重复测量的进展模型：在进展性疾病中估计新型治疗效应
统计方法学
2023-01-23 v2 应用统计
摘要
重复测量混合模型(MMRMs)在分析临床试验结局时无处不在。然而，这些模型中固定效应结构的线性很大程度上将其使用限制于估计定义为结局尺度上效应的线性组合的治疗效应。在某些情况下，治疗效应的替代量化可能更合适。例如在进展性疾病中，人们可能想估计药物是否具有导致疗效随时间累积增强的累积效应，或其是否减缓了疾病的时间进展。本文引入一类称为重复测量进展模型(PMRMs)的非线性混合效应模型，其基于MMRM分类时间参数化的连续时间推广，能够估计新型治疗效应，包括疾病时间进展的减缓或延迟的度量。与传统的以结局尺度为单位的治疗效应估计(例如认知量表上2分获益)相比，基于时间的治疗效应可提供更好的可解释性与临床意义(例如认知衰退进展延迟6个月)。PMRM类包含常规使用的MMRM及相关的纵向数据分析模型，以及先前提出的疾病进展模型的变体作为特例。使用来自阿尔茨海默病临床试验的模拟与历史数据及不同类型人工模拟治疗效应，说明了PMRM框架的潜力。与常规模型相比，表明PMRM可大幅提高检测疾病修饰治疗效应的功效，其中获益随治疗持续时间增加。
引用
@article{arxiv.2203.15555,
title = {Progression models for repeated measures: Estimating novel treatment effects in progressive diseases},
author = {Lars Lau Raket},
journal= {arXiv preprint arXiv:2203.15555},
year = {2023}
}
备注
38 pages, 13 figures