A Bayesian adaptive design for clinical trials of rare efficacy outcomes with multiple definitions
Notice bibliographique
Résumé
INTRODUCTION: Bayesian adaptive designs for clinical trials have gained popularity in the recent years due to the flexibility and efficiency that they offer. We consider the scenario where the outcome of interest comprises events with relatively low risk of occurrence and different case definitions resulting in varying control group risk assumptions. This is a scenario that occurs frequently for infectious diseases in global health research. METHODS: We propose a Bayesian adaptive design that incorporates different case definitions of the outcome of interest that vary in stringency. A set of stopping rules are proposed where superiority and futility may be concluded with respect to different outcome definitions and therefore maintain a realistic probability of stopping in trials with low event rates. Through a simulation study, a variety of stopping rules and design configurations are compared. RESULTS: The simulation results are provided in an interactive web application that allows the user to explore and compare the design operating characteristics for a variety of assumptions and design parameters with respect to different outcome definitions. The results for select simulation scenarios are provided in the article. DISCUSSION: Bayesian adaptive designs offer the potential for maximizing the information learned from the data collected through clinical trials. The proposed design enables monitoring and utilizing multiple composite outcomes based on rare events to optimize the trial design operating characteristics.
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 | 0,391 | 0,955 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,005 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».