两阶段淘汰法用于筛选有效治疗方案并估算其平均价值

《Statistics in Medicine》：Two-Stage Drop-the-Losers Design for the Selection of Effective Treatments and Estimating Their Average Worth

　　多臂临床试验中提出两阶段DLD设计框架，第一阶段筛选保留至少2种候选治疗（k≥2），确保包含最优治疗的置信度；第二阶段基于未知方差插件估计器，推导出UMVCUE（统一最小方差无偏估计量）评估平均效应，并通过模拟验证其比最大似然估计更优。

　　

摘要

在多臂临床试验中，通常会同时评估几种新的治疗方法，以确定最佳方案并确认它们相对于对照组的优越性。在本文中，我们提出了一个框架，该框架引入了一个中间阶段，旨在评估通过初步筛选后保留的治疗方法的集体疗效。估计所选治疗方法的平均效果可以提供一个可解释的衡量标准，用于判断是继续还是终止试验。考虑以下实验治疗方法，其效果由具有未知均值和共同方差的独立高斯响应描述：$k?\left(\ge 2\right)$为了选择有效的治疗方法（药物）并估计它们的平均价值，我们采用了两阶段淘汰失败者设计（DLD）。为了了解最优估计量的结构，我们首先假设共同方差是已知的。在设计的第一个阶段，收集数据以选择一组实验治疗方法，使得包含最佳治疗方法的概率至少达到预先指定的水平$$。这种选择规则确保了劣质治疗方法被淘汰，同时保持最佳治疗方法在进入下一阶段的最低置信度。根据这一要求，设计要么将所有选定的治疗方法推进到下一阶段，要么因无效而停止。然后在第二阶段通过点估计来估计这些治疗方法的集体有效性，其平均价值定义为它们平均效果的算术平均值。由于估计量的偏差在临床研究中至关重要，我们在第一阶段选定的治疗方法指标的条件下，推导出了条件无偏的最小方差估计量（UMVCUE）。通过模拟研究，将UMVCUE的均方误差和偏差性能与朴素估计量（最大似然估计量）进行了比较。对于未知方差的情况，我们提出了一个基于已知方差情况下UMVCUE结构的插值估计量，并通过模拟研究其性能。还提供了一个实际数据示例来说明我们发现的应用。

利益冲突

作者声明没有利益冲突。

数据可用性声明

作者没有需要报告的内容。