用于 I 期联合试验的偏序贝叶斯逻辑回归模型及操作先验设定的计算高效方法
统计方法学
2024-09-17 v1
摘要
近年来，人们对联合药物和/或给药方案的兴趣日益增加。人们提出了几种用于 I 期联合剂量递增试验的方法，其中偏序连续重新评估方法（POCRM）因其简单性和良好的操作特性而备受关注。然而，POCRM 的单参数性质使其在更复杂的环境（如纳入对照组）中具有局限性。本文提出了一种贝叶斯偏序逻辑模型（POBLRM），它结合了偏序和比 CRM 更灵活的双参数逻辑模型。模拟研究表明，在非随机化环境中，POBLRM 的表现与 POCRM 相似。当患者在实验剂量组合和对照组之间进行随机化时，性能得到显著提升。大多数设计需要设定超参数，这些超参数通常根据统计考虑（操作先验）来选择。传统的“网格搜索”校准方法需要大量模拟，计算成本高昂。一种新颖的“循环校准”被提出，以将计算复杂度从乘法降低到加法。此外，校准过程应考虑真实毒性概率的广泛场景以避免偏差。提出了一种基于场景复杂度来减少场景的方法。这可以将计算量减少 500 倍以上，同时保持与网格搜索相似的操作特性。
引用
@article{arxiv.2409.10352,
title = {Partial Ordering Bayesian Logistic Regression Model for Phase I Combination Trials and Computationally Efficient Approach to Operational Prior Specification},
author = {Weishi Chen and Pavel Mozgunov},
journal= {arXiv preprint arXiv:2409.10352},
year = {2024}
}