Statistical inference for sequential designs of \nrandomized clinical trials with binary responses
Notice bibliographique
Résumé
Sequential designs of Randomized Clinical Trials (RCT) allow repeated significance \ntesting based on cumulative data over time. The sequential testing method enables \nearly termination of the study using a pre-defined stopping rule when preliminary \nresults show a clear superiority of one treatment over the other. Over the decades, researchers \nhave presented several techniques for determining the stopping rule, mainly \nfor continuous data. However, clinical trial data are not necessarily continuous. In \ncertain cases, data can be dichotomous, containing only two distinct values. Some researchers \nhave proposed special sequential testing procedures to analyze binary data \nconsidering individual data points at each stage. With the in \nuence of those approaches, \nwe are more focused on a method which can be used to analyse groups of \nbinary data. \nThe thesis considers the implementation of three main approaches, namely, Pocock \n[32, 34], O'Brien and Fleming [29] and Haybittle-Peto [31, 15] methods for computing \nthe critical values required for controlling the size and power of tests at various stages \nof sequential analysis. Critical values are obtained using an iterative Markov chain \napproach to satisfy the alpha spending at each stage. Considering the discrete nature \nof the data, a likelihood ratio test statistic is used for testing the proportions. Examples \nof two-stage and three-stage analysis were used to illustrate the computation \nof the critical values, size and power of tests of proportions, and then the outcomes \nbased 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 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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».