
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
Causal Survival Analysis in Platform Trials with Non-Concurrent Controls
Division of Biostatistics, Department of Population Health, New York University（纽约大学人口健康系生物统计处）
本文提出了一种因果生存分析框架，针对平台试验中同时对照群体的治疗特异性生存曲线及RMST，通过非参数识别和双稳健估计方法提升精度，验证了合并非同时对照的条件和限制。
2026-08-12 stat.ME
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
Are adaptive allocation designs beneficial for improving power in binary response trials?
我们考虑了经典的问题，选择最好的两个治疗的临床试验中的二元反应。目标是找到最大化相关测试功效的设计。许多文献使用幂函数的正态近似，并声称应使用根据响应的标准差的比率将受试者分配到治疗组的奈曼分配。由于标准差是未知的，因此通常建议采用自适应设计。这种方法的渐近理由是可验证的，因为它在尾部使用正态近似，其中近似的误差大于估计量。我们考虑两种不同的方法，最优性的设计是相关的皮特曼和巴哈杜尔定义的相对效率的测试。我们证明了根据Pitman准则的最优分配是平衡分配，根据Bahadur方法的最优分配取决于未知参数。精确的计算表明，根据Bahadur的最优分配往往接近于平衡设计，并且对于小样本量，两者的功效与Neyman分配相当，并且通常更适合于大实验。我们的研究结果有重要的影响，实验的设计，作为平衡设计被证明是最佳的或接近最佳的和需要的并发症涉及以下的自适应设计的目的，增加测试的权力，因此是值得怀疑的。
2011-03-20 math.ST stat.TH
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
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
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
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 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
Designing an exploratory phase 2b platform trial in NASH with correlated, co-primary binary endpoints
本文介绍 EU-PEARL 针对 NASH 的探索性 2b 期平台试验设计，说明决策规则、监管沟通后的模拟结果，并探讨相关共同主要二分类终点的模拟方法。
2023-01-11 stat.AP
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
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
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
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
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
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
Optimal designs for the development of personalized treatment rules
我们研究了多组平行组临床试验的设计，以估计个性化治疗规则，确定给定协变量的给定患者的最佳治疗。假设每个治疗组的结局由同方差线性模型给出，治疗组之间可能存在不同的方差，并且试验受试者从总体人群中形成随机样本，我们优化了（可能是随机的）治疗分配，允许分配率取决于协变量。我们发现，对于两个治疗的情况下，近似最优分配规则不依赖于协变量的值，但只依赖于响应的方差。相比之下，对于三种或更多种治疗的情况，最佳治疗分配确实取决于协变量的值以及真实的回归系数。最近发表的饮食临床试验的方法说明。
2022-07-12 math.ST stat.TH
Designing and evaluating advanced adaptive randomised clinical trials: a practical guide
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
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
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
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
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
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
Optimal Treatment Allocations Accounting for Population Differences
本文针对临床试验中目标总体与试验总体存在差异的情况，提出了考虑总体差异的最优治疗分配方法，并证明平均治疗效应存在不依赖目标协变量分布的最优分配。
2025-05-21 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
Platform Trials: the Impact of common Controls on Type One Error and Power
平台试验提供了一个框架，可以在一项试验中研究多种干预措施，并有机会打开和关闭两组。与单个对照组或每种治疗单独试验相比，在平台试验中使用共同对照可提高效率。然而，作为共同控制的结果，多重性调整的必要性目前在研究人员、制药公司以及监管机构之间存在争议。我们研究了平台试验中的共同控制臂对第一类错误和功效的影响，与模拟研究中使用单独控制臂的平台试验相比。此外，我们评估了在平台试验中需要进行多重性调整的情况下对把握度的影响。在这两种研究设计中，与标准的双臂随机对照试验相比，未应用多重性调整时，家族错误率（FWER）被夸大。在共同控制的情况下，FWER膨胀较小。在大多数情况下，在多重性调整后，具有共同对照的平台试验在样本量和把握度方面仍然是有益的，而在某些情况下，具有共同对照的平台试验失去了效率增益。因此，我们进一步讨论了调整的必要性，在家庭的定义或假设的依赖性。
2023-02-09 stat.ME
A Seamless Phase I/II Platform Design with a Time-To-Event Efficacy Endpoint for Potential COVID-19 Therapies
在寻找有效的COVID-19治疗方法时，最初的重点是重新定位治疗方法。为了最大限度地提高找到成功治疗方法的机会，需要特别为这种疾病开发的新治疗方法。在本文中，我们描述并评估了AGILE平台的统计设计，这是一个自适应随机无缝I/II期试验平台，旨在快速建立安全的剂量范围，并使用贝叶斯序贯试验设计研究潜在疗效的治疗方法。考虑单药和联合治疗。我们发现，该设计可以确定潜在的治疗是安全和有效的可靠的小到中等样本量。
2020-10-07 stat.AP
Multi-armed Bandit Models for the Optimal Design of Clinical Trials: Benefits and Challenges
多臂强盗问题（MABPs）是一种特殊类型的最优控制问题，非常适合在各种背景下的不确定性下建模资源分配。自从第一次出版的最佳解决方案的经典MABP的动态索引规则，强盗文学迅速多样化，并成为一个活跃的研究课题。在这些文献中，使用强盗模型来优化设计临床试验成为一个典型的激励应用，但很少有由此产生的理论被用于临床试验的实际设计和分析。为此，我们回顾了两个MABP决策理论的方法，在临床试验中的治疗的最佳分配：无限地平线贝叶斯伯努利MABP和有限地平线的变体。这些模型具有不同的理论属性，并导致在临床试验设计背景下单独的分配规则。我们评估他们的表现相比，其他分配规则，包括固定随机化。我们的研究结果表明，强盗的方法提供了显着的优势，在分配更多的患者更好的治疗，和严重的局限性，在其产生的统计功效。我们提出了一种新的基于Bandit的患者分配规则，克服了低功耗的问题，从而消除了在实践中使用的潜在障碍。
2015-07-29 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
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
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
Distribution-Based Sub-Population Selection (DSPS): A Method for in-Silico Reproduction of Clinical Trials Outcomes
本文提出 DSPS 方法，将虚拟亚群选择建模为线性规划问题，在含6062人的 UVLab 中再现并预测德谷胰岛素3期临床试验的26周关键结局。
2024-09-07 stat.AP
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
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
Risk-inclusive Contextual Bandits for Early Phase Clinical Trials
Iowa State University（爱荷华州立大学）；University of Virginia（弗吉尼亚大学）；Pfizer R&D Ltd.（辉瑞研发有限公司）；Pfizer Inc.（辉瑞公司）
本文提出一种风险包容性情境老虎机算法，通过整合受试者特定数据优化早期临床试验中的剂量分配，平衡疗效与安全性。
2026-02-12 stat.ME
Bayesian integration G-formula for platform SMART designs allowing for adding new treatments
Duke-NUS Medical School（杜克-国大医学院）；National University of Singapore（新加坡国立大学）；Duke University（杜克大学）；University of Melbourne（墨尔本大学）
本文提出了一种整合平台试验和SMART设计的新型平台SMART，引入贝叶斯整合G公式（BIG）估计量以处理非同步治疗比较，并通过模拟和SNAP试验验证其有效性。
2026-04-28 stat.ME
A preplanned multi-stage platform trial for discovering multiple superior treatments with control of FWER and power
本研究提出一种可随时预规划加入新治疗组的多阶段平台试验设计，在控制FWER的前提下推导目标检验效能所需样本量，对比发现需控FWER的多数场景中平台试验在样本量上无优势。
2023-08-24 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
Robust and Data-Adaptive Integration of Nonconcurrent Data in Platform Trials via Gaussian Processes
University of Washington（华盛顿大学）；Eli Lilly and Company（礼来公司）
本文提出基于高斯过程的框架，用于整合平台试验中非并发数据，通过时间平滑性提升效率，并提供数据自适应整合与不确定性量化，同时建立理论保证。
2026-05-14 stat.ME
Safety-Driven Response Adaptive Randomisation: An Application in Non-inferiority Oncology Trials
University of Padua（帕多瓦大学）；University of Cambridge（剑桥大学）
SAFER是一种基于安全性数据的响应自适应随机化设计，用于非劣性肿瘤学试验中，通过动态调整分配比例平衡疗效和安全性。
2026-02-19 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
Online control of the False Discovery Rate in group-sequential platform trials
当检验多个假设时，即使在探索性试验中，也应该控制适当的错误率。控制错误发现率（FDR）的传统方法假定所有p值在测试决策的时间点都可用。然而，在平台试验中，治疗组在试验进行期间的任何时间进入和离开试验。因此，处理和假设检验的数量不是预先固定的，假设不是立即检验的，而是顺序检验的。最近，对于这样的设置，引入了FDR的在线控制的概念。我们研究了LOND程序，以控制平台试验中的在线FDR，并提出了一个扩展，以允许中期分析，并选择提前停止有效性或无效性的个别假设。功效敏感地取决于效应量的先验分布，例如，真正的替代品是否随时间均匀分布。我们考虑LOND程序的设计参数的选择，以最大限度地提高总体功效，并比较OBrien-Fleming组序贯设计与Pocock方法。最后，我们调查的错误率的影响，包括并发和非并发控制数据。
2021-12-20 stat.ME
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
Identification and estimation of causal effects using non-concurrent controls in platform trials
针对平台试验中非同期对照的因果效应估计难题，提出靶向同期平均治疗效应并采用协变量调整的双重稳健估计量，验证了收集预后变量比依赖非同期对照更能提升效率，在ACTT试验中精度提升20%。
2024-12-13 stat.ME
On model-based time trend adjustments in platform trials with non-concurrent controls
平台试验可以评估几种治疗方法与对照组相比的疗效。治疗次数不固定，因为随着试验的进展，可能会增加或删除治疗组。平台试验比独立平行组试验更有效，因为使用了共享的对照组。对于稍后进入试验的组，并非对照组的所有患者都同时接受随机化。然后将对照组分为并发和非并发对照。使用非同期对照（NCC）可以提高试验的效率，但由于时间趋势，可能会引入偏倚。我们关注一个有两个治疗组和一个共同对照组的平台试验，假设稍后添加第二个治疗组，我们评估基于模型的方法在使用NCC时调整时间趋势的稳健性。我们考虑将时间趋势建模为线性或阶跃函数的方法，其中在手臂进入或离开试验的时间具有步骤。对于具有连续或二元结局的试验，我们研究了在一系列场景下检验新添加组疗效的1型错误率（t1e）和把握度。除了时间趋势在各臂之间相等的情况外，我们还研究了模型尺度中趋势不同或不加性的设置。对所有臂的数据拟合的阶跃函数模型在控制t1e的同时提供了增加的功效，只要不同臂的时间趋势相等并且在模型尺度上是相加的。如果使用块随机化，即使趋势的形状偏离阶跃函数，这也成立。但是，如果两组之间的趋势不同，或者在模型规模上不是相加的，则可能会失去控制。通过使用阶跃函数模型来纳入NCC所获得的效率可以超过潜在的偏差。然而，应考虑试验的具体情况、不同时间趋势的可解释性以及结果的稳健性
2022-07-26 stat.ME
Optimal allocation of subjects in a cluster randomized trial with fixed number of clusters when the ICCs or costs are heterogeneous over clusters
群内相关系数（ICC）在整群随机试验（CRT）设计中起着重要作用。通常，最佳CRT的设计假设跨集群的ICC的大小是恒定的。然而，这一假设很难得到满足。在一些应用中，关于簇特定相关性的精确信息是预先已知的。在这篇文章中，我们提出了一个最佳的设计，跨集群的非恒定ICC。此外，在许多情况下，对来自特定集群的观察结果进行采样的成本可能与其他一些集群的不同。在这些情况下的最佳设计也得到假设从不同的集群采样成本不等。理论研究结果得到了充分的数值例子的补充。
2019-02-20 stat.CO stat.ME
On the use of non-concurrent controls in platform trials: A scoping review
该范围综述系统梳理了平台试验中纳入非同期对照的现有方法、核心假设与特征，同时总结了监管机构对非同期对照的相关指南与观点，并分析了其应用优势与潜在风险。
2022-11-17 stat.ME
Synergy-Informed Design of Platform Trials for Combination Therapies
本文针对早期联合治疗平台试验，提出基于广义 Dunnett 程序的统计框架，利用临床前数据估计效应量、协同参数和组间相关性，以控制假阳性率并优化样本量分配，从而提升从实验室到临床的转化效率。
2025-06-03 stat.ME
Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation
Harvard University（哈佛大学）；Google Research（谷歌研究院）；Carnegie Mellon University（卡内基梅隆大学）
我们认为，通过随机对照试验（RCT）的算法资源分配的政策进行评估的任务。这些政策的任务是优化有限干预资源的利用，以最大限度地扩大所产生的惠益。通过随机对照试验对这种分配政策进行评估证明是困难的，尽管试验的规模很大，因为通过控制政策决定的资源限制，个人的结果是不可分割地相互关联的。我们的主要贡献是提出了一个新的估计器，利用我们提出的新概念，这涉及到在RCT结束时跨实验组的参与者的回顾性重新洗牌。我们确定的条件下，这种再确认是允许的，可以利用构建反事实的审判，其结果可以准确地确定，免费的。我们从理论上证明，这样的估计是更准确的比常见的估计的基础上样本均值-我们表明，它返回一个无偏估计，同时减少方差。我们通过对合成、半合成以及真实案例研究数据的实证实验证明了我们方法的价值，并全面提高了估计精度。
2023-02-06 cs.AI cs.LG stat.ME
On the inclusion of non-concurrent controls in platform trials with an interim analysis
Universitat Politècnica de Catalunya - BarcelonaTech (UPC)（加泰罗尼亚理工大学）；Medical University of Vienna（维也纳医科大学）
本文研究了在包含中期分析的平台试验中如何纳入非同时对照，探讨了非同时对照对治疗效应估计的影响，并提出了一种新的估计方法以减少偏差和I类错误。
2026-03-24 stat.ME
