Clinical study design strategies to mitigate confounding effects of time‐dependent clearance on dose optimization of therapeutic antibodies
Notice bibliographique
Résumé
Time-dependent pharmacokinetics (TDPK) is a frequent confounding factor that misleads exposure-response (ER) analysis of therapeutic antibodies, where a decline in clearance results in increased drug exposure over time in patients who respond to therapy, causing a false-positive ER finding. The object of our simulation study was to explore the influence of clinical trial designs on the frequency of false-positive ER findings. Two previously published population PK models representative of slow- (pembrolizumab) and fast-onset (rituximab) TDPK were used to simulate virtual patient cohorts with time-dependent clearance and the frequency of false-positive ER findings. The impact of varying the number of dose groups, dose range, and sample size was evaluated over time. Study designs with a single tested dose level showed a high probability of showing a false-positive ER finding. When TDPK has a slow onset, use of exposure measures from early timepoints in ER analysis significantly reduces the risk of a false-positive, while with fast onset it did not. Randomization of patients to two dose levels greatly reduced the risk, with a threefold or greater dose range offering the greatest benefit. The likelihood of false-positive increases with a larger sample size, where greater care should be taken to identify confounding factors. Clinical trial simulation supports that appropriate clinical study design and analysis with adequate dose exploration can reduce but cannot entirely eliminate the risk of misleading ER findings.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».