Outcome imbalance in clinical trials: Mitigating loss of statistical power
Notice bibliographique
Résumé
Abstract Background Unequal rates of decline between placebo and treatment arms reduce a trial’s power. We use machine learning to differentiate decliners from non‐decliners to mitigate the impact of outcome imbalance. Method We trained a model to classify decliners (i.e. individuals with higher CDR‐SB at 24 months of follow‐up) and non‐decliners on 1329 individuals with MCI or Alzheimer’s dementia from ADNI (adni.loni.usc.edu) and NACC (naccdata.org). Input features included baseline age, sex, APOE4 status, gray matter volumes of brain regions from MRI, MMSE, and CDR‐SB. We 1) simulated 100,000 trials by randomizing individuals to placebo and treatment (n = 250 per arm) and measured the proportions of decliners between the arms to assess the likelihood of imbalance, 2) measured the power to detect a 25% treatment effect across simulated trials with varying levels of imbalance (0‐5% more decliners in treatment, 1000 simulations per imbalance level), and 3) studied whether covariate adjustment and enrichment with predicted decliners alleviate imbalance‐related power losses. Result 22.4% of our simulated trials had inter‐arm imbalances of 5% or more, which translated into reduced power (‐15%) and effect sizes (‐0.11) compared to balanced trials (mean ± sem 89.2 ± 0.6% power, 0.39 ± 0.006 Cohen’s d for balanced trials; 73.8 ± 0.9% power, 0.28 ± 0.004 Cohen’s d for 5%‐imbalanced trials). Covariate adjustment on prognostic factors (e.g. APOE4, diagnosis, baseline CDR‐SB) increased power, but imbalance still reduced power by 9% (balanced: 97.2 ± 0.3%; 5%‐imbalanced: 87.8 ± 0.7%). Subgroups analyses of the predicted decliners (excluding predicted non‐decliners) increased power, despite smaller sample sizes (balanced: 97.4 ± 0.3%; 5%‐imbalanced: 92.2 ± 0.5%). Using enriched samples with 250 predicted decliners per arm obtained the greatest power and constrained the power loss to only 3% (balanced: 99.1 ± 0.1%; 5%‐imbalanced: 96.2 ± 0.4%) (Figure). Conclusion To improve a trial’s likelihood of success, covariate adjustment and enrichment with likely decliners should be used to mitigate power loss related to outcome imbalance.
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 | 0,489 | 0,710 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,009 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».