针对阿尔茨海默病的多目标优化配方 试验 患者选择

科学领域:

• 计算生物学和生物信息学
• 临床试验设计和优化
• 神经科学和阿尔茨海默氏症疾病研究

背景情况:

• 阿尔茨海默病 (AD) 临床试验面临高屏幕失败率 (>80%),阻碍了进展.
• 目前的患者选择依赖于专家的共识,缺乏对竞争目标的系统评估.
• 在AD试验设计中,有必要平衡统计能力,招聘可行性,安全性和成本.

研究的目的:

• 开发和实施AD临床试验资格标准的多目标优化框架.
• 系统地确定最佳的标准配置,平衡患者识别准确性,招聘可行性和经济效率.
• 在AD试验设计中,根据专家的共识验证计算方法.

主要方法:

• 使用非主导排序遗传算法III (NSGA-III) 进行多目标优化.
• 雇佣了国家阿尔茨海默氏症协调中心的数据 (2,743名参与者) 与临床和生物标志物信息.
• 优化了14个符合条件的参数,并使用蒙特卡洛模拟,引导分析和SHAP可解释性进行验证.

主要成果:

• 确定了11个帕雷托最佳解决方案,平衡F1分数 (0.979-0.995) 和符合条件的患者池 (108-327).
• 优化标准识别了与标准标准相似的患者队列,但具有潜在的成本节省 (1048美元/患者).
• 生物标志物要求被确定为占主导地位的成本驱动因素;计算结果与专家设计的标准趋同.

结论:

• 多目标优化通过系统地验证和概率地提高AD试验的效率来提供增量价值.
• 计算方法作为复杂的验证工具,在现有框架内确定具体的效率改进.
• 特定地点的评估和招聘基础设施质量至关重要;优化增强,而不是取代,临床专业知识.