Прогнозируемая вероятность успеха
Прогнозируемая вероятность успеха (PPOS) — это статистическая концепция, обычно используемая в фармацевтической промышленности, в том числе органами здравоохранения, для поддержки принятия решений . В клинических исследованиях PPOS — это вероятность достижения успеха в будущем на основе существующих данных. Это один из видов вероятности успеха . Байесовский с метод определения PPOS заключается в интегрировании вероятности данных возможными будущими ответами (апостериорное распределение). [1]
Виды ППОС
[ редактировать ]- Классификация по типу конечной точки : нормальная, двоичная, по времени до события.
- Классификация, основанная на взаимосвязи между исследованием, предоставляющим данные, и исследованием, которое необходимо прогнозировать.
- Перекрестное исследование PPOS: использование данных одного исследования для прогнозирования результатов другого исследования.
- PPOS в рамках исследования: использование данных промежуточного анализа для прогнозирования того же исследования при окончательном анализе.
- Классификация, основанная на взаимосвязи между конечной точкой(ами) с данными и конечной точкой, подлежащей прогнозированию.
- 1 к 1 PPOS: использование одной конечной точки для прогнозирования одной и той же конечной точки.
- От 1 до 1* PPOS: использование одной конечной точки для прогнозирования другой, отличной, но коррелирующей конечной точки.
Связь с условной силой и предсказательной силой
[ редактировать ]Условная мощность — это вероятность наблюдения статистической значимости при условии, что параметр равен определенному значению. [2] Более конкретно, этими параметрами могут быть частота событий, связанных с лечением и плацебо, которые можно будет зафиксировать в будущих наблюдениях. [3] Это частотная статистическая мощность . Условную мощность часто критикуют за то, что она предполагает, что параметр равен определенному значению, истинность которого неизвестна. Если истинное значение параметра известно, нет необходимости проводить эксперимент.
Прогнозирующая способность решает эту проблему, предполагая, что параметр имеет определенное распределение. Предсказательная сила — это байесовская сила. Параметр в байесовской настройке является случайной величиной. Прогностическая способность является функцией параметра(ов), поэтому предсказательная способность также является переменной.
Как условная мощность, так и предсказательная сила используют статистическую значимость в качестве критерия успеха. Однако статистической значимости часто недостаточно для определения успеха. Например, для обоснования решения о регистрации органы здравоохранения часто требуют, чтобы величина эффекта лечения превышала статистическую значимость.
Чтобы решить эту проблему, прогнозирующую силу можно распространить на концепцию PPOS. Критерии успеха PPOS не ограничиваются статистической значимостью. Это может быть что-то еще, например, клинически значимые результаты. PPOS — это условная вероятность, обусловленная случайной величиной, поэтому она также является случайной величиной. Наблюдаемая величина — это всего лишь реализация случайной величины. [4]
Связь с апостериорной вероятностью успеха
[ редактировать ]Апостериорная вероятность успеха рассчитывается на основе апостериорного распределения. PPOS рассчитывается на основе прогнозируемого распределения. Апостериорное распределение представляет собой сводку неопределенностей относительно параметра. Прогнозирующее распределение имеет не только неопределенность в отношении параметра, но и неопределенность в отношении оценки параметра с использованием данных. Апостериорное распределение и прогнозирующее распределение имеют одинаковое среднее значение, но первое имеет меньшую дисперсию.
Общие проблемы в текущей практике PPOS
[ редактировать ]PPOS — это условная вероятность, обусловленная случайно наблюдаемыми данными, и, следовательно, сама по себе является случайной величиной. В настоящее время общепринятая практика PPOS использует в приложениях только его точечную оценку. Это может ввести в заблуждение. Для переменной степень неопределенности является важной частью истории. Чтобы решить эту проблему, Тан [5] PPOS ввел доверительный интервал для количественной оценки степени его неопределенности. Тан выступает за использование как точечной оценки PPOS, так и достоверного интервала в таких приложениях, как принятие решений и планирование клинических испытаний .Другой распространенной проблемой является смешанное использование апостериорной вероятности успеха и PPOS. Как описано в предыдущем разделе, две статистики измеряются двумя разными показателями, их сравнение похоже на сравнение яблок и апельсинов .
Применение в клинических исследований дизайне
[ редактировать ]PPOS можно использовать для разработки промежуточного периода бесполезности для крупных подтверждающих испытаний или пилотных испытаний.
Разработка пилотного испытания с использованием PPOS
[ редактировать ]Традиционный проект пилотного испытания обычно осуществляется путем контроля частоты ошибок типа I и мощности для обнаружения определенного значения параметра. Целью пилотных исследований, таких как исследование фазы II, обычно не является поддержка регистрации. Следовательно, нет смысла контролировать частоту ошибок типа I, особенно крупных ошибок типа I, как это обычно делается в ходе исследования фазы II. Пилотное исследование обычно предоставляет доказательства, подтверждающие решение о разрешении или отказе от подтверждающего исследования. Поэтому имеет смысл разработать испытание на основе PPOS. Для поддержки решения «Нет/Идти» традиционные методы требуют, чтобы PPOS был небольшим. Однако PPOS может быть небольшим случайно. Чтобы решить эту проблему, мы можем потребовать, чтобы доверительный интервал PPOS был узким, чтобы расчет PPOS подкреплялся достаточной информацией, и, следовательно, PPOS не был мал просто случайно. Поиск оптимальной конструкции эквивалентен поиску решения следующих двух уравнений.
- ППОС=ППОС1
- верхняя граница доверительного интервала PPOS = PPOS2
где PPOS1 и PPOS2 — некоторые определяемые пользователем пороговые значения. Первое уравнение гарантирует, что PPOS будет небольшим, так что не слишком много испытаний будет предотвращено переходом на следующий этап, чтобы защититься от ложноотрицательных результатов . Первое уравнение также гарантирует, что PPOS не будет слишком маленьким и не слишком много испытаний перейдут на следующий этап, чтобы защититься от ложноположительных результатов . Второе уравнение гарантирует, что доверительный интервал PPOS является точным, так что расчет PPOS подтверждается достаточной информацией. Второе уравнение также гарантирует, что доверительный интервал PPOS не будет слишком узким и не потребует слишком много ресурсов.
Бесперспективность временного проектирования с использованием PPOS
[ редактировать ]PPOS также можно использовать в промежуточном анализе , чтобы определить, следует ли продолжать клиническое исследование. PPOS можно использовать для этой цели, поскольку его значение можно использовать для указания того, имеется ли достаточно убедительных доказательств, чтобы отвергнуть или не отвергнуть нулевую гипотезу с учетом имеющихся в настоящее время данных. [1] PPOS также можно использовать при оценке бесполезности. [1] Бесполезность – это когда клиническое исследование не демонстрирует признаков достижения своей цели (т.е. не обеспечивает достаточного количества результатов, чтобы сделать вывод об их нулевой эффективности). [6]
Традиционный промежуточный период бесполезности разработан на основе бета-расходов. Однако бета-расходы не имеют интуитивной интерпретации. Поэтому сложно общаться с коллегами-не статистиками. Поскольку PPOS имеет интуитивную интерпретацию, имеет смысл спроектировать промежуточный период бесполезности с использованием PPOS. Чтобы заявить о бесполезности, мы требуем, чтобы PPOS был небольшим, а расчет PPOS подкреплялся достаточной информацией. Поиск оптимальной конструкции эквивалентен решению следующих двух уравнений.
- ППОС=ППОС1
- верхняя граница доверительного интервала PPOS = PPOS2
Расчет PPOS с использованием моделирования
[ редактировать ]В промежуточном анализе прогнозируемую вероятность успеха также можно рассчитать с помощью моделирования с помощью следующего метода: [1]
- Выберите интересующий параметр из апостериорного распределения, полученного на основе доступного в настоящее время набора данных.
- Заполните набор данных, выбрав выборку из прогнозного распределения, которое содержит значения, еще не наблюдаемые в данных промежуточного анализа.
- Используйте недавно заполненный набор данных для расчета критериев, используемых для расчета успеха, которые могут включать такие вещи, как p-значения, апостериорные вероятности и т. д. Затем это можно использовать для классификации, было ли испытание успешным или нет.
- Затем эти три шага повторяются в общей сложности n раз. PPOS определяется путем получения доли успешных испытаний в наборе данных.
Использование моделирования для расчета PPOS позволяет тестировать статистику со сложными распределениями, поскольку это снижает сложность вычислений, которая в противном случае потребовалась бы. [3]
Ссылки
[ редактировать ]- ^ Jump up to: а б с д Сэвилл, Бенджамин Р.; Коннор, Джейсон Т.; Айерс, Грегори Д.; Альварес, Джоанн (1 августа 2014 г.). «Полезность байесовских прогностических вероятностей для временного мониторинга клинических испытаний» . Клинические испытания . 11 (4): 485–493. дои : 10.1177/1740774514531352 . ISSN 1740-7745 . ПМЦ 4247348 . ПМИД 24872363 .
- ^ Анкерст, Дж; Анкерст, Д. Справочник по статистике в клинической онкологии (2-е изд.). п. 232.
- ^ Jump up to: а б Тшаскома, Бенджамин; Сашеджи, Андреас (1 января 2007 г.). «Прогнозируемая вероятность успеха и оценка тщетности исследований с большими результатами». Журнал биофармацевтической статистики . 17 (1): 45–63. дои : 10.1080/10543400601001485 . ISSN 1054-3406 . ПМИД 17219755 .
- ^ Тан, Z (28 мая 2015 г.). «ППОС дизайн» . слайдшер .
- ^ Тан, Z (2015). «Промежуточный дизайн оптимальной бесполезности: подход с прогнозируемой вероятностью успеха с учетом времени до конечной точки события». Журнал биофармацевтической статистики . 25 (6): 1312–1319. дои : 10.1080/10543406.2014.983646 . ПМИД 25379701 .
- ^ Снапинн, Стивен; Чен, Мон-Ги; Цзян, Ци; Куцукос, Тони (01 декабря 2016 г.). «Оценка бесперспективности клинических исследований». Фармацевтическая статистика . 5 (4): 273–281. дои : 10.1002/pst.216 . ISSN 1539-1604 . ПМИД 17128426 .