TRAFIC: Statistical Plan for a Pragmatic Early Phase 1/2 Bayesian Adaptive Dose Escalation Trial in Rheumatoid Arthritis
Notice bibliographique
Résumé
Abstract Background : Adaptive model-based dose-finding designs have demonstrated advantages over traditional rule-based designs but have increased statistical complexity resulting in slow uptake especially outside of cancer trials. TRAFIC is a multi-centre, early phase trial in Rheumatoid Arthritis incorporating a model-based design. Methods : A Bayesian adaptive dose-finding phase I trial rolling into a single arm, single stage phase II trial. Model parameters for phase I were chosen via Monte Carlo simulation evaluating objective performance measures under clinically relevant scenarios and incorporated stopping rules for early termination. Potential designs were further calibrated utilising dose transition pathways. Discussion : TRAFIC is an MRC funded trial of a re-purposed treatment demonstrating that it is possible to design, fund and implement a model-based phase I trial in a non-cancer population within conventional research funding tracks and regulatory constraints. The phase I design allows borrowing of information from previous trials; all accumulated data to be utilised in decision-making; verification of operating characteristics through simulation; improved understanding for management and oversight teams through dose transition pathways. The rolling phase II design brings efficiencies in trial conduct including site and monitoring activities, and cost.TRAFIC is the first funded model-based dose-finding trial in inflammatory disease demonstrating that small phase I/II trials can have an underlying statistical basis for decision-making and interpretation. Trial Registration: ISRCTN 36667085
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 | 0,021 | 0,306 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».