单臂二分类临床试验中基于正则化似然的历史数据自适应借用方法
《Trials》:Dynamic regularized borrowing—an approach for binary outcomes in single?arm trials
【字体:
大
中
小
】
时间:2026年10月16日
来源:Trials 2.1
编辑推荐:
摘要
具有二分类结局的单臂临床试验通常面临入组困难,尤其在罕见病和肿瘤领域,有限的样本量会降低估计精度。从历史试验中借用信息可以提高估计效率,但当历史数据与当前数据存在异质性时,简单的数据合并可能引入偏差并导致假阳性率升高。我们提出了一种数据自适应的借用方法,称为正则化借用
摘要
具有二分类结局的单臂临床试验通常面临入组困难,尤其在罕见病和肿瘤领域,有限的样本量会降低估计精度。从历史试验中借用信息可以提高估计效率,但当历史数据与当前数据存在异质性时,简单的数据合并可能引入偏差并导致假阳性率升高。我们提出了一种数据自适应的借用方法,称为正则化借用(RB),该方法基于带有条件贝叶斯解释的正则化似然方法,适用于具有二分类结局的单臂试验。RB方法通过正则化框架整合历史数据,通过最小化当前研究估计量的参考基均方误差(MSE)来校准借用程度。借用参数通过基于Bootstrap的目标函数选取,并利用重复交叉拟合进行评估,从而使RB能够在不依赖强可交换性假设或预先设定借用强度的情况下,自适应地平衡偏差与方差。通过模拟研究,我们表明RB能够降低不兼容历史信息的权重,同时相对于独立分析和几种现有的贝叶斯借用方法提高了估计效率。与其他数据自适应借用方法类似,在某些场景下观察到经验假阳性率升高,其中在样本量更小且更不一致的情况下,升高幅度最大。一项针对真实临床试验数据的应用表明,RB在实际应用中具有降低不确定性的优势,同时在异质性条件下仍保持稳健性能。尽管本文聚焦于单臂试验中的二分类结局,所提出的RB框架并不局限于此场景,在概念上可拓展至其他结局类型和试验设计,包括随机对照试验。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号