基于 CV-TMLE 的全局检验方法在罕见疾病临床研究中提高检验功效
统计方法学
2026-05-05 v1
摘要
罕见疾病的临床试验面临因患者数量有限和患者间临床表型异质性而独特的统计挑战。多重终点往往是为全面捕获治疗效益所必需的。全局检验是一种评估治疗是否对多个终点产生任何有益影响的方法。我们提出了一种基于加权复合终点的新型全局检验。该全局检验采用基于收缩的交叉验证目标最大似然估计 (CV-TMLE) 来学习数据驱动的权重，以实现最大功效的同时保持类型 I 错误的控制。收缩可以针对预期的相对效应大小进行调节以整合既有领域知识。在旨在反映真实罕见疾病试验环境的仿真研究中，所提出的程序在终点之间效应异质时，相对于标准的多重性校正和经典全局检验（如 O'Brien 检验），在保持名义类型 I 错误的同时演示了更好的检验功效。该方法同时学习最优加权复合结果的加权结果，并为该加权结果上的平均处理效应 (ATE) 提供无偏且高效的目标最大似然估计 (TMLE)，其推断考虑到该 ATE 是数据依赖的。
引用
@article{arxiv.2605.02851,
title = {A CV-TMLE global test approach to improve power in rare disease clinical studies with multiple-component endpoints},
author = {Tianyue Zhou and Susan Gruber and Hana Lee and Wonyul Lee and Lei Nie and Mark van der Laan},
journal= {arXiv preprint arXiv:2605.02851},
year = {2026}
}