使用生成模型增加不足的瘤临床试验:验证研究

科学领域:

• 临床试验 临床试验
• 人工智能的人工智能
• 瘤学研究研究

背景情况:

• 患者积累不足是临床试验中的一个重大挑战,导致研究不足和成本增加.
• 使用生成模型模拟患者的现有方法在范围和评估方面存在局限性.
• 现实世界的数据可以作为外部控制,但积累问题影响所有研究部门.

研究的目的:

• 综合评估生成模型在模拟额外患者中的实用性,以解决临床试验积累不足的问题.
• 评估不同生成模型在增强试验数据方面的有效性.

主要方法:

• 来自9个已完成的癌症试验的10个数据集的回顾性分析.
• 通过删除10-50%的患者和使用生成模型来取代他们,模拟了不足的积累.
• 评估了四种生成模型 (序列合成,贝叶斯网络,GAN,VAE) 和引导抽样.
• 使用决策协议,估计协议,标准差异和CI重叠指标复制已发表的分析.

主要成果:

• 序列合成表明高性能 (88-100%的决策协议) 达到40%的患者移除.
• 引导抽样显示了中度的有效性 (78-89%的决策同意).
• 在早期和晚些时候招募的患者之间没有发现系统差异,支持生成模型的有效性.
• 观察到生成的数据与训练数据的高准确性 (黑林格距离).

结论:

• 序列合成可以模拟瘤学试验的完整数据集,目标招募率仅为60%,为不足的研究提供了替代方案.
• 生成型模型显示出拯救不良临床试验的潜力.
• 需要进一步的研究来证实这些发现,并将其推广到其他疾病.