数字孪生体作为单臂临床试验中的合成对照

单臂试验是评估药物疗效和安全性而无需为对照臂招募患者的重要研究设计。虽然它们不提供随机对照试验所提供的金标准证据，但正在临床开发中日益受到青睐，因为它们提供了一种高效、伦理且实用的替代方案。可以采用多种方法构建对照比较器并估计疗效，从基于临床知识的固定对照器到数据驱动和基于模型的患者水平对照器，也称为合成对照。强大且灵活的机器学习模型可以使基于结果的模型合成对照克服直接数据驱动方法的关键局限，提供更稳健的疗效估计，并为在外部数据不可直接比较时纳入纠正或编码额外假设提供原则化方法。本文我们认为，基于结果的模型合成对照臂是单臂试验的重要工具。我们关注数字孪生体，这些是从在历史数据集上训练的机器学习模型生成的疾病进程的个性化预测，自然利用这些灵活的方法。我们审阅了双鲁棒估计器，提出功效和样本量公式，并讨论在训练和分析中选择历史数据的权衡。我们还概述了在最近FDA关于人工智能在药物开发中使用的草案指导方针框架内部署数字孪生体的实际考虑事项。最后，我们重新分析了肌萎缩性肌萎缩症和亨廷顿病试验的数据，以演示所提出的方法。