Applications of Bayesian statistical methodology to clinical trial design: A case study of a phase 2 trial with an interim futility assessment in patients with knee osteoarthritis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Development of new pharmacological treatments for osteoarthritis that address unmet medical needs in a competitive market place is challenging. Bayesian approaches to trial design offer advantages in defining treatment benefits by addressing clinically relevant magnitude of effects relative to comparators and in optimizing efficiency in analysis. Such advantages are illustrated by a motivating case study, a proof of concept, and dose finding study in patients with osteoarthritis. Patients with osteoarthritis were randomized to receive placebo, celecoxib, or 1 of 4 doses of galcanezumab. Primary outcome measure was change from baseline WOMAC pain after 8 weeks of treatment. Literature review of clinical trials with targeted comparator therapies quantified treatment effects versus placebo. Two success criteria were defined: one to address superiority to placebo with adequate precision and another to ensure a clinically relevant treatment effect. Trial simulations used a Bayesian dose response and longitudinal model. An interim analysis for futility was incorporated. Simulations indicated the study had ≥85% power to detect a 14-mm improvement and ≤1% risk for a placebo-like drug to pass. The addition of the second success criterion substantially reduced the risk of an inadequate, weakly efficacious drug proceeding to future development. The study was terminated at the interim analysis due to inadequate analgesic efficacy. A Bayesian approach using probabilistic statements enables clear understanding of success criteria, leading to informed decisions for study conduct. Incorporating an interim analysis can effectively reduce sample size, save resources, and minimize exposure of patients to an inadequate treatment.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 découle