Who benefits? Uncovering hidden heterogeneity of treatment effects in adaptive trials using Bayesian methods: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Adaptive clinical trials increasingly aim to detect heterogeneity of treatment effect (HTE) to guide personalized care. However, most adaptive designs rely on predefined subgroups and are limited in their ability to uncover unknown or complex sources of HTE. Bayesian statistical methods offer a flexible alternative, enabling real-time learning and adaptation within trials. This review evaluates Bayesian methods used to detect hidden HTE in adaptive clinical trials, with attention to their methodological innovations, operating characteristics, and consideration of equity and inclusion in trial design. METHODS: We conducted a systematic search of MEDLINE, Embase, and other databases to identify original studies that developed Bayesian methods for detecting unknown HTE within adaptive clinical trial designs. Eligible studies were reviewed and synthesized based on design features, statistical methodology, operating characteristics, reproducibility, and whether equity-related factors were explicitly considered. Equity considerations included whether studies incorporated variables related to underrepresented populations-such as age, sex, race/ethnicity, or geography-examined intersectional subgroup effects, or explicitly framed their methods as tools to address health disparities. RESULTS: Of 2826 screened records, seven studies met inclusion criteria. Bayesian methods included random partition models, spatial models, logistic regression with dimension reduction, adaptive randomization using machine learning classifiers, and adaptive enrichment or platform designs incorporating model averaging or latent subgroup estimation. In simulation studies, these methods often showed improvements in subgroup detection, efficiency, or power relative to non-Bayesian comparators. None were tested using real-world trial data. Reproducibility was limited overall, with analytic code only available for the three most recent studies. Notably, none explicitly framed their methods as tools to address inequities in treatment outcomes across population subgroups. CONCLUSIONS: The small number of simulation-based studies illustrates preliminary but promising directions for applying Bayesian methods to detect HTE in adaptive clinical trials. While these approaches demonstrate potential to enhance trial adaptability, scalability, and inclusiveness, current evidence remains limited and largely conceptual. Incorporating an equity lens into future methodological development, alongside greater emphasis on empirical validation and open science practices, will be essential to determine their practical value in advancing equitable clinical research.
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 | 0,105 | 0,693 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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; les deux têtes enseignantes 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 ».