MCP-Mod的随机化推断
统计方法学
2025-05-23 v2
摘要
剂量选择在药物开发中至关重要，直接影响药物的疗效和患者安全。广义多重比较程序与建模(MCP-Mod)方法在II期临床试验中常用于测试和估计剂量-反应关系。然而，在小样本量、尤其是二元终点的情况下，其有效性受到限制，由于 logistic回归中的完全分离问题，导致估计不存在。针对实际临床试验中使用MCP-Mod方法的动机，本文引入了penalized最大似然估计(MLE)和随机化推断技术以解决这些挑战。随机化推断允许进行精确的有限样本推断，而基于人群的MCP-Mod推断通常依赖渐近近似。模拟研究表明，随机化检验在小到中等样本量下可提高统计功效，同时控制类型I误差，即使存在时间趋势也能控制。我们的结果表明，基于残差的随机化检验使用penalized MLE不仅提高了计算效率，还优于标准随机化方法，使其成为MCP-Mod框架下剂量寻找分析的合适选择。此外，我们将这些方法应用于药代动力学情境，证明其在此类情境中的有效性。本文的结果强调了随机化推断在分析剂量寻找试验中的潜力，特别是在小样本情境中。
引用
@article{arxiv.2410.11716,
title = {Randomization-based Inference for MCP-Mod},
author = {Lukas Pin and Oleksandr Sverdlov and Frank Bretz and Björn Bornkamp},
journal= {arXiv preprint arXiv:2410.11716},
year = {2025}
}