关于预后信息对临床试验相关性的理论量化

在数字化时代，如何利用队列研究或历史临床试验中的个体患者数据来设计效力更强、或规模更小却同样有效的临床试验，这一问题日益重要。如今，面对无处不在的历史协变量信息，传统的统计分析途径在从业者看来或许值得质疑。若干方法学进展旨在将历史信息纳入未来临床试验的设计与分析，最重要的包括贝叶斯信息借用、倾向得分方法、分层与协变量调整。近来，有人建议利用基于历史数据通过某机器学习过程获得的预后评分来调整分析，我们研究了该方法在随机临床试验中的潜力。在一个两臂 1:1 分配的正态结局理想情形下，我们推导出一个简单的样本量缩减公式，其为刻画预后评分的两个准则的函数：（1）历史数据上的决定系数 $R^2$；（2）估计预后评分与真实未知预后评分之间的相关系数 $\rho$。在保持相同功效下，未调整分析原计划的总样本量 $n$ 在调整分析中缩减为 $(1 - R^2 \rho^2) \times n$。较不理想情形下的稳健性通过经验评估。我们得出结论：在预后评分能够被准确估计时，存在实现效力显著更强或规模更小的试验的潜力。