A Bayesian Discrete Framework for Enhancing Decision-Making Processes in Clinical Trial Designs and Evaluations
University of South Alabama(南阿拉巴马大学);Boehringer Ingelheim Pharmaceuticals, Inc.(勃林格殷格翰制药有限公司);University of Nevada, Las Vegas(内华达大学拉斯维加斯分校)
本文提出一种贝叶斯离散框架,用于提升临床试验设计与评估中的决策过程,通过整合先验知识和离散概率模型提高分析稳健性。
2026-01-15 stat.AP stat.ME
Long-term effect estimation when combining clinical trial and observational follow-up datasets
University of Washington(华盛顿大学);Fred Hutchinson Cancer Research Center(弗雷德·哈钦森癌症研究中心)
针对临床试验与观察性随访数据关联不完整导致的缺失问题,提出NLAC和基于CLAR假设的逆概率加权方法估计长期效应,并通过模拟和SWOG研究验证有效性。
2026-09-22 stat.ME
Clarifying the Role of the Mantel-Haenszel Risk Difference Estimator in Randomized Clinical Trials
本文将MH风险差估计量重新解释为随机临床试验中的协变量调整方法,放宽共同风险差假设,证明其在大层、稀疏层及混合机制下的一致估计性质,并提出统一的稳健方差估计量。
2025-05-09 stat.ME
A unified framework for weighted parametric group sequential design (WPGSD)
成组序贯设计(GSD)广泛应用于临床试验中,需要对多个假设进行相关检验。导致具有已知相关性的检验的多个主要目的包括评价1)多个实验治疗组,2)多个群体,3)多个组和多个群体的组合,或4)任何渐近多变量正态检验。在本文中,我们专注于前3个这些和扩展框架的加权参数多重检验程序从固定的设计与一个单一的分析,每个目标的GSD设置不同的目标可能会被评估在相同或不同的时间,每个在一组顺序的方式。本文提出了封闭试验条件下加权参数组序贯设计(WPGSD)的实用设计与分析方法,当考虑试验间的相关性时,可保持对族内第一类错误率(FWER)的强控制。与未完全调整已知相关性的设计相比,这导致能够放宽测试界限,增加功效或允许减少样本量。我们说明了所提出的方法,使用临床试验的例子,并进行模拟研究,以评估操作特性。
2021-03-18 stat.ME
Design and Analysis of group-sequential clinical trials based on a modestly-weighted log-rank test in anticipation of a delayed separation of survival curves: A practical guidance
最近许多评估免疫疗法对生存影响的试验的一个共同特征是,在设计阶段可以预期非比例风险。这提出了使用针对测试声称的长期益处而定制的统计方法的可能性,而不是应用更标准的对数秩检验和/或Cox模型。近年来提出了许多这样的建议,但仍然缺乏关于执行的实际指导,特别是在按组顺序设计的情况下。在这篇文章中,我们的目标是填补这一空白。我们讨论了如何重新设计POPLAR试验,该试验比较了非小细胞肺癌的免疫治疗与化疗,以使其对延迟效应的存在更加稳健。然后,我们提供了一步一步的指导,如何分析一个假设的实现试验,基于这个新的设计。涵盖了加权对数秩检验和组序贯方法的基本理论,并提供了附带的R软件包(包括小插图)。
2021-08-26 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
Inverse-intensity weighted generalized estimating equations with irregularly measured longitudinal data and informative dropout
Dalla Lana School of Public Health, University of Toronto(多伦多大学达勒兰纳公共卫生学院);Child Health Evaluative Sciences, The Hospital for Sick Children(儿童医院儿童健康评估科学)
针对纵向数据中就诊不规则与信息性缺失导致的估计偏差问题,本研究扩展IIW-GEE框架校正信息性缺失,经模拟和STAR*D数据验证可显著降偏差,未校正时疾病轨迹常被高估。
2025-10-22 stat.ME
Leveraging External Controls in Clinical Trials: Estimands, Estimation, Assumptions
本文提出一种结合外部对照与同期数据、不依赖均值可交换性的因果估计方法,通过双索引符号明确估计目标,并采用偏回归估计系统性差异,以提升临床试验中治疗效果估计的稳健性。
2025-03-27 stat.ME
A General Form of Covariate Adjustment in Randomized Clinical Trials
本文研究协变量自适应随机化下的AIPW估计量,证明其渐近正态性、效率提升与适用性,首次为机器学习结合交叉拟合提供理论依据,并提出联合校准策略,方法在R包RobinCar中实现。
2024-03-25 stat.ME
Chauhan Weighted Trajectory Analysis of combined efficacy and safety outcomes for risk-benefit analysis
本研究提出将Chauhan加权轨迹分析(CWTA)应用于风险效益分析(RBA),通过结合疗效与毒性生成单一统计量,在模拟与I期临床试验中证实其能提升统计效能、减少样本量需求,并更客观高效地传达治疗风险与效益。
2024-09-20 stat.ME
Robust analyses for longitudinal clinical trials with missing and non-normal continuous outcomes
在纵向临床试验中,缺失数据是不可避免的,并且结局并不总是正态分布的。在存在离群值或重尾分布的情况下,基于多元正态假设的平均处理效应(ATE)重复测量混合模型的传统多重插补可能会产生偏倚和功效损失。基于对照的插补(CBI)是一种评估处理效应的方法,假设试验组和对照组中结局数据缺失的受试者与对照组中具有相同病史的受试者具有相似的结局特征。我们开发了一个通用的强大的框架来处理CBI下的非正常结果,而不施加任何参数建模假设。在该框架下,序贯加权稳健回归被用来保护所构建的插补模型不受协变量和响应变量的非正态性影响。伴随着随后的均值插补和稳健模型分析,所得到的ATE估计具有良好的理论性质的一致性和渐近正态性。此外,我们提出的方法保证了分析模型的ATE估计的鲁棒性,在这个意义上,它的渐近结果保持不变,即使当分析模型是错误的。综合仿真研究和艾滋病临床试验数据的应用证明了所提出的鲁棒方法的优越性。
2022-03-20 stat.ME
Stratified modestly-weighted log-rank tests in settings with an anticipated delayed separation of survival curves
在免疫肿瘤学的确证性研究中,生存曲线的延迟分离是常见现象。近年来提出了许多旨在有效捕获潜在长期生存改善的新统计方法。然而,绝大多数不考虑分层,这是一个主要限制,因为大多数(如果不是全部)大型验证性研究目前采用分层主要分析。在这篇文章中,我们结合了最近提出的加权对数秩检验,该检验被设计成在延迟分离生存曲线的情况下工作良好,并通过基线变量进行分层。目的是当分层变量对生存具有高度预后性时,提高检验的效率。由于有许多潜在的方法来结合这两种技术,我们比较了几种可能性,在一个广泛的模拟研究。我们还回顾性地应用技术,最近的两个随机临床试验。
2022-01-25 stat.ME
Optimizing Graphical Procedures for Multiplicity Control in a Confirmatory Clinical Trial via Deep Learning
在验证性临床试验中,有人建议使用简单的迭代图解法来构造和执行交叉假设检验,并使用加权Bonferroni型程序来控制强意义上的第一类错误。鉴于第二阶段的研究结果或其他先验知识,它通常是主要的兴趣,以找到最佳的图形,最大化某一目标函数在未来的第三阶段的研究。在本文中,我们评估了两种现有的无导数约束方法的性能,并进一步提出了一种深度学习增强的优化框架。我们的方法通过前馈神经网络(FNNs)数值逼近目标函数,然后利用可用的梯度信息进行优化。它可以被约束,使得测试过程的一些特征保持固定,同时优化其他特征。仿真研究表明,我们的FNN为基础的方法有一个更好的平衡鲁棒性和时间效率比现有的无导数约束优化算法。与传统的随机搜索方法相比,我们的优化器具有适度的多重性调整的功率增益时,假设的数量是相对较大的。我们进一步将其应用到一个案例研究中,以说明如何优化一个多重检验程序相对于一个特定的研究目标。
2022-08-02 stat.ME
Sensitivity analysis in longitudinal clinical trials via distributional imputation
在纵向临床试验中,缺失数据是不可避免的。传统上,假设随机缺失假设处理缺失,然而这是无法验证的经验。因此,敏感性分析对于评估研究结论对不可检验假设的稳健性至关重要。为此,监管机构经常要求使用插补模型,如回归基线、基于对照和洗脱插补。多重插补是敏感性分析中常用的一种方法,但它可能是低效的,并且会导致Rubin组合规则的区间估计不令人满意。本文提出了分布插补(DI)在敏感性分析中的应用,即在给定观测数据的情况下,通过目标插补模型中的样本对每个缺失值进行插补。DI估计器利用蒙特卡罗积分的思想,求解插补数据集的均值估计方程。它是完全有效的,有理论保证。此外,我们建议加权自助获得一致的方差估计,考虑到由于模型参数估计和目标参数估计的变异性。有限样本性能的DI推理进行了评估的模拟研究。我们将所提出的框架应用于一项涉及缺失数据的抗抑郁药纵向临床试验,以研究处理效应的稳健性。我们提出的DI方法在主要分析和敏感性分析中检测到统计学显著的治疗效果,在某些预先指定的敏感性模型下,在平均处理效应、风险差异和应答的较低分位数中的分位数处理效应方面,揭示了试验药物治疗抑郁症的获益。
2022-03-17 stat.ME
Case Weighted Adaptive Power Priors for Hybrid Control Analyses with Time-to-Event Data
本研究提出病例加权自适应幂先验方法,通过按兼容性为外部对照分配折扣权重,在时间-事件数据混合分析中稳健借用外部数据增强RCT内部对照。
2023-05-10 stat.AP stat.ME
The replication of equivalence studies
针对等效性设计复现研究缺乏分析方法的问题,提出改编自优效性方法的双试验规则和怀疑性TOST程序,二者I类错误率相同,后者复现成功率更高,均可用于样本量计算,已应用于癌症生物学可重复性项目数据。
2024-04-24 stat.ME
A practical Response Adaptive Block Randomization (RABR) design with analytic type I error protection
反应适应性随机化(RAR)从方法学、伦理学和实用主义的角度来看是有吸引力的,因为受试者更有可能根据积累的数据被随机分配到表现更好的治疗组。然而,RAR在多个活性组的确证性药物临床试验中的应用受到限制,主要是由于其复杂性,以及缺乏对不同治疗组的随机化比例的控制。为了解决上述问题,我们提出了一种响应自适应区组随机化(RABR)设计,允许对照组和高性能组任意预先指定的随机化比率,以满足临床试验目标。我们显示了传统的未加权测试的有效性RABR与控制第一类错误率的基础上加权组合测试的样本量自适应设计调用没有大样本近似。与流行的双自适应有偏硬币设计(DBCD)相比,拟议的RABR在稳健地达到目标最终样本量以满足监管要求和增加统计功效方面的优势通过统计模拟和实际的临床试验设计示例得到了证明。
2022-08-02 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
A Simulation-free Group Sequential Design with Max-combo Tests in the Presence of Non-proportional Hazards
非比例风险(NPH)已被观察到最近在许多免疫肿瘤学临床试验。适当选择权重的加权对数秩检验(WLRT)可用于提高在NPH存在下检测两条生存曲线差异的能力。然而,当同时考虑鲁棒性和效率时,在实践中选择合适的WLRT并不容易。一种通用的maxcombo检验被提出来实现鲁棒性和效率的平衡,并在方法学发展和应用中受到越来越多的关注。然而,生存试验往往需要中期分析,由于其成本高,持续时间长。在中期分析中整合和应用maxcombo检验通常需要大量的模拟研究。本文提出了生存试验中具有最大组合检验的成组序贯设计的一种免模拟方法。仿真结果表明,所提出的方法不仅成功地控制了第一类错误率,而且在估计样本量时具有很高的准确性和灵活性,而且计算量小.值得注意的是,我们的方法对各种模型错误指定显示出很强的鲁棒性,并已在R软件包中实现,可在线免费访问。
2023-01-17 stat.ME
Weighted NPMLE for the Marginal Mean of Recurrent Events with a Competing Terminal Event
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
针对复发事件与竞争终点事件,提出基于加权似然的半参数回归模型,直接估计复发事件的边际均值,并证明估计量的一致性和渐近正态性,通过STATCOPE试验数据验证方法有效性。
2026-10-08 math.ST stat.AP 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
Adaptively Combining Randomized and External Control Data Using a Mixture Prior in the Presence of Heterogeneity
The University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心);The University of Texas MD Anderson Cancer Center(德克萨斯大学MD安德森癌症中心)
针对随机试验资源有限且存在异质性的问题,提出一种混合组序贯贝叶斯设计,通过自适应混合先验动态借用外部对照数据,在保证推断有效性的同时减少对照臂样本量,模拟显示其优于其他方法。
2026-10-08 stat.ME
Assessing the replicability of RCTs in RWE emulations
本文提出怀疑p值作为评估研究结果可重复性的替代统计方法,相比双试验规则具有更高统计功效且在真实世界证据模拟中表现更优。
2025-04-29 stat.ME
Assessing replicability with the sceptical p-value: Type-I error control and sample size planning
该研究基于怀疑性$p$-值构建可复制性统计框架,通过重新校准实现多场景I类错误控制,提升联合检验效能、减少复制样本量,并在实验经济学复制项目数据中验证了方法性能。
2023-05-19 stat.ME
Tree based weighted learning for estimating individualized treatment rules with censored data
估计个体化治疗规则是个体化医疗的中心任务。[zhao 2012estimating]和[zhang 2012robust]提出了结果加权学习,通过最大化预期结果直接估计个体化治疗规则,而无需直接对响应进行建模。在本文中,我们将结果加权学习扩展到右删失生存数据,而不需要删失加权的逆概率或[zhao 2015doubly]中所做的删失和失效时间的半参数建模。为了实现这一点,我们利用[zhu2012recursively]中提出的基于树的方法,以两种不同的方式非参数化地估算生存时间。第一种方法用期望生存时间代替每个个体的奖励,而在第二种方法中,只有删失观测值由其条件期望失效时间估算。我们建立了这两个估计的一致性和收敛速度。在模拟研究中,我们的估计表现出改进的性能相比,现有的方法。我们还说明了非小细胞肺癌的III期临床试验所提出的方法。
2017-09-29 math.ST stat.ME stat.TH
A Cosine-Projection Framework for Choosing Among Cox HR, D-RMST, and Average-Hazard Tests in Survival Trials
本文提出余弦投影框架,推导Cox HR、D-RMST、RAH检验的渐近相对效率,揭示删失和入组对效率排序的影响,经CheckMate 057试验和模拟验证,为生存试验检验选择提供统一方法。
2026-10-14 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
Incorporating patient-reported outcomes in dose-finding clinical trials with continuous patient enrollment
提出PRO-CRM的两种扩展方法TITE-PRO-CRM和TITE-CRM+PRO,支持连续入组和更长毒性观察窗口,通过加权似然或分阶段纳入PRO,在保持剂量推荐准确性的同时缩短试验周期。
2023-03-30 stat.AP
What is estimated in cluster randomized crossover trials with informative sizes? -- A survey of estimands and common estimators
University of Pennsylvania(宾夕法尼亚大学);Monash University(莫纳什大学);MRC Clinical Trials Unit at UCL(伦敦大学学院医学研究委员会临床试验单元);Wellington Hospital(惠灵顿医院);Medical Research Institute of New Zealand(新西兰医学研究所);Australian and New Zealand Intensive Care Research Centre, Monash University(莫纳什大学澳新重症监护研究中心);University of Melbourne(墨尔本大学);Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院);Yale School of Public Health(耶鲁公共卫生学院)
该研究针对存在信息性规模的2周期整群随机交叉试验,明确了四类加权/未加权估计方法对不同层面治疗效应估计量的一致性,通过模拟与实例验证了嵌套可交换混合效应模型的偏倚风险及其他方法的适用场景。
2025-05-02 stat.ME
Shared Keyboard: An improved Bayesian design for phase I clinical trials via Beta kernel process
School of Statistics, East China Normal University(华东师范大学统计学院)
提出共享键盘设计,通过Beta核过程实现剂量间信息借用,提高最大耐受剂量识别的准确性和安全性。
2026-05-24 stat.AP stat.ML
Weighted Approach for Estimating Effects in Principal Strata with Missing Data for a Categorical Post-Baseline Variable in Randomized Controlled Trials
本研究的动机是在一项随机对照试验中研究抗药抗体(ADA)的形成及其对生物治疗长期获益的潜在影响,其中ADA状态不仅在对照组中未观察到,而且在实验治疗组的患者亚组中也未观察到。并发状态,即在由仅在一个组中观察到的随机化后变量定义的组中,并且可能与结局相关。然而,状态信息可能会丢失,即使是不可忽略的患者数量在实验arm.For这种情况下,一种新的加权主分层方法:数据缺失并发事件状态的患者进行重新加权的基础上基线协变量和额外的纵向信息。为不同类型的结局提供了所提出方法的理论依据,并指定和研究了允许对处理效应得出因果结论的假设。仿真结果表明,所提出的方法产生了有效的推理,并对某些违反假设的鲁棒性。在ADA状态作为并发事件的临床研究中,该方法表现良好。
2021-01-12 stat.AP stat.ME
Leveraging External Controls for Treatment Switching in Randomized Controlled Trials: A Weighted Causal Inference Framework for Overall Survival
Genentech Inc(基因泰克公司);University of California, Berkeley(加州大学伯克利分校)
针对随机对照试验中因治疗转换导致的生存期估计偏倚,提出一个利用外部对照的加权因果推断框架,通过合成对照法和时变权重校正偏倚,模拟和实例验证优于传统方法。
2026-06-04 stat.AP stat.ME
Improving operating characteristics of clinical trials by augmenting control arm using propensity score-weighted borrowing-by-parts power prior
University of Nebraska Medical Center(内布拉斯加医学中心大学);Medical College of Wisconsin(威斯康星医学院);Daffodil International University(达佛西尔国际大学)
本文提出一种结合倾向分数加权和灵活贝叶斯方法的PSW-BPP,用于改善临床试验中外部数据借用的效率和稳健性。
2026-01-07 stat.ME
Combined P-value Functions for Compatible Effect Estimation and Hypothesis Testing in Drug Regulation
本文将两项试验规则与荟萃分析统一为组合p值函数框架,系统比较多种p值组合方法的统计性质,并在R包twotrials中实现相容的效应估计与假设检验。
2025-07-07 stat.ME
Model-Agnostic Bounds for Augmented Inverse Probability Weighted Estimators' Wald-Confidence Interval Coverage in Randomized Controlled Trials
Michigan State University(密歇根州立大学)
本文推导了AIPW估计量Wald置信区间覆盖率的非渐近Berry-Esseen型界,并分析了方差估计量的偏差,解释了交叉拟合为何能改善覆盖率。
2026-06-24 math.ST stat.ME stat.TH
On weighted parametric tests
我们描述了一个一般框架加权参数多重检验程序的基础上关闭原则。我们利用一般的加权策略,可以反映复杂的研究目标,包括文献中的许多程序作为特例。建议的加权参数检验使用调整后的显著性水平或调整后的$p$值来弥合拒绝规则之间的差距。通过允许在小于$α$的水平上检验交叉假设,这种联系是可能的,这可能是某些研究考虑所需要的。对于这种情况下,我们引入一个子类的确切的$α$级的参数测试,满足和谐的属性。当只有检验统计量的子集是相关的,提出了一个新的程序,以充分利用每个子集内的参数假设。我们说明了建议的加权参数检验使用的临床试验的例子。
2016-05-20 stat.ME
Augmenting treatment arms with external data through propensity-score weighted power-priors: an application in expanded access
针对扩大可及性外部患者数据扩充治疗组的问题,提出结合倾向评分加权与修正幂先验的ProPP方法,提升精度并控制I类错误率。
2023-06-02 stat.AP stat.ME
Robust Hybrid Learning for Estimating Personalized Dynamic Treatment Regimens
动态治疗方案(DTR)是在每个阶段根据可能随时间变化的患者特征和前一阶段观察到的中间结果定制的顺序决策规则。许多疾病和病症的复杂性、患者异质性和慢性性要求学习最佳DTR,其随着时间的推移最好地动态调整治疗以适应每个个体的反应。个性化数据的激增(例如,遗传和成像数据)提供了深度定制的机会以及对统计方法学的新挑战。在这项工作中,我们提出了一种强大的混合方法,称为增强多阶段结果加权学习(AMOL),将结果加权学习和Q学习相结合,以确定最佳DTR序列多分配随机试验(SMART)。我们推广了结果加权学习(O-learning; Zhao et al. 2012),以允许负面结果;我们提出了减少O学习中权重变化的方法,以实现数值稳定性和更高的效率;最后,对于多阶段SMART研究,我们将双重鲁棒增强引入到基于机器学习的O学习中,通过在每个阶段从基于回归模型的Q学习中提取信息来提高效率。即使Q学习模型被错误指定,所提出的AMOL仍然有效。我们建立了AMOL的理论性质,包括估计规则的一致性和收敛到最优值函数的速度。AMOL相对于现有方法的比较优势在广泛的模拟研究和两个SMART数据集的应用中得到了证明:注意力缺陷和多动障碍(ADHD)的两阶段试验和重度抑郁症(MDD)的STAR*D试验。
2016-11-07 stat.ME
Micro-randomized Trials with Categorical Treatments: Causal Effect Estimation and Sample Size Calculation
本文扩展微随机试验方法至分类处理,提出因果效应估计与样本量公式,并通过模拟和HeartSteps实例验证,确保实际应用中的统计功效。
2025-04-21 stat.ME
Estimation of the relative risk following group sequential procedure based upon the weighted log-rank statistic
在本文中,我们考虑一组顺序监测试验的生存终点,监测使用加权对数秩(WLR)统计与确定性权重函数。我们引入了一个汇总统计量的加权平均记录相对风险的形式,并表明,如果没有迹象变化的瞬时记录相对风险,总是存在一个双射之间的WLR统计和加权平均记录相对风险。我们表明,这种双射可以一致地估计在一个合适的形状假设下,我们列出了两种可能性,在每次分析。我们指出如何获得设计调整的p值和置信区间,并建议如何应用偏差校正方法。最后,我们记录了在设计NLST中期分析计划和报告主要终点结果时所做的几个决定。
2011-02-25 stat.ME
A Weighted Prognostic Covariate Adjustment Method for Efficient and Powerful Treatment Effect Inferences in Randomized Controlled Trials
本文提出加权预后协变量调整方法(Weighted PROCOVA),利用数字孪生生成器同时调整回归模型的均值和方差以解决异方差性问题,从而在随机对照试验中实现无偏、高效且更强效的治疗效应推断。
2023-09-25 stat.AP stat.ME stat.ML
A Two-Stage Method for Extending Inferences from a Collection of Trials
提出一种两阶段加权方法,从多项随机对照试验扩展推断,在条件平均治疗效应存在研究间异质性时,获得目标总体中因果可解释的平均治疗效应估计值。
2023-09-07 stat.ME
Quantifying treatment differences in confirmatory trials under non-proportional hazards
比例风险是设计肿瘤学确证性临床试验时的常见假设。随着免疫治疗和新型靶向治疗的出现,偏离比例风险假设在当今的临床研究中并不少见。在非比例风险下,风险比没有直接的临床解释,对数秩检验不再是最有效的统计检验,尽管它仍然有效。尽管如此,对数秩检验和风险比仍是主要分析工具,仍建议采用传统方法(如增加样本量)来解释非比例风险的影响。加权对数秩检验和基于限制平均生存时间(RMST)的检验作为对数秩检验的潜在替代方法受到了广泛关注。我们进行了模拟研究,比较性能和操作特性的对数秩检验,加权对数秩检验和基于RMST的测试,包括处理效应估计,在不同的非比例风险模式。结果表明,在非比例风险下,风险比和加权风险比没有直接的临床解释,而RMST比可以解释,无论比例风险假设如何。在功效方面,与对数秩检验相比,RMST实现了类似的性能。
2020-08-16 stat.AP stat.ME
Weighted trajectory analysis and application to clinical outcome assessment
针对KM无法处理有序及波动临床结局的问题,本文提出WTA及类logrank检验,经模拟与真实数据验证可提升效能并减少I、II类错误。
2023-06-07 stat.ME
Inference procedures in sequential trial emulation with survival outcomes: comparing confidence intervals based on the sandwich variance estimator, bootstrap and jackknife
本研究通过模拟比较了序贯试验模拟中生存结局的多种置信区间构建方法,发现LEF自助法在小样本、低事件率场景下覆盖率最佳且计算高效,而三明治方差估计器在大样本、中高事件率时最优。
2024-07-12 stat.ME
Augmented Outcome-weighted Learning for Optimal Treatment Regimes
精准医学在临床、学术和监管方面都有相当大的兴趣。精准医疗的关键是最佳治疗方案。最近,Zhou等人(2017)开发了残差加权学习(RWL)来构建直接优化临床结局的最佳方案。然而,该方法涉及计算密集型非凸优化,这不能保证全局解。此外,这种方法不具有完全半参数效率。在这篇文章中,我们提出了增强的结果加权学习(AOL)。该方法是建立在一个双鲁棒增广逆概率加权估计,从而构造半参数有效的制度。我们提出的AOL与RWL密切相关。权重是从反事实残差中获得的,其中负残差被反映为正,因此其治疗分配被切换为相反。因此,凸损失函数被应用于保证全局解并减少计算。我们表明,AOL是普遍一致的,即,当样本量接近无穷大时,AOL的估计状态收敛于贝叶斯状态,而不知道数据分布的任何细节。我们还提出了线性和非线性制度,分别变量选择方法,以进一步提高性能。模拟研究和奈法唑酮-CBASP临床试验数据的分析说明了拟议AOL方法的性能。
2017-11-29 stat.ME
A Maximum Weighted Logrank Test in Detecting Crossing Hazards
在实践中,对数秩检验是最广泛使用的检验生存分布均匀性的方法。它是比例风险假设下的最优方法。然而,由于在肿瘤学试验中经常遇到非比例风险,因此提出了替代试验。最大加权对数秩检验在一般情况下具有稳健性。在这篇手稿中,我们提出了一个新的最大值测试,结合检测交叉危险的重量。新的权重是交叉时间点的函数。进行了广泛的模拟研究,比较我们的方法与其他方法在文献中提出的各种风险比模式,样本量,删失率和删失模式的情况下。对于交叉危险,所提出的测试被证明是最强大的一个已知的交叉时间点。在交叉时间点指定错误的情况下,其性能与Maxcombo检验相似。在其他情况下,新的测试仍然是相对强大的Maxcombo测试。最后,我们说明了一个真实的数据例子的测试,并讨论了具体的程序来扩展测试,以检测交叉危险。
2021-10-08 stat.ME
The harmonic mean $χ^2$ test to substantiate scientific findings
统计方法学在药品监管中起着至关重要的作用。FDA或EMA的决定通常是基于对同一种医疗产品进行的多项主要研究,其中两项试验规则是标准要求,尽管存在许多缺点。提出了一种新的方法,这项任务的基础上(加权)调和均方的研究特定的检验统计量。适当的比例可确保对于任意数量的独立研究,零分布是具有一个自由度的$χ^2$分布。这就产生了一种新的方法,用于结合单侧$p$值和计算总体处理效应的置信区间。进一步的属性进行了讨论,并与两次试验规则进行了比较,以及与其他研究合成方法。新方法的一个吸引人的特点是,成功要求每个研究在一定程度上具有说服力,这取决于总体显著性水平和研究数量。以卡维地洛治疗中重度心力衰竭患者的5项临床试验为例,说明了该方法。
2020-03-06 stat.ME
Residual Weighted Learning for Estimating Individualized Treatment Rules
个性化医疗越来越受到统计学家、计算机科学家和临床医生的关注。个体化医疗的一个主要组成部分是个体化治疗规则(ITR)的估计。最近,Zhao等人(2012)提出了结果加权学习(OWL)来构建直接优化临床结果的ITR。虽然OWL打开了将机器学习技术引入最佳治疗方案的大门,但它在性能上仍然存在一些问题。在本文中,我们提出了一个称为残差加权学习(RWL)的通用框架,以提高有限样本性能。与OWL不同,OWL通过临床结局对误分类错误进行加权,RWL通过对临床协变量(不包括治疗分配)进行回归拟合的结果残差对这些错误进行加权。我们利用RWL中的平滑斜坡损失函数,并提供凸(d.c.)算法来解决相应的非凸优化问题。通过线性模型或广义线性模型估计残差,RWL可以有效地处理不同类型的结果,如连续,二进制和计数结果。我们还分别提出了线性和非线性规则的变量选择方法,以进一步提高性能。我们表明,由此产生的估计的治疗规则是一致的。我们进一步获得了收敛速度的预期结果之间的差异,使用估计的ITR和最佳的治疗规则。在模拟研究和囊性纤维化临床试验数据的分析中说明了所提出的RWL方法的性能。
2015-08-13 stat.ME
Weighted hazard ratio estimation for delayed and diminishing treatment effect
在确证性临床试验中观察到非比例风险(NPH)与至事件结局的时间。在NPH下,风险比不随时间保持恒定,对数秩检验不再是最有效的检验。加权对数秩检验(WLRT)已被引入到处理非比例性的存在。我们将注意力集中在基于Lin和León(2017)提出的随时间变化的处理效应的WLRT和补充Cox模型(doi:10.1016/j.conctc.2017.09.004)。我们将研究所提出的加权风险比(WHR)方法在WLRT统计量是最有效检验的情况下是否无偏。在WLRT统计量最佳的处理效应递减情况下,通过Cox模型估计的时变处理效应估计的处理效应非常接近真实效果。然而,当真实风险比较大时,我们注意到所提出的模型高估了处理效应和随时间推移的处理特征。然而,在延迟治疗情况下,随时间推移的估计处理效应曲线通常接近真实曲线。对于这两种情况,我们已经通过分析证明,在某些约束条件下,风险比函数近似相等。总之,我们的结果表明,在某些情况下,给定的WLRT将是最强大的,我们观察到,从相应的Cox模型的WHR估计的处理效应接近真实的。
2022-09-23 stat.ME
Optimal Biological Dose Combination Finding: A Design Roadmap and Robust Cross-Indication Bayesian Borrowing
Population Health Sciences Institute, Newcastle University(纽卡斯尔大学人口健康科学研究所);Quantitative Science and Evidence Generation, Astellas Pharma Global Development Inc.(安斯泰来全球开发公司定量科学与证据生成部)
针对联合肿瘤学试验中的最优生物学剂量组合发现,提出设计分类路线图及稳健的跨适应症贝叶斯借用方法,并通过模拟和案例验证其有效性。
2026-09-22 stat.AP stat.ME
Estimating optimal individualized treatment rules with multistate processes
多态过程数据在癌症等慢性疾病的研究中很常见。这些数据非常适合用于精准医学目的,因为与标准生存结果相比,它们可以用来改善更精细的健康结果,并结合患者对生活质量和数量的偏好。然而,目前还没有方法来估计最佳的个性化治疗规则与这些数据。在这篇文章中,我们提出了一个非参数的结果加权学习方法,这个问题在随机临床试验设置。所提出的方法,包括Fisher一致性和渐近正态性的估计的最佳个性化治疗规则下的估计预期结果的理论性质,严格建立。提供了一个一致的封闭形式的方差估计,并提出了计算同时置信区间的方法。仿真研究表明,所提出的方法和推理程序工作良好,即使在小样本量和正确删失率高。该方法是说明使用的数据从一个随机临床试验的治疗转移性鳞状细胞癌的头部和颈部。
2022-11-24 stat.ME
Optimality of testing procedures for survival data
大多数用于生存结局随机临床试验的治疗效果的统计检验是基于比例风险假设,这在实践中往往失败。来自早期探索性研究的数据可能提供非比例风险的证据,这可以指导实践改变验证性试验设计中替代检验的选择。我们研究了一个测试,以检测治疗效果的后期试验,占早期数据所建议的比例风险的偏差。有条件的早期阶段的数据,在所有的测试中,控制在一个固定的$α$水平的频率论I型差错率,我们的测试程序最大限度地提高贝叶斯预测的有限样本功率。因此,所提出的检验为存在非比例风险时常用的其他检验提供了有用的基准,例如加权对数秩检验。我们在一个基于已发表的癌症免疫治疗III期试验数据的模拟中说明了这种方法。
2020-05-27 math.ST stat.ME stat.TH
Optimal estimation of generalized causal effects in cluster-randomized trials with multiple outcomes
Mississippi State University(密西西比州立大学)
本文提出了一种在具有多个结果的集群随机试验中估计广义因果效应的方法,通过统一的潜在结果框架和非参数估计技术,实现了高效且稳健的因果效应估计。
2026-11-05 math.ST stat.ME stat.TH