临床试验设计的敏感性分析：情景选择与操作特征汇总

基于仿真的敏感性分析的使用对于评价和比较未来临床试验的候选设计至关重要。在此背景下，敏感性分析尤其有助于评估重要设计操作特征（OCs）对各种未知参数（UPs）的依赖性。OCs 的典型例子包括检测到治疗效应的可能性和平均研究时长，它们依赖于直到临床研究开始后才已知的 UPs，例如主要结局的分布和患者特征。敏感性分析的两个关键组成部分是（i）一组可信仿真情景 $\{\boldsymbol{\theta}_1,...,\boldsymbol{\theta}_K\}$ 的选择，以及（ii）相关 OCs 的列表。我们提出一种新方法以选择纳入设计敏感性分析的情景集合。我们的方法在跨多个情景计算的 OCs 的简洁性与可解释性需求，与通过仿真忠实汇总 OCs 如何随 UPs 所有可信值变化的需求之间取得平衡。我们的提议还支持选择最终敏感性分析报告中所纳入的仿真情景数量。为实现这些目标，我们最小化一个损失函数 $\mathcal{L}(\boldsymbol{\theta}_1,...,\boldsymbol{\theta}_K)$，该函数形式化了特定 $K$ 个敏感性情景集合 $\{\boldsymbol{\theta}_1,...,\boldsymbol{\theta}_K\}$ 是否足以汇总试验设计的 OCs 如何随 UPs 所有可信值变化。然后，我们使用优化技术来选择最佳仿真情景集合以例证试验设计的 OCs。