Effects of biomarker diagnostic accuracy on biomarker-guided phase 2 trials
Notice bibliographique
Résumé
Recent advancements in genomics have attracted attention towards biomarker-guided trials. These trials aim to identify therapies that target diseases based on their genetic profile, and are especially common in cancer research. Careful incorporation of biomarkers in phase II studies is critical to the selection of candidates for further phase III investigation. This short communication focuses on problems of biomarker test accuracy in biomarker-guided trials. We assessed how diagnostic accuracy of biomarker tests affects type I error rate, statistical power, and sample size requirements of single-arm biomarker-guided trials. In particular, we report how false positive rates (FPRs) of biomarker tests reduce statistical power and type I error for Simon's two-stage design, and the degree of sample size correction required to achieve pre-specified power and type I error with varying FPRs. This was done using a case study based on a previous biomarker-guided single-arm trial that was designed with an assumed tumor response rate of 10% under the null hypothesis and 40% for the alternative hypothesis for the mutant group for 5% type I error and 90% power. With varying FPRs of biomarker tests, we considered two scenarios in which the response rate for the wild-type group was assumed to be lower than the response rate for the mutant group at 5% and 10%. We also developed a simple open-source online trial planner for future investigators to use for their biomarker-guided phase II trials (https://mtek.shinyapps.io/Biomarker_Trial_Planner/).
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 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 | 0,158 | 0,964 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».