相关实验视频
Updated: Jun 23, 2026
10:04
Sample Drift Correction Following 4D Confocal Time-lapse Imaging
Published on: April 12, 2014
16.3K
监测正在进行的临床试验在微分布朗运动下与漂移
Peng Zhang1,2, Weichung Joe Shih1, Yong Lin1
1Department of Biostatistics and Epidemiology, Rutgers, The State University of New Jersey, Piscataway, NJ, USA.
Statistics in biopharmaceutical research
|April 24, 2025
概括
本研究介绍了用于临床试验监测的分数布朗运动 (fBm) 模型,超越标准布朗运动 (Bm) 来捕获数据趋势. 这种先进的方法更好地反映了现实世界的试验复杂性,并根据历史数据模式做出决策.
科学领域:
- 生物统计学 生物统计学
- 临床试验设计 临床试验设计
- 统计建模 统计建模
背景情况:
- 标准布朗运动 (Bm) 广泛用于临床试验监测,但依赖于单点统计数据.
- 临床试验赞助商和数据监测委员会往往希望从历史数据趋势中获得洞察力,而不仅仅是当前数据点.
- 现有的模型可能无法完全捕捉临床试验数据中的复杂依赖关系和非线性趋势.
研究的目的:
- 为临床试验监测引入和推进微分布朗运动 (fBm) 与漂移模型.
- 为了正式适应在临床试验中分析随时间变化的数据趋势的需要.
- 解决标准布朗运动模型在捕获复杂数据模式方面的局限性.
主要方法:
- 使用漂移模型开发和应用分数布朗运动 (fBm).
- 关于违反标准布朗运动假设的讨论,并提供说明性示例.
- 推导和实施常见的监测方法,如条件功率和样本大小重新估计.
主要成果:
- fBm模型提供了一个框架,用于正式分析临床试验中的历史数据趋势.
- 举例说明标准Bm的局限性和fBm的必要性.
- 条件功率和样本大小重新估计方法适用于fBm框架.
结论:
- 分数布朗运动 (fBm) 模型为临床试验监测提供了更全面的方法.
- 这种模型更好地解释了数据依赖性和来自现实世界的因素产生的非线性趋势.
- 在动态数据监控 (DDM) 系统中的实施为试验从业者提供了实用工具.
