Statistical inference for sequential designs of randomized clinical trials with binary responses
Notice bibliographique
Résumé
Sequential designs of Randomized Clinical Trials (RCT) allow repeated significance testing based on cumulative data over time. The sequential testing method enables early termination of the study using a pre-defined stopping rule when preliminary results show a clear superiority of one treatment over the other. Over the decades, researchers have presented several techniques for determining the stopping rule, mainly for continuous data. However, clinical trial data are not necessarily continuous. In certain cases, data can be dichotomous, containing only two distinct values. Some researchers have proposed special sequential testing procedures to analyze binary data considering individual data points at each stage. With the in uence of those approaches, we are more focused on a method which can be used to analyse groups of binary data. The thesis considers the implementation of three main approaches, namely, Pocock [32, 34], O'Brien and Fleming [29] and Haybittle-Peto [31, 15] methods for computing the critical values required for controlling the size and power of tests at various stages of sequential analysis. Critical values are obtained using an iterative Markov chain approach to satisfy the alpha spending at each stage. Considering the discrete nature of the data, a likelihood ratio test statistic is used for testing the proportions. Examples of two-stage and three-stage analysis were used to illustrate the computation of the critical values, size and power of tests of proportions, and then the outcomes based on Pocock, O'Brien & Fleming and Haybittle-Peto methods are compared.
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 | 0,217 | 0,485 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,008 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,003 |
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 ».