Bayesian adaptive enrichment design in multi-arm clinical trials: The BayesAET package for R users
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Randomized controlled trials seldom assess treatment effect heterogeneity across subpopulations, potentially leading to suboptimal treatment recommendations and inefficient use of healthcare resources. Adaptive enrichment designs seek to identify patient subpopulations most likely to benefit from the treatment. This manuscript introduces BayesAET, an R package developed to support Bayesian adaptive enrichment trial designs. The package helps identify optimal treatments for pre-specified subpopulations within a broader patient population, improving the efficiency and relevant inference of clinical trials. METHODS: BayesAET integrates Bayesian multi-arm multi-stage designs with adaptive enrichment strategies. It allows for the incorporation of historical data through Bayesian priors, supports adaptive randomization and interim analyses. These features facilitate flexible but robust modifications to trial parameters based on accumulated data, including early stopping, dropping ineffective treatments, and adjusting randomization probabilities. The package supports various outcome types, including continuous, binary, and count outcomes. RESULTS: We showcase BayesAET through a case study of a trial evaluating repetitive transcranial magnetic stimulation for depression and anxiety. The trial involved three treatment protocols and two subpopulations (with and without benzodiazepine use). Simulations demonstrate that BayesAET effectively identifies differential treatment effects, adapts trial parameters based on interim data, and improves precision in treatment effect estimation. CONCLUSION: BayesAET provides a comprehensive tool for designing and analyzing Bayesian adaptive enrichment trials to identify the optimal treatments with pre-specified subpopulations.
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.
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 | 0,124 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle