具有安全约束的自适应临床试验中的剂量分配学习
机器学习
2020-06-16 v2 应用统计
统计方法学
机器学习
摘要
随着新化合物（或其组合）的疗效与毒性之间的关系变得愈发复杂，I 期剂量探索试验正变得更具挑战性。尽管如此，实践中最常用的方法仅通过毒性事件学习来识别最大耐受剂量（MTD）。我们提出了一种称为安全疗效探索剂量分配（SEEDA）的新型自适应临床试验方法，旨在以高概率满足毒性安全约束的同时最大化累积疗效。我们评估了在实际临床试验中具有操作意义的性能目标，包括累积疗效、推荐/分配成功概率、毒性违例概率和样本效率。还提出了一种扩展的 SEEDA-Plateau 算法，专为分子靶向药物（MTA）的先升后坪疗效特征而定制。通过使用合成和真实世界数据集的数值实验，我们表明 SEEDA 以更高的成功率和更少的患者找到最优剂量，优于最先进的临床试验设计。
引用
@article{arxiv.2006.05026,
title = {Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints},
author = {Cong Shen and Zhiyang Wang and Sofia S. Villar and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2006.05026},
year = {2020}
}
备注
Accepted to the 37th International Conference on Machine Learning (ICML 2020)