用于偏序持续再评估方法的贝叶斯模型平均
统计方法学
2024-03-04 v1
摘要
I 期临床试验对于将新疗法从化学开发推向广泛应用至关重要。I 期试验中传统的剂量寻找方法，如'3+3'法和持续再评估方法（CRM），提供了一种跨剂量水平递增的原则性方法。然而，这些方法缺乏纳入关于剂量 - 毒性排序不确定性的能力，而这在联合药物试验中是存在的。在这种情况下，剂量水平在多种药物间同时变化，导致多种可能的剂量 - 毒性排序。偏序 CRM（POCRM）通过允许多种剂量 - 毒性排序扩展到了这些场景。在本文中，证明了 POCRM 易受“估计不一致性”的影响，即毒性估计以不合逻辑的方式发生偏移，从而威胁患者安全并削弱临床医生对剂量寻找模型的信任。为此，提出了贝叶斯模型平均 POCRM（BMA-POCRM）。BMA-POCRM 使用贝叶斯模型平均同时考虑所有可能的排序，减少了估计不一致性的频率。通过 POCRM 估计不一致性的具体实例和模拟研究，证明了 BMA-POCRM 在药物组合场景中的有效性。结果突显了与 POCRM 模型相比，应用 BMA-POCRM 的试验在安全性、准确性方面的提升以及估计不一致性发生率的降低。
引用
@article{arxiv.2403.00701,
title = {Bayesian Model Averaging for Partial Ordering Continual Reassessment Methods},
author = {Luka Kovacevic and Thomas Jaki and Helen Barnett and Pavel Mozgunov},
journal= {arXiv preprint arXiv:2403.00701},
year = {2024}
}
备注
41 pages, 10 figures