治疗副作用的早期检测：一种序贯方法

随着具有大流行潜力的传染病（如COVID-19）的出现和传播，疫苗开发的紧迫性导致了前所未有的压缩和加速时间表，缩短了标准开发周期。在相对较短的时间内，领先的制药公司获得了疫苗大规模部署的紧急使用授权（EUA）。为了在（初始）疫苗接种活动中监测疫苗的潜在副作用，我们开发了一种最优序贯检验，能够早期检测潜在副作用。该检验采用一条规则：一旦观察到的副作用事件数量超过某个（预先确定的）阈值，就停止疫苗接种过程。与非随机固定样本一致最优势（UMP）检验的（α, β）最优性相比，所提出的序贯检验的最优性得到了证明。在单一副作用的情况下，我们研究了序贯检验的性质，并通过正则化不完全贝塔函数推导了停止时间的平均样本量（ASN）曲线（及其方差）的精确表达式。此外，我们推导了相对于最大样本量的ASN相对节省的渐近分布。我们还构建了检验后参数估计，并研究了其抽样性质，包括在局部型备择假设下的渐近行为。这些极限行为结果是检验后参数估计量的一致性和渐近正态性。我们以一个小的模拟研究结束本文，展示了点和区间估计的渐近性能，并基于COVID-19副作用数据（参见Beatty等人（2021））提供了我们建议的检验程序的详细示例。