Mainstream methods for clinical trial design do not yet use prior probabilities of clinical hypotheses, mainly due to a concern that poor priors may lead to weak designs. To address this concern, we illustrate a conservative approach to trial design ensuring that the frequentist operational characteristics of the primary trial outcome are stronger than the design prior. Compared to current approaches to Bayesian design, we focus on defining a sample size cost commensurate to the prior to ensure against the possibility of prior-data conflict. Our approach is ethical, in that it calls for quantification of the level of clinical equipoise at design stage and requires the design to be appropriate to disturb this initial equipoise by a pre-specified amount. Four examples are discussed, illustrating the design of phase II-III trials with binary or time to event endpoints. Sample sizes are shown to be conductive to strong levels of overall evidence, whether positive or negative, increasing the conclusiveness of the design and associated trial outcome. Levels of negative evidence provided by standard group sequential designs are found negligible, underscoring the importance of complementing traditional efficacy boundaries with futility rules.


翻译:临床试验设计主流方法尚未使用临床试验设计的主流方法,主要因为担心前科差可能导致设计薄弱。为解决这一关切,我们举例说明了一种保守的试验设计方法,以确保初级试验结果的经常操作特点比前期设计更强。与目前巴耶斯设计方法相比,我们侧重于确定与前期设计相对应的样本规模成本,以确保不发生前期数据冲突的可能性。我们的方法是道德的,因为它要求在设计阶段对临床设备水平进行量化,并要求设计适当,以预定的数量扰动这一初始设备。我们讨论了四个例子,用二至三阶段试验的二、二至三阶段设计与事件结束点相配。样本规模显示,总体证据水平强,不管是正面还是负面,提高了设计和相关试验结果的确定性。标准组顺序设计提供的负面证据水平微不足道,强调用引信规则补充传统功效界限的重要性。

0
下载
关闭预览

相关内容

强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年12月28日
Arxiv
14+阅读 · 2022年10月15日
Arxiv
110+阅读 · 2020年2月5日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员