Bayesian adaptive clinical trials of combination treatments
Notice bibliographique
Résumé
Randomized clinical trials (RCT) increasingly investigate combination therapies. Strong biological rationale or early clinical evidence commonly suggest that the effect of the combination treatment is importantly greater than the maximum effect of any of the individual treatments. While these relationships are commonly well-accepted, RCTs do not incorporate them into the design or analysis plans. We therefore propose a simple Bayesian framework for incorporating the known relationships that the effectiveness of a combination treatment exceeds that of any individual treatment, but does not necessarily exceed the sum of individual effects. We term the collation of these two relationships ‘fractional additivity’. We performed a binary outcome simulation study of a response adaptive randomized three-arm clinical trial with treatment arms A, B, and A&B that allowed for dropping an inferior treatment arm and terminating the trial early for superiority during any of 4 interim analyses. We compared the Bayesian fractional additivity model to a conventional analysis by measuring the expected proportion of failures, sample size at trial termination, time to termination, and root mean squared error of final estimates. We also compared the fractional additivity model to a ‘full additivity’ model where the effect of A&B was assumed to be the sum of the effect of A and B. In simulation scenarios where important fractional additivity or full additivity existed, the Bayesian fractional additivity model yielded a 3–4% relative reduction in expected number of failures, and a 30%–50% relative reduction in sample size at trial termination compared to a conventional analysis. These results held true even when the Bayesian fractional additivity model employed a biased prior. The full additivity model had slightly higher gains, but too frequently terminated the trial at the first interim look. In scenarios where no or weak fractional additivity exists, the expected sample size and time to termination were similar for the Bayesian fractional additivity model with a moderately optimistic bias about fractional additivity and the conventional model. Lastly, the fractional additivity model generally yielded similar or lower root mean squared error compared to the other models. In conclusion, our proposed Bayesian fractional additivity model provides an efficient approach for estimating effects of combination treatments in clinical trials. The approach is not only highly applicable in adaptive clinical trials, but also provides added power in a conventional RCT.
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 | 0,168 | 0,343 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».