A Pharmacometrics‐Informed Trial Simulation Framework for Optimizing Study Designs for Disease‐Modifying Treatments in Rare Neurological Disorders
Notice bibliographique
Résumé
The development of new treatments for rare neurological diseases (RNDs) may be very challenging due to limited natural history data, lack of relevant biomarkers and clinical endpoints, small and heterogeneous patient populations, and other complexities. A systematic approach is needed for comparing various design and analysis strategies to identify "optimal" approaches for a clinical trial in a chosen RND with the given resource constraints. For this purpose, we propose a pharmacometrics-informed clinical scenario evaluation framework (CSE-PMx), which includes some important research hallmarks relevant to RND clinical trials: a disease progression model for simulating individual longitudinal outcomes, the choice of a suitable randomization method for trial design, and an option to perform subsequent statistical analysis with randomization tests. We illustrate the utility of CSE-PMx for an exemplary randomized trial to compare the disease-modifying effect of an experimental treatment versus control in patients with Autosomal-Recessive Spastic Ataxia Charlevoix Saguenay (ARSACS). In the considered example, our simulation evidence suggests that a nonlinear mixed-effects model (NLMEM) with a population-based likelihood ratio test analysis is valid, robust, and more powerful than some conventional methods such as two-sample t-test, analysis of covariance (ANCOVA), or a mixed model with repeated measurements (MMRM). Our proposed framework is very flexible and generalizable to clinical research in other rare disease indications.
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 | 0,048 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».