利用贝叶斯分层模型识别剂量探索试验中的治疗效应异质性
统计方法学
2018-11-27 v1
摘要
药物开发中的一项重要任务是识别对实验治疗反应较好或较差的患者。识别影响治疗效应并可用于定义患者亚组的预测性协变量是该任务的关键方面。然而，治疗效应异质性的分析已知具有挑战性，因为可能的协变量或亚组数量通常很大，而药物开发早期阶段的样本量通常较小。此外，区分预测性协变量与独立于给定治疗影响响应的预后协变量往往很困难。虽然已提出许多针对此类问题的方法，但大多数聚焦于两臂临床试验设置，即患者被给予治疗或对照。在本文中我们考虑平行组剂量探索试验，其中患者被给予同一治疗的不同剂量。为在此设置中研究治疗效应异质性，我们提出一种在剂量-反应参数上具有协变量效应的贝叶斯分层剂量-反应模型。我们利用收缩先验来防止过拟合，当考虑的协变量数量大且样本量小时这很容易发生。我们在模拟中比较了若干此类先验，并研究预后效应与预测性效应的依赖建模以更好区分这两类效应。我们使用一项 II 期剂量探索试验说明了所提方法的应用，并展示其如何用于识别预测性协变量和治疗效应增加的患者亚组。
引用
@article{arxiv.1811.10488,
title = {Identifying treatment effect heterogeneity in dose-finding trials using Bayesian hierarchical models},
author = {Marius Thomas and Björn Bornkamp and Katja Ickstadt},
journal= {arXiv preprint arXiv:1811.10488},
year = {2018}
}