从估计量到平台试验中处理效应的稳健推断

平台试验是一种创新的临床试验设计，使用主方案评估多种治疗方法，其中患者通常根据个体特征、入组时间和治疗可用性被分配到不同的治疗组子集。尽管提供了更高的灵活性，但这种受限且非均匀的治疗分配带来了推断上的挑战，其中两个基本挑战是处理效应的精确定义以及对这些效应的稳健、高效推断。这些挑战的出现主要是因为一些常用的分析方法可能针对无意中依赖于随机化比例或试验操作格式的人群定义的估计量，从而削弱了可解释性。本文首次提出了一个正式框架，用于构建具有临床意义的估计量，并精确指定目标人群。具体而言，提出的整个并发合格（ECE）人群不仅保持了随机比较的完整性，而且对随机化比例和试验操作格式均保持不变。然后，我们开发了加权和后分层方法，在传统随机试验中使用的相同最小假设下估计处理效应。我们还考虑了模型辅助的协变量调整，以充分释放平台试验的效率潜力，同时保持对模型误设的稳健性。对于所有提出的估计量，我们推导了渐近分布并提出了稳健的方差估计量，在理论和模拟中进行了比较。SIMPLIFY 试验是一项评估囊性纤维化中两种常见疗法继续与停用的主方案，被用来进一步突出本研究的实际意义。所有分析均使用 R 包 RobinCID 进行。