Composite endpoints consisting of both terminal and non-terminal events, such as death and hospitalization, are frequently used in cardiovascular clinical trials. The Finkelstein-Schoenfeld (FS) test provides a way to employ a hierarchical structure to combine fatal and non-fatal events by giving death information an absolute priority, which may limit the contribution of clinically meaningful non-fatal events. To provide a more flexible alternative, we propose the Finkelstein-Schoenfeld with Multiple Thresholds (FS-MT) test, which extends the standard FS test by incorporating multiple thresholds applied sequentially and alternating across endpoints. A weighted adaptive approach is also developed to help determine the thresholds in FS-MT. The proposed approach retains the statistical properties of the FS test while allowing more flexible use of information from lower-priority events. We evaluate the operating characteristics of the proposed test through simulations that vary the follow-up time, the correlation between events, and the treatment effect sizes. A case study based on the Digitalis Investigation Group clinical trial data is presented to further illustrate our proposed method. An R package ``FSMT'' that implements the proposed methodology has been developed.


翻译:由终点事件(如死亡)和非终点事件(如住院)组成的复合终点,在心血管临床试验中广泛应用。Finkelstein-Schoenfeld(FS)检验通过赋予死亡信息绝对优先级的层次结构,将致死性与非致死性事件结合分析,但可能限制具有临床意义的非致死事件的贡献。为提供更灵活的替代方案,我们提出Finkelstein-Schoenfeld多重阈值(FS-MT)检验,该检验通过引入按序交替应用于各终点的多重阈值,扩展了标准FS检验。我们还开发了一种加权自适应方法以辅助确定FS-MT中的阈值。所提方法在保留FS检验统计性质的同时,允许更灵活地利用低优先级事件的信息。我们通过模拟随访时间、事件间相关性及治疗效果大小的变化,评估了所提检验的操作特性。基于洋地黄研究组临床试验数据的案例研究进一步阐释了所提方法。已开发实现该方法的R软件包“FSMT”。

0
下载
关闭预览

相关内容

【ICML2022】Sharp-MAML:锐度感知的模型无关元学习
专知会员服务
17+阅读 · 2022年6月10日
NeurIPS 2021 | 寻找用于变分布泛化的隐式因果因子
专知会员服务
17+阅读 · 2021年12月7日
NeurIPS 2021 | ConE: 针对知识图谱多跳推理的锥嵌入模型
专知会员服务
26+阅读 · 2021年12月5日
IEEE TPAMI | 基于标注偏差估计的实例相关PU学习
专知会员服务
12+阅读 · 2021年10月23日
NAACL 2019 | 一种考虑缓和KL消失的简单VAE训练方法
PaperWeekly
20+阅读 · 2019年4月24日
CNN 反向传播算法推导
统计学习与视觉计算组
30+阅读 · 2017年12月29日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
VIP会员
相关VIP内容
【ICML2022】Sharp-MAML:锐度感知的模型无关元学习
专知会员服务
17+阅读 · 2022年6月10日
NeurIPS 2021 | 寻找用于变分布泛化的隐式因果因子
专知会员服务
17+阅读 · 2021年12月7日
NeurIPS 2021 | ConE: 针对知识图谱多跳推理的锥嵌入模型
专知会员服务
26+阅读 · 2021年12月5日
IEEE TPAMI | 基于标注偏差估计的实例相关PU学习
专知会员服务
12+阅读 · 2021年10月23日
相关资讯
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员