Practical Model-Based Dose Finding in Early-Phase Clinical Trials
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: A safe and effective tissue plasminogen activator (tPA) dose for childhood stroke has not been established. This article describes a Bayesian outcome-adaptive method for determining the best dose of an experimental agent and explains how this method was used to design a dose-finding trial for tPA in childhood. METHODS: The method assigns doses to successive cohorts of patients on the basis of each dose's desirability, quantified in terms of the tradeoff between efficacy and toxicity. The tradeoff function is constructed from several pairs of equally desirable (efficacy, toxicity) probabilities specified by the physicians planning the trial. Each cohort's dose is chosen adaptively, based on dose-outcome data from the patients treated previously in the trial, to optimize the efficacy-toxicity tradeoff. Application of the method to design the tPA trial is described, including a computer simulation study to establish design properties. A hypothetical cohort-by-cohort example is given to illustrate how the method works during trial conduct. RESULTS: Because only a dose that is both safe and efficacious may be selected and the method combines phase I and phase II by integrating efficacy and toxicity to choose doses, it avoids the more time-consuming and expensive conventional approach of conducting a phase I trial based on toxicity alone followed by a phase II trial based on efficacy alone. This is especially useful in settings with low accrual rates, such as trials of tPA for pediatric acute ischemic stroke.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,061 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».