基于站点级历史数据的组合规划阶段临床试验入组预测
应用统计
2023-01-05 v1
摘要
在规划阶段准确预测临床试验入组时间线对公司的战略规划与试验运营卓越都极为重要。虽然对最后受试者首次给药日期等关键里程碑的预测可为战略决策提供信息，但详细的预测洞察（例如，某国家按月入组受试者的中位数）可促进临床试验运营活动的规划并提升执行卓越性。朴素方法常从历史数据计算平均入组率，并基于该平均率的线性趋势生成不准确的预测。传统统计方法利用简单的Poisson-Gamma模型，其假设站点激活率时间不变，可能无法捕捉潜在的非线性模式（例如，站点激活的上下波动模式）。我们提出一种基于广义线性混合效应模型并通过贝叶斯框架使用非齐次泊松过程的新统计方法，以系统化方式依次对国家启动、站点激活和受试者入组建模。我们基于从四个治疗领域预选的25项研究集验证了所提入组建模框架的性能。与 traditional统计方法相比，我们的建模框架在预测准确性上显示出实质性改进。此外，我们表明我们的建模与仿真方法适当地校准了数据变异性，并给出了各种名义水平预测区间的正确覆盖率。最后，我们展示了使用我们的方法生成随时间变化的预测入组曲线并叠加置信带。
引用
@article{arxiv.2301.01351,
title = {Enrollment Forecast for Clinical Trials at the Portfolio Planning Phase Based on Site-Level Historical Data},
author = {Sheng Zhong and Yunzhao Xing and Mengjia Yu and Li Wang},
journal= {arXiv preprint arXiv:2301.01351},
year = {2023}
}