Da klinische Versuche Experimente sind, die Patienten untersuchen, sind sie stark darauf angewiesen, die richtige Art und die richtige Anzahl von Patienten zu finden. Klinische Studien können nur durchgeführt werden, nachdem genügend Patienteninformationen gesammelt und die Behandlungsgruppen nach dem Zufallsprinzip zugeordnet wurden. Daher ist es sehr wichtig, dass die Forscher bis zum Stichtag genügend Menschen einstellen.
Zu Beginn der Einschreibung ist es jedoch oft unklar, wie weit die jetzige Rekrutierung fortgeschritten ist: „Werden wir es schaffen? Sind wir zurück Sind wir dem Zeitplan voraus? Wo sind wir? “Diese Art von Unsicherheit macht es ziemlich kompliziert, vorausschauend zu planen und Maßnahmen zur Anpassung der Einstellungsquote zu ergreifen. Wäre es angesichts der derzeitigen Anzahl der Rekruten nicht großartig, wenn wir vorhersagen könnten, wie lange es dauern wird, um die verbleibenden Mitarbeiter zu registrieren, so dass wir unverzüglich reagieren könnten, um bei Bedarf weitere Zentren hinzuzufügen? Nun, wir können mit Predictive Modeling.
Wo befinden wir uns im Rekrutierungsprozess?
Es gibt viele Vorhersagemodelle, die von Wissenschaftlern entwickelt wurden, um dieses Problem zu lösen. Die einfachste und am häufigsten verwendete ist die Poisson-Gamma-Verteilung (Anisimov und Fedorov, 2007). Dieses Modell geht davon aus, dass sich die Patienten nach unabhängigen Poisson-Prozessen einschreiben, von denen jeder durch einen unbekannten, nicht konstanten Parameter Lambda definiert wird. Lambda ist die Rekrutierungsrate (die Anzahl der Patienten, die für jede Zeiteinheitseinheit rekrutiert wird), ein Maß, das angibt, wie schnell die Rekrutierung erfolgt und zu einer Gamma-Verteilung mit den ebenfalls unbekannten Parametern Alpha und Beta gehört.
Diese beiden Parameter, Alpha und Beta, könnten anhand der bisher vorliegenden Einschreibungsdaten geschätzt werden. Mit Hilfe des geschätzten Alphas und Betas und im Anschluss an die Gammaverteilung konnten die Forscher dann verschiedene Werte für die Rekrutierungsrate (Lambda) und damit unterschiedliche Werte für die verbleibenden Zeiten simulieren, die von den Lambdas abgeleitet werden. Der Mittelwert 2,5 th Perzentil und 97,5. Perzentil der Simulationen könnten aus den Simulationen berechnet werden und als Vorhersage für die verbleibende Rekrutierung dienen. Eine Grafik dieser Simulationen (Abbildung 1) gibt den Menschen eine klare und visuelle Vorstellung davon, wie weit sie sich im Rekrutierungsprozess befinden.
Abbildung 1
Dort Problem gelöst! Aber warte....
Wie kann ich feststellen, ob ich die Frist verpasse oder nicht? Wenn der vorhergesagte Mittelwert (durch die rote Linie markiert) das Zieldatum überschreitet, bedeutet das, dass ich nicht in der Lage bin, genügend Patienten zu registrieren? Oder soll ich mir die Perzentile ansehen? Nun, geben Sie mir eine Schwellenwertwahrscheinlichkeit, mit der Sie möchten, dass Ihre Einstellung die Frist einhält, und ich werde sie mit der Wahrscheinlichkeit der simulierten verbleibenden Zeiten vergleichen, die die Frist einhält. Wenn die berechnete Wahrscheinlichkeit größer oder gleich dem Schwellenwert ist, ist die aktuelle Einstellungsquote für Sie akzeptabel. Wenn jedoch die derzeitige Rekrutierungsrate Ihre Schwelle nicht erreicht, sind zusätzliche Zentren erforderlich, wenn Sie das Rekrutierungsziel innerhalb dieser Frist erreichen möchten.
Neue Zentren hinzufügen
Okay, woher weiß ich, wie viele neue Zentren hinzugefügt werden müssen? Ausgezeichnete Frage! Das Modell wird es Ihnen sagen. Wenn das Modell das Hinzufügen von Zentren für notwendig erachtet, wird die adaptive Anpassung eingeleitet, und das Modell verwendet die gleiche Simulationsmethode, um die neue verbleibende Zeit zu prognostizieren, beginnend mit dem Hinzufügen eines Zentrums. Die anfängliche Anzahl neuer Zentren ist standardmäßig eins, Sie können sie jedoch ändern. Die neue verbleibende Zeit umfasst die vorhergesagte verbleibende Zeit mit den hinzugefügten neuen Zentren und die Zeit, die bei den neuen Zentren verzögert wird, bis sie online sind. Dann benötigt das Modell eine andere Wahrscheinlichkeit von Ihnen. Sie haben die Mindestwahrscheinlichkeit für das Einhalten der Frist mit den aktuellen Zentren angegeben, sodass das Modell weiß, wann mit dem Hinzufügen weiterer Zentren begonnen werden muss. Der nächste Schritt besteht darin, eine Mindestwahrscheinlichkeit für das Einhalten der Frist mit den neuen Zentren bereitzustellen, sodass das Modell weiß, wann es nicht mehr weitere Zentren hinzufügen muss.
Das Modell berechnet die Wahrscheinlichkeit neuer Simulationen, die die Frist einhalten, mit hinzugefügten neuen Zentren und vergleicht sie mit der von Ihnen angegebenen zweiten Mindestwahrscheinlichkeit. Es wird ständig ein neues Zentrum hinzugefügt, wenn die erste Wahrscheinlichkeit geringer als die letztere ist, bis sie gleich sind oder die erste größer als die letztere ist. Auf diese Weise hat das Modell die geringste Anzahl zusätzlicher Zentren gefunden, die Ihren Mindeststandards entsprechen, so dass Sie Ihr Anmeldungsziel innerhalb der angegebenen Frist zur selben Zeit erreichen. Die folgende Tabelle und Diagramme veranschaulichen den gesamten Anpassungsprozess. Beachten Sie, dass die zwei Wahrscheinlichkeiten, die Sie angeben müssen, die gleichen sein können (wenn Sie die gleichen Anforderungen an die Wahrscheinlichkeit haben, dass die Simulationen das Zieldatum mit und ohne das Hinzufügen neuer Zentren erreichen).
Figur 2
Figur 3
Tabelle 1
Mission erfüllt!
Dieses Vorhersagemodell für die Patientenrekrutierung bei Multicentern ist leistungsfähig und anpassbar. Sie erhalten eine klare Vorstellung davon, wie Ihre Rekrutierung war und wie sie in der Zukunft aussehen wird. Außerdem können Sie sie durch Ändern der Optionen an die gewünschten Standards anpassen. Sie benötigen lediglich Daten zur Teilnehmerrekrutierung einer laufenden klinischen Studie, mit der Sie Rekrutierungsstrategien bewerten und anpassen können, um Ihre Studien im Zeitplan zu halten.
Ich habe die Grafiken und die Tabelle mit erstellt JMP Clinical (Demografie und Besuche> Patientenrekrutierung). JMP Clinical bietet auch eine Reihe weiterer Vorhersagewerkzeuge für die Analyse klinischer Studien an.
Xiaotong Jiang schrieb:
Hallo Emil. Vielen dank für ihr Interesse! Kurz gesagt, JMPC verwendet die gesamte Grünfläche, um zukünftige Rekrutierungen vorherzusagen. Auch wenn sie am Ende der aktuellen Einstellung ein wenig abgeflacht ist, ist die Rekrutierungsrate insgesamt immer noch relativ hoch und die vorhergesagten Werte werden daher mit dieser Rate ansteigen. Wenn Sie nur die neuesten Daten verwenden (beispielsweise die letzten sechs Monate), werden Sie eine flachere Neigung sehen, da der abgeflachte Teil mehr Einfluss hat. Fühlen Sie sich frei, mir eine E-Mail zu senden, wenn Sie weitere Fragen haben!
Raj Bandaru schrieb:
Sehr schön, es wäre interessant zu sehen, wie dies mit einigen echten Rekrutierungsdaten abschneidet und wie man zusätzliche Parameter hinzufügen könnte.
Emil Friedman schrieb:
Abbildung 1 legt nahe, dass die tatsächliche Rekrutierung abgeflacht ist. Warum sagt die Extrapolation, dass die Steigung zunehmen wird?
