Defining Utility as a Measure of Preference Under Uncertainty in Phase I-II Oncology Dose Finding Trials
提出基于VNM效用理论、以参考点区分收益与损失风险态度的R2DT贝叶斯决策论剂量探索框架，模拟显示其在疗效和毒性阈值附近更易识别最佳剂量。
2025-10-20 stat.AP stat.ME
Some notable properties of the standard oncology phase I design
我们确定了标准肿瘤学I期试验设计或3 + 3设计的三个特性。我们表明，标准设计隐含使用保序回归估计最大耐受剂量。接下来，我们说明标准设计和Ji et al.（2007）提出的贝叶斯设计之间的关系。在特定的模型规格下，对该贝叶斯设计进行轻微修改，将以与标准设计相同的方式分配处理。最后，我们提出的计算揭示了在最坏情况下的标准设计的行为，并比较其行为与其他3 + 3类设计。
2009-06-07 stat.AP
Likelihood-Ratio E-Value Monitoring for Benchmark-Based Decisions in Early-Phase Oncology Trials
Chuo University（中央大学）
早期肿瘤学试验需临时规则，现有设计通过后验概率等量化证据。本文提出校准e值监测（CEVAM）框架，直接根据临床基准定义监测证据，无需先验贝叶斯分析等，给出二元疗效终点的构建方法及模拟与应用结果。
2026-07-07 stat.ME
BUPD: A Bayesian under-parameterized basket design with the unit information prior in oncology trials
针对篮子试验中跨癌症类型信息借用的异质性，提出仅用一个或两个预指定参数的贝叶斯欠参数化设计（BUPD），控制I型错误率与效力，优于五种现有方法。
2024-12-15 stat.ME
Estimating the Distribution of Ratio of Paired Event Times in Phase II Oncology Trials
随着新型抗癌药物的快速发展，需要新的终点来更好地衡量II期试验中的治疗效果。为此，Von Hoff（1998）提出了生长调节指数（GMI），即两个连续治疗线中进展时间或无进展生存时间之间的比率。在使用GMI作为终点的研究中，一个重要的任务是估计GMI的分布。传统的生存数据的方法已被用于估计GMI分布，因为删失是常见的GMI数据。然而，我们指出，传统的生存方法所要求的独立删失假设总是违反GMI，这可能会导致严重的偏见的结果。在本文中，我们构造了GMI分布的非参数估计，占GMI的相依截尾。我们证明了所提出的估计是一致的，弱收敛到零均值高斯过程适当的归一化。大量的模拟研究表明，我们的估计在实际情况下表现良好，优于传统的方法。提供了使用GMI作为主要终点的II期临床试验以供说明。
2021-10-29 stat.ME
PKComb-BOIN12: A Pharmacokinetically Guided Bayesian Design for Dose Optimisation in Oncology Drug-Combination Trials
Global Statistical Sciences, Eli Lilly and Company（礼来公司全球统计科学部）；Department of Biostatistics, The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心生物统计学系）；Population Health Sciences Institute, Newcastle University（纽卡斯尔大学人口健康科学研究所）
针对肿瘤联合试验剂量优化，提出PKComb-BOIN12贝叶斯设计，将PK暴露指标融入剂量递增与可接受集约束，通过序理想消除和分层校准提升决策准确性，并扩展至迟发结局。
2026-10-06 math.ST stat.AP stat.ME
U-DESPE: a Bayesian Utility-based methodology for dosing regimen optimization in early-phase oncology trials based on Dose-Exposure, Safety, Pharmacodynamics, Efficacy
SARYGA；Debiopharm International SA（Debiopharm国际有限公司）；MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单元）
U-DESPE是一种基于剂量-暴露的贝叶斯方法，用于早期肿瘤试验中的剂量方案优化，通过整合药代动力学数据和效用函数，提高剂量选择的科学性和安全性。
2025-11-21 stat.ME
Improving Maximum Tolerated Dose Selection in Model-Assisted Designs for Phase I Trials through Bayesian Dose-Response Model
本文针对I期试验模型辅助设计在小样本下MTD选择不稳定的问题，提出基于贝叶斯剂量-反应模型的MTD识别策略，通过跨剂量借用信息实现稳定估计，模拟显示平均将MTD选择准确性提高约6%。
2025-08-18 stat.AP
Bayesian Neural-Net-Assisted Multi-Treatment Mixture Cure Survival Model with Application in Pediatric Oncology
University of Florida（佛罗里达大学）
本文提出一种协变量依赖的非参数贝叶斯多治疗治愈生存模型，通过潜在连接函数共享治疗信息，实现个体化生存推断，并在儿科肿瘤学试验中验证其有效性与临床价值。
2026-09-30 stat.AP stat.ME
A Bayesian adaptive design for dual-agent phase I-II oncology trials integrating efficacy data across stages
该研究针对双药联合肿瘤I-II期剂量寻找问题，提出可适应阶段间人群变化的两阶段贝叶斯自适应设计，通过带可交换/不可交换假设的分层随机效应模型跨阶段共享疗效信息，模拟显示其改善了疗效评估的操作特性。
2023-05-08 stat.ME
Borrowing of information across patient subgroups in a basket trial based on distributional discrepancy
篮式试验已成为肿瘤学中同时在多个患者亚组中评价新治疗的一类新的有效方法。在本文中，我们将关键思想扩展到肿瘤学以外的疾病领域，为具有连续终点的随机、安慰剂对照篮式试验开发了一种稳健的贝叶斯方法，以便能够在具有相似处理效应的子试验之间借用信息。在调整协变量后，来自补充子试验的信息可以表示为支持所考虑的子试验的参数的相称先验。我们建议使用分布的差异来验证子试验之间的可验证性，以便通过穗板先验（放置在先验精度因子上）适当地借用信息。当篮子试验至少有三个子试验，相称的点对点借款的先验组合成一个边际预测先验，根据从成对差异措施转换的权重。通过这种方式，仅利用来自具有最相称处理效应的子试验的信息。通过当代子试验数据将边缘预测先验更新为稳健后验，以告知决策。所提出的方法的操作特性进行评估，通过模拟的动机在慢性疾病的一个真正的篮子试验。与其他选定的贝叶斯分析模型相比，所提出的方法具有优势，用于（i）识别最相称的信息来源，以及（ii）衡量从特定子试验中借用的程度。数值结果还表明，我们的方法可以提高估计的精度，并可能提高假设检验的统计功效。
2020-05-08 stat.AP stat.ME
Multi-indication evidence synthesis in oncology health technology assessment
本研究探讨了在卫生技术评估中如何通过荟萃分析方法跨癌症适应症共享信息以提高治疗效果推断的精确度，发现跨适应症共享能提升估计精度，但对替代关系的共享需谨慎。
2023-11-21 stat.AP stat.ME
Evaluation of Minimal Residual Disease as a Surrogate for Progression-Free Survival in Hematology Oncology Trials: A Meta-Analytic Review
University of North Carolina（北卡罗来纳大学）；Astrazeneca（阿斯利康）
本研究评估MRD作为无进展生存替代终点在血液肿瘤临床试验中的作用，通过元分析回顾探讨其在加速药物审批中的潜力。
2026-02-24 stat.AP
trialr: Bayesian Clinical Trial Designs in R and Stan
本手稿介绍了一个名为\pkg{trialr}的\proglang{R}包，该包在\proglang{Stan}和\proglang{R}中实现了一系列临床试验方法。在这篇文章中，我们详细探讨了三种方法。第一个是进行I期剂量探索试验的持续再评估方法，以寻求最大耐受剂量。第二个是EffTox，这是一种剂量发现设计，通过联合疗效和毒性结果来审查剂量。第三种是增强的二元方法，用于模拟II期肿瘤学试验中的治疗成功概率，并参考连续肿瘤大小的重复测量和治疗失败的二元指标。我们在本文中强调了获得后验样本的好处，包括灵活的推理和强大的可视化。我们希望这个包鼓励在临床试验中使用贝叶斯方法。
2019-06-29 stat.AP stat.CO stat.ME
A Bayesian Basket Trial Design Using Local Power Prior
提出3分量局部幂先验框架，通过动态信息借用解决篮子试验设计中的功效与第一类错误平衡问题，提供闭式解大幅降低计算时间。
2025-07-16 stat.AP
Bayesian dose-regimen assessment in early phase oncology incorporating pharmacokinetics and pharmacodynamics
肿瘤学的I期剂量探索试验旨在确定特定时间表下药物的最大耐受剂量（MTD）。评价药物时间表的目的是在保持疗效的同时提高治疗安全性。然而，虽然我们可以合理地假设毒性随着细胞毒性药物剂量的增加而增加，但毒性与多种方案之间的关系仍然难以捉摸。我们提出了一种贝叶斯剂量方案评估方法（DRtox），使用药代动力学/药效学（PK/PD）信息来估计最大耐受剂量方案（MTD方案），在试验的剂量递增阶段结束时推荐用于下一阶段。我们通过PD终点对二元毒性进行建模，并通过剂量-方案PD模型和PD毒性模型的整合来估计剂量-方案毒性关系。对于剂量方案PD模型，我们考虑了非线性混合效应模型，对于PD毒性模型，我们提出了以下两种贝叶斯方法：logistic模型和分层模型。我们通过各种情景下的模拟研究评估了DRtox的运行特性。结果表明，我们的方法优于传统的基于模型的设计，表现出更高的百分比正确选择MTD方案。此外，在DRtox中纳入PK/PD信息有助于为整个剂量-方案毒性曲线提供更精确的估计值;因此，DRtox可能会为扩展队列推荐替代的未经测试的方案。一旦收集到所有毒性和PK/PD数据，应在正在进行的复发性或难治性急性髓性白血病患者试验（NCT 03594955）的剂量递增阶段结束时应用DRtox。
2020-11-23 q-bio.QM stat.ME
Analyzing Basket Trials under Multisource Exchangeability Assumptions
篮式设计是前瞻性临床试验，其设计假设所选分子特征的存在决定了患者对特定“靶向”治疗策略的后续反应。篮式试验旨在招募多个临床亚群，假设在存在靶向分子谱的情况下，所讨论的治疗可提供有益的疗效。然而，该治疗可能无法为所有入组的亚群提供可接受的疗效。此外，对于罕见疾病环境，例如这些试验已变得流行的肿瘤学，统计证据的边缘测量难以解释稀疏入组的亚群。因此，篮子试验对传统的试验设计范式提出了挑战，该范式假设患者间的交换。R-软件包\pkg{basket}通过实现多源交换模型来促进篮子试验的分析。通过评估所有可能的成对交换关系，这种分层建模框架有助于离散和预先指定的子群体的集合之间的贝叶斯后验收缩。分析功能，以实现后验推理的响应率和所有可能的交换关系之间的子群体。此外，该软件包还可以识别“可合并”的子集，并报告其响应特征。该软件包的功能证明使用的数据，从肿瘤学研究与肿瘤组织学定义的亚群。
2019-08-01 stat.CO
Pharmacokinetic Measurements in Dose Finding Model Guided by Escalation with Overdose Control
针对肿瘤药物剂量递增中PK数据仅被主观利用的问题，提出纳入PK数据的贝叶斯联合建模框架，联合探索剂量-PK、PK-DLT关系以优化决策，经真实案例与仿真验证了实用性。
2024-04-17 stat.AP stat.CO
Use of Non-concurrent Common Control in Master Protocols in Oncology Trials: Report of an American Statistical Association Biopharmaceutical Section Open Forum Discussion
本文总结了美国统计协会（ASA）生物制药（BIOP）部分开放论坛的讨论，该论坛于2020年12月10日举行，由ASA BIOP肿瘤学统计方法科学工作组与美国FDA肿瘤学卓越中心协调组织。包括国际监管机构专家、学者和制药行业代表在内的不同利益相关者参与了关于在肿瘤学试验主方案中使用非并行对照的讨论。虽然使用非同期对照与同期对照可能会增加检测治疗和对照之间治疗差异的能力，但小组成员对非同期对照和同期对照建模的统计方法有不同意见。一些人更关心非同期控制的时间性和与时间相关的不同混杂因素引入的偏倚，例如，标准治疗的变化、患者人群的变化、招募策略的变化、终点评估的变化。然而，在某些情况下，例如罕见疾病的招募极具挑战性时，专家组成员得出结论，使用非同期对照是合理的。
2022-09-19 stat.AP
Simulation-Free Bayesian Power and Sample Size Calculations for Bayes Factors in Single-Arm Phase II Trials with Binary Endpoints
研究具有二元终点的单臂II期试验中贝叶斯因子的无模拟功效和样本量计算方法，通过该方法设计试验并校准相关概率，以适应临床试验设计创新现代化，两个肿瘤学例子及代码展示了该方法。
2026-07-28 stat.AP stat.ME
The Backfill i3+3 Design for Dose-Finding Trials in Oncology
本文提出 Bi3+3 设计，将 i3+3 剂量递增算法与决策概率框架结合，在剂量探索试验中同时入组主队列和回填队列，并利用毒性和疗效数据估计最佳生物学剂量，模拟显示其操作特性优于现有设计。
2024-01-09 stat.AP
A Bayesian Hierarchical Model for the Analysis of a Longitudinal Dynamic Contrast-Enhanced MRI Cancer Study
临床肿瘤学试验中的成像提供了丰富的信息，有助于药物开发过程，特别是在早期研究中。本文重点介绍动力学建模DCE-MRI，灵感来自混合效应模型，经常用于临床试验的分析。而不是总结每个扫描会话作为一个单一的动力学参数-如中位数$\ktrans$在所有体素在肿瘤ROI -我们建议分析所有体素的时间过程中，从所有扫描，并在一个单一的模型，同时在所有科目。来自通常的非线性回归模型的动力学参数被分解成与来自纵向研究的因素相关的独特分量;例如，治疗、患者和体素效应。贝叶斯分层模型提供了构建数据模型、参数模型以及先验分布的框架。用马尔可夫链蒙特卡罗（MCMC）方法估计动力学参数的后验分布。在研究水平对总体处理效应进行假设检验是简单的，患者和体素水平参数捕获随机效应，这些随机效果提供了不同分辨率水平的额外信息，以便对临床试验进行全面评价。所提出的方法与乳腺癌研究，其中的主题之前和之后的两个周期的化疗成像，证明了这种方法的纵向肿瘤学研究的临床潜力进行了验证。
2007-10-25 physics.med-ph stat.AP
Considerations for Single-Arm Trials to Support Accelerated Approval of Oncology Drugs
本文系统阐述了单臂试验用于肿瘤药物加速批准时需满足的必要条件、充分条件、临床获益证据条件及确证性随机对照试验计划，为申办方提供监管决策参考。
2024-11-22 stat.AP
The Modified Combo i3+3 Design for Novel-Novel Combination Dose-Finding Trials in Oncology
本文提出改良组合 i3+3（MCi3+3）设计，用于肿瘤学中新药-新药联合剂量探索试验，通过两阶段或三阶段框架在保持简单实用性的同时提升安全性，并经模拟和真实临床试验验证其有效性。
2024-09-04 stat.AP
Hybrid Non-informative and Informative Prior Model-assisted Designs for Mid-trial Dose Insertion
Institute of Science Tokyo（东京科学大学）；The University of Osaka（大阪大学）；Astellas Pharma Global Development Inc.（安斯泰来制药全球开发株式会社）；Wakayama Medical University（和歌山医科大学）；Chuo University（中央大学）；The Institute of Statistical Mathematics（统计数学研究所）
本文提出了一种混合模型辅助设计，通过非信息性和信息性先验结合，改进中期剂量插入时的剂量分配和最大耐受剂量选择。
2026-02-20 stat.AP stat.ME
Pharmacometrics-Enabled DOse OPtimization (PEDOOP) for Seamless Phase I-II Trials in Oncology
本文提出 PEDOOP 无缝 I-II 期肿瘤试验设计，利用患者层面 PK、潜在 PD 与毒性数据进行剂量优化，并通过模拟对比现有无缝设计。
2024-02-22 stat.AP
A Bayesian predictive framework for adaptive interim-analysis timing with robust borrowing in confirmatory trials
Peking University（北京大学）；China Novartis Institutes for BioMedical Research Co.（诺华生物医学研究院（中国））
针对确证性III期试验，提出基于贝叶斯信息借用和贝叶斯预测概率的自适应中期分析时间框架，校准借用模型控制I类错误率，模拟显示该方法能维持错误率并提高中期效能。
2026-07-07 stat.AP
Power and Sample Size Calculations for Bayes Factors in two-arm clinical Phase II Trials with binary Endpoints
Institute of Medical Statistics and Computational Biology（医学统计与计算生物学研究所）；Faculty of Medicine（医学院）；University of Cologne（科隆大学）
本文提出了一种基于贝叶斯因子的II期临床试验样本量计算方法，通过数值方法高效计算功效和一类错误率，无需蒙特卡洛模拟。
2026-03-02 stat.AP stat.ME
Enhancing Dose Selection in Phase I Cancer Trials: Extending the Bayesian Logistic Regression Model with Non-DLT Adverse Events Integration
本文提出BBLRM模型，通过引入参数δ整合非DLT不良事件，使I期肿瘤试验剂量递增更保守，在不影响MTD识别准确性的前提下降低毒性剂量选择比例，提升模型设计的安全性与临床接受度。
2025-08-15 stat.ME
Visualisation of multi-indication randomised control trial evidence to support decision-making in oncology: a case study on bevacizumab
本研究以贝伐珠单抗为案例，采用多种可视化方法展示其7种获批癌症适应症的随机对照试验证据的演变与质量，可支持证据合成与卫生技术评估决策。
2025-01-15 stat.AP
Metrics to find a surrogate endpoint of OS in metastatic oncology trials: a simulation study
癌症患者总生存期的替代终点（SE）对于提高肿瘤药物开发效率至关重要。在实践中，我们可能会在发现队列中基于一个或多个临床或生物学特征发现新的患者水平与生存率的相关性;然后在荟萃分析中测量研究间的试验水平相关性，以验证SE。为了了解各种患者水平指标如何指示最终的试验水平关联，我们考虑了基于双指数函数的因果生物轨迹，通过参数α对其对生存风险的影响强度进行建模，并同时模拟随机试验中的轨迹和生存时间。我们在试验中设置了一个早期时间点，此时轨迹测量值变为SE值。从模拟的发现队列中，我们比较了患者水平的指标，包括C指数、综合brier评分和SE值与生存时间之间的log风险比。我们收集了多项模拟研究，以使荟萃分析能够估计试验水平的相关性。在这里考虑的所有模拟场景中，我们发现三个患者级别指标之间存在紧密相关性，并且其中任何一个与试验级别指标之间存在类似的相关性。尽管α持续增加，但患者和试验水平的指标通常都处于平稳状态;它们的相关性总是随着α的增加而迅速下降。这表明，将额外的生物学因素纳入复合SE可能对改善患者水平和试验水平相关性具有递减的回报。
2022-11-07 stat.AP stat.CO
Oncology clinical trial design planning based on a multistate model that jointly models progression-free and overall survival endpoints
本研究提出基于联合OS与PFS终点的多状态模型开展肿瘤临床试验设计规划，可自然处理非比例风险与终点依赖性，模拟显示标准简化法易致试验效能偏差，方法可扩展且有对应R包。
2023-12-18 stat.AP stat.ME
A model-assisted design for phase I oncology drug combination trials incorporating backfill
California Polytechnic State University（加州州立理工大学）；Medical University of South Carolina（南卡罗来纳医科大学）
本文针对I期肿瘤药物联合试验，整合扩展现有模型辅助回填设计方法，填补了该领域模型辅助回填设计的研究空白，为临床医生提供了易用的试验设计方案。
2026-10-14 stat.AP stat.ME
Time-to-event estimands and loss to follow-up in oncology in light of the estimands framework
本研究围绕肿瘤学临床试验中的事件发生时间估计量，结合ICH E9估计量框架，探讨了存在并发事件时失访影响研究结果的实际问题，给出试验设计建议，并提出可通过敏感性与补充分析检验假设。
2023-07-21 stat.AP
Optimal predictive probability designs for randomized biomarker-guided oncology trials
近年来，开发生物标志物靶向抗癌疗法的努力进展迅速。2015年至2021年期间，6种作用于程序性死亡配体1或程序性死亡1途径的抗体被批准用于75种癌症适应症。为了加快对有希望的疗法的监管审查，几种靶向癌症疗法已经在单臂II期试验的基础上获得了加速批准。然而，在没有随机化的情况下，在提交加速批准申请之前，可能没有在标准治疗化疗下对新兴生物标志物亚群的患者结局进行研究。单组研究中使用的历史对照率通常为群体平均值，对目标亚组缺乏特异性。例如，最近在转移性尿路上皮癌患者中进行的atezolizumab III期试验发现，在感兴趣的生物标志物亚组中，标准治疗化疗的应答率为21.6%，远高于先前II期试验中用于宣布成功的10%的历史对照率。需要设计方法的创新，以有效实施针对生物标志物亚群的药物的随机试验。本文提出了三种早期生物标志物指导的肿瘤学临床试验的随机设计。每种设计均利用最佳效率预测概率方法监测多个生物标志物亚群的无效性。由atezolizumab试验中报告的结果激发的模拟研究用于评价各种设计的操作特征。我们的研究结果表明，在决定进行III期确证性试验之前，可以通过随机化和无效性停止进行有效的统计设计，以有效地获得更多与比较疗效有关的证据。
2022-10-06 stat.AP stat.ME
Semiparametric Piecewise Accelerated Failure Time Model for the Analysis of Immune-Oncology Clinical Trials
针对免疫肿瘤治疗存在迟滞时间导致比例风险假设失效的问题，提出半参数分段加速失效时间模型，基于半参数极大似然法推断，提供整体治疗概括并统一识别获益较少的患者。
2024-07-24 stat.AP stat.ME
One-sample survival tests in the presence of non-proportional hazards in oncology clinical trials
Oncostat, CESP, INSERM U1018（INSERM U1018）；University Paris-Saclay（巴黎萨克雷大学）；Department of Statistics and Acturial Science（统计与精算学系）；University of Hong Kong（香港大学）
本文提出了一种结合分段指数模型和加速危害模型的生存检验方法，用于评估单臂试验中治疗效果，通过模拟研究验证了其在不同场景下的优越性。
2026-10-28 stat.AP stat.ME
Oncology Dose Finding Using Approximate Bayesian Computation Design
在开发新的癌症治疗方法时，重要的一步是通过I期临床试验确定最大耐受剂量（MTD）。一般来说，I期试验设计可分为基于模型的方法和基于算法的方法。通过使用所有观察到的数据，基于模型的I期设计通常更有效，同时存在模型错误指定的潜在风险，可能导致不可靠的剂量分配和不正确的MTD识别。相比之下，大多数基于算法的设计在使用累积信息方面效率较低，因为它们倾向于关注当前剂量水平附近的观测数据以进行剂量移动。为了更有效地利用数据，而没有任何模型假设，我们提出了一种新的近似贝叶斯计算（ABC）的方法，I期试验设计。ABC设计不仅没有任何剂量-毒性曲线假设，而且还可以汇总试验中积累的所有可用信息用于剂量分配。广泛的仿真研究表明，与其他I期设计相比，它的鲁棒性和效率。我们将ABC设计应用于MEK抑制剂selumetinib试验，以证明其令人满意的性能。所提出的设计可以是一个有用的除了家庭的I期临床试验设计，由于其简单性，效率和鲁棒性。
2022-03-01 stat.AP stat.CO
An evaluation of machine learning techniques to predict the outcome of children treated for Hodgkin-Lymphoma on the AHOD0031 trial: A report from the Children's Oncology Group
在这篇文章中，我们分析了一个包含霍奇金淋巴瘤（HL）儿童参加临床试验的信息的数据集。收集接受的治疗和生存状态以及其他协变量，如人口统计学和临床测量。我们的主要任务是探索机器学习（ML）算法在生存分析背景下的潜力，以改善Cox比例风险（CoxPH）模型。我们讨论了我们想要改进的CoxPH模型的弱点，然后我们介绍了多种算法，从成熟的算法到最先进的模型，解决了这些问题。然后，我们根据一致性指数和brier评分比较每个模型。最后，根据我们的经验，我们为希望从人工智能的最新进展中受益的从业者提出了一系列建议。
2021-03-26 q-bio.QM stat.AP stat.ML
Quantification of follow-up time in oncology clinical trials with a time-to-event endpoint: Asking the right questions
本文基于估计目标框架系统梳理了肿瘤学至事件时间终点分析中与随访量化相关的科学问题，说明无需依赖定义模糊的随访量，并针对比例风险假设及其他生存函数模式提出实践建议。
2023-03-13 stat.AP stat.ME
Adjusting for time-varying treatment switches in randomized clinical trials: the danger of extrapolation and how to avoid it
在随机临床试验中选择被估量和估计量时，需要谨慎，因为并发事件，例如-由于患者在疾病进展后转换治疗，通常是极端的。然后，统计分析可能很容易诱使人们做出大量的隐含外推，而这些外推往往被忽视。我们将使用一个真实的肿瘤学病例研究来说明隐式外推的问题，该研究具有右删失的至事件发生时间终点，其中患者可以在疾病进展后出于伦理原因从对照组交叉到实验治疗组。我们通过开发一个生存风险比的估计量来解决这个问题，该估计量将所有患者在每个时间t接受实验性治疗时的生存概率与所有患者在时间t之前接受对照治疗时的生存概率进行对比，使用随机化作为工具变量，以避免依赖于无不可测量混杂因素的假设。这种双重鲁棒估计可以处理时变的治疗开关和右删失生存时间。深入了解背后的估计的基本原理，并通过重新分析肿瘤学试验证明了这种方法。
2023-03-10 stat.AP
A basket trial design based on power priors
本文提出基于幂先验的篮子试验设计，通过修改Fujikawa方法实现跨亚组信息共享，在保持与完全贝叶斯设计相当性能的同时显著降低计算成本。
2024-02-15 stat.ME
BESS: A Bayesian Estimator of Sample Size
Stanford University（斯坦福大学）；The University of Chicago（芝加哥大学）
BESS是一种基于贝叶斯方法的临床试验样本量估计工具，通过后验概率提高决策信心，相较于传统方法更易解释且可整合先验信息。
2026-01-20 stat.ME
Generalized Design of Basket Trials with P-value Combination Test
针对现有基于二分类终点的带剪枝与合并（P&P）方法的肿瘤篮子试验应用受限的问题，本研究提出基于P值组合检验的通用框架，仅需各队列任意统计检验的P值即可决策，大幅提升了该类试验设计的灵活性。
2024-12-09 stat.AP
Two-stage single-arm trials are rarely reported adequately
目的：两阶段单组试验设计通常用于II期肿瘤学，以推断二元主要结局的处理效应（例如，肿瘤反应）。必须有效地设计、分析和报告这些研究。然而，几乎没有证据表明情况是否如此，特别是在关键的统计考虑方面。因此，我们全面审查这些审判，特别是审查报告的质量。方法：确定并回顾了5年内使用“Simon两阶段设计”的已发表肿瘤学试验。评估文章是否报告了足够的设计详细信息（例如所需的样本量）和分析详细信息（例如置信区间（CI））。重新分析未调整其推断以纳入中期分析的文章，以评价对其报告的点估计值和CI的影响。结果：纳入了425篇报告单个治疗组结果的文章。其中，47.5%提供了确保设计再现性的五个组件。分别只有1.2%和2.1%的患者报告了调整后的点估计值或CI。只有55.3%的试验提供了最后阶段的拒绝界限，表明许多试验没有检验设计的假设。试验的再分析表明，报告的点估计值低估了处理效应，报告的CI太窄。结论：两阶段单组试验的关键设计细节往往未被报道。虽然定期进行推断，但很少以消除中期分析引入的偏倚的方式进行推断。为了最大限度地发挥其价值，未来的研究必须改进分析和报告的方式。
2020-07-08 stat.AP
A Survival Mediation Model with Bayesian Model Averaging
确定患者从癌症治疗中获益的程度具有挑战性。已经为各种类型的实体瘤和血液恶性肿瘤确立了在几个治疗周期内观察到的“肿瘤缓解”程度的量化标准。这些指标包括II期试验的主要终点。然而，监管机构对新癌症疗法的批准通常取决于通过III期试验获得的随机证据证明了更优的总生存率，该III期试验将新疗法与适当的标准治疗进行了比较。由于近三分之二的III期肿瘤学试验未能取得统计学显著性结果，研究人员继续改进并提出新的替代终点。本文提出了一个贝叶斯框架，用于研究治疗，患者亚组，肿瘤反应和生存之间的关系。结合经典组件的中介分析与贝叶斯模型平均（BMA），该方法是强大的模型之间的各种可能的关系，可观察到的实体之间的错误规范。后验推理是通过应用于转移性结直肠癌的随机对照III期试验来证明的。此外，文章详细描述了生存期的后验预测分布和用于量化直接和间接或肿瘤缓解介导的处理效应程度的统计指标。
2020-09-16 stat.ME
A Seamless Phase II/III Design with Dose Optimization for Oncology Drug Development
针对 FDA Project Optimus 倡议的剂量优化需求，提出 SDDO 框架，通过中期分析进行最优剂量选择与样本量重估，在严格控制 I 类错误的同时提高试验效率与统计功效。
2024-05-31 stat.AP stat.ME
bayprior: Structured Bayesian Prior Elicitation, Conflict Diagnostics, and Regulatory Reporting
bayprior是一个R包和Shiny应用，整合贝叶斯先验引出、冲突诊断、敏感性分析和监管报告，支持FDA和EMA指南，并通过合成肿瘤学试验验证。
2026-10-12 stat.AP stat.CO stat.ME
Interim recruitment prediction for multi-centre clinical trials
我们介绍了一个监测，建模和预测招募多中心临床试验的一般框架。这项工作的动机是过于乐观和狭窄的预测区间所产生的现有的时间均匀的招聘模型多中心招聘。我们首先提出了两个测试检测衰减的招聘率，连同电源的研究。然后，我们引入了一个模型的基础上，单调衰减强度的非齐次泊松过程，在肿瘤学试验中观察到的招聘趋势的动机。该模型的一般形式允许适应任何参数曲线形状。一个一般的方法，用于构建合理的参数先验和贝叶斯模型平均用于作出预测，占参数和模型的不确定性。使用模拟数据集测试了该方法的有效性及其对误指定的鲁棒性。然后将新方法应用于肿瘤学试验数据，在那里我们进行中期应计预测，将其与通过现有方法获得的预测进行比较，并指出应计模式中发生的意外变化。
2020-09-02 stat.AP 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
Three steps towards dose optimization for oncology dose finding
本文提出面向肿瘤药物开发的三步剂量优化流程，通过混合剂量递增、多数据驱动的RDE选择及随机部分因子扩展试验，提高注册试验最佳剂量选择概率。
2023-09-27 stat.AP stat.ME
Bayesian predictive probability based on a bivariate index vector for single-arm phase II study with binary efficacy and safety endpoints
本文针对单臂II期试验中疗效与安全性双终点监测问题，提出一种基于新二元指标向量的贝叶斯预测概率方法，用于期中继续/停止决策，并通过模拟验证其操作特性良好。
2023-08-07 stat.ME
Statistical Frameworks for Oncology Dose-Finding Designs with Late-Onset Toxicities: A Review
在肿瘤学剂量探索试验中，由于交错入组，可能需要在存在待定毒性结局的情况下实时做出剂量分配决策，例如，当剂量限制性毒性为迟发型时。患者的事件发生时间信息可用于促进此类决策。我们回顾了剂量探索试验中的事件发生时间建模的统计框架，并将现有的设计归纳为两类：TITE设计和POD设计。TITE设计基于对毒性概率的推断，而POD设计基于对剂量确定决策的推断。这两类外观设计包含作为特殊情况的现有个别外观设计，并产生新的外观设计。我们讨论和研究这些设计的理论性质，包括大样本收敛性，一致性原则，和基本的决策规则。为了便于在实践中使用这些设计，我们介绍了高效的计算算法和审查常见的实际考虑，如安全规则和暂停规则。最后，几种设计的工作特性进行了评估和比较，通过计算机模拟。
2023-03-10 math.ST stat.AP stat.ME
PIONEER: Bayesian Joint Modelling of Mechanistic Tumour Growth and Time-to-Event Endpoints for Dynamic Prediction of Ongoing Oncology Trials
针对肿瘤学临床试验生存数据不成熟的问题，提出PIONEER贝叶斯联合建模框架，结合肿瘤大小动态与临床事件子模型，通过单次前向模拟得出临床终点，经案例验证可提前预测且量化不确定性，为临床开发决策提供支持。
2026-07-21 math.ST stat.AP stat.ME
