Abstract A040: Digital Controls: An Efficient, Robust, and Privacy-Preserving Bayesian Tool for Adaptive Information Borrowing from External Data
Notice bibliographique
Résumé
Abstract Randomized controlled trials (RCTs), also known as A/B testing, are widely regarded as the gold standard for evaluating average treatment effects by comparing treatment and control outcomes. However, large-scale RCTs in real-world applications, such as clinical trials, often face significant practical challenges like budgetary constraints and participant enrollment, leading to small sample sizes and inadequate statistical power. The abundance of available external data presents a promising opportunity to augment information and enhance the analysis of RCTs. However, inappropriate information borrowing or low-quality external data can lead to biased estimations or even incorrect trial conclusions; and privacy concerns may restrict access to individual-level external data in some applications. To address these issues, we propose a novel Bayesian framework that leverages machine learning (ML) predictive and generative models trained on RCT and external data to generate multiple sets of “digital control” (DC) samples that mimic real control outcomes. Using these DC samples, we develop a Bayesian hierarchical framework to adaptively incorporate external information and augment RCTs. Our approach eliminates the need for individual-level external data by enabling the decentralized training of ML models, thereby preserving privacy. To ensure robust inference, we introduce a debiasing term to mitigate potential bias from unmeasured confounders and employ a data-driven prior to discourage inappropriate information borrowing. Through extensive simulation studies, we empirically demonstrate the validity and advantages of the proposed method. Compared to existing approaches, our method significantly improves the precision of treatment effect estimates and enhances statistical power. Citation Format: Ruitao Lin, Ying Yuan, Xiaohan Chi. Digital Controls: An Efficient, Robust, and Privacy-Preserving Bayesian Tool for Adaptive Information Borrowing from External Data [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr A040.
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 | 0,020 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».