这不仅有可能因采样规模扩大而增加试验费用,而且还有可能防止或延迟有希望的治疗接触有需要的病人。实验药无效时,这可能是可以接受的结果,但也可能是不适当试验群的结果。
理解差异可判断实验药是否值得进一步投资
前后不一致标准驱动无结果
高度可变安慰效果是研究中枢神经系统条件常见风险,即允诺与护理者处理或交互作用足以为某些病人产生积极结果研究止痛药和与生活方式相关条件的治疗,如非酒精疏松症(NASH)、厌食症或高血压,也可以看到这种效果,实验经验可触发产生有益效果的生活方式改变
阳性安慰臂结果还可能发生于定义不清晰的归并/排查标准以及诊断前后不一。例举,抑郁诊断和疼痛评分多为主观性,依赖医生对病人状况的理解和条件有限诊断工具像NASH, 医生可能不得不依赖预测数据通知诊断
当变异过滤试录时,赞助者最终可能与那些误诊断或疾病太温和的病人在一起,而他们从治疗中受益的概率极小。挑战在于判断安慰剂响应是否表示药物无效或是否因目标偏差病人群而产生
数以百计变量
当可变安慰效果发生时,传统统计分析通常不识别原因统计员接受培训,用预选病人属性变量分析双臂环境处理效果,这是管理机构确保不偏分析所必备的识别高安慰响应率预测器需要不同方法现代机器学习方法可盈利性用于识别底层因果参数
评估实验参数预测安慰剂响应需要快速探索分析,可评价大数变量,向少数提供大增益并产生可操作结果者倾斜可调查变量数大并可能置身药代物模型或临床试验因子之外
结果,审查人类数据使这一过程几乎不可能实现今日进行常见分组分析需要数月时间,并可能只评价有限数变量往往非组合式变量方法类型I误差率可能非常高,导致假变量调查,即使成功可能不导致最优子群
数据科技实战
机器学习算法和人工智能的进步使快速理解并深入调查可变安慰效果原因成为可能,使赞助者有机会修改包容/排外标准并审查未来测试需求
使用机器学习算法分析实验数据时,像使用IQVIA子群优化和建模求解法时,I型误差率和无意识偏差率大为下降
SOMS设计时在控制I型误差率时查找子群,确定对处理有正面或负响应,并有可能显示增强安慰剂响应帮助审判者集中对响应最灵敏的病人进行测试,以驱动强治分治
使用该技术的一些关键利益包括:
- 能力分析多变量
- 它可以数小时完成分析而不是数周
- 控制全分析型I误差率,限制结果变量显示解释安慰剂响应的允诺
- 最佳分组取自提交数据而非前置假设或方便
针头大海
IQVIA使用SOMS帮助许多赞助者解决可变安慰响应挑战来个案例研究
最近阶段2测试结果显示调查性治疗对两个区域病人有效,但在第三个区域则无效,第三个区域仍有大量病人待录用。对比先前研究显示,结果归结于高安慰响应而非治疗效果支持者知道,如果他们能确定变异发生的原因,他们可以微调包容/排外标准,以减少安慰剂响应而不消除大量病人区域
IQVIA使用SOMS平台使用所有可用数据点进行了根由分析,包括每个区域使用病人招聘表信息分析短短几天内完成,研究数以百计标准并最终识别驱动区域处理结果变异的2个关键变量控制这些关键变量时,不良性能区域经历了较低的处理变异性
betway必威怎么提款赞助者使用这些洞察力调整后续第三阶段测试的招生标准,这样所有三个区域都可保留研究的一部分,处理效果在所有三个区域都更加一致,变差更少。
微小变化,但没有SOMS, 实验中成百上千子群间潜在变异 可能导致主播错误结论
SOMS无法保证实验保存, 但它确实为赞助者提供公正统计严格信息 以数据驱动决定药物开发在一个药开发成本超过10亿美元的世界中,这种洞察力、省时省钱并减少误判机率,可以改变赞助者及其服务对象的游戏方式
