从对阿尔茨海默病的随机对照试验中获得个性化的预测

科学领域:

• 生物统计学 生物统计学
• 临床试验方法论 临床试验方法论
• 数据科学数据科学数据科学

背景情况:

• 随机对照试验 (RCT) 提供了人口一级的证据,但在患者一级的结果推断方面存在困难.
• 由于停止治疗或未观察到治疗结果而缺少的数据在RCT中带来了重大挑战.
• 开发用于推断个体患者结果的方法对于推进精准医学至关重要.

研究的目的:

• 从人口一级的随机对照试验 (RCT) 推断患者一级的结果.
• 解决RCT中缺少的数据,特别是治疗中止的未记录结果和未分配治疗的未观察结果.
• 为这些目的引入和评估合成近邻 (SNN) 估计器.

主要方法:

• 利用合成最近邻居 (SNN) 估计器,这种方法利用患者之间的信息来计算缺失的数据.
• 应用了SNN来归因于停止治疗的患者的结果,从而消除了RCT的偏见.
• 使用SNN模拟"合成RCT"通过归因未分配治疗的结果,预测个体患者的反应.
• 使用阿尔茨海默病患者的第三期临床试验数据评估SNN性能.

主要成果:

• 该SNN估计器在两种情景 (治疗中止和未指定的治疗) 中归因缺失结果方面表现强.
• 经验发现表明,SNN在这些应用中表现优于几种标准方法.
• 在各种缺失数据条件中,SNN被证明是可解释的,透明的和因果合理的.

结论:

• 在临床试验中,SNN估计器提供了一个强大的解决方案,用于处理患者在临床试验中脱落.
• 通过能够预测个体患者的结果,SNN成为开发精准医学的宝贵新工具.
• 该方法显示了对各种现实世界医疗保健应用的更广泛概括的潜力.