Poiché gli studi clinici sono esperimenti che studiano i pazienti, fanno molto affidamento sulla ricerca del giusto tipo e del giusto numero di pazienti. Gli studi clinici possono essere condotti solo dopo che sono state raccolte sufficienti informazioni sui pazienti e assegnati ai gruppi di trattamento in modo casuale, quindi è molto importante che i ricercatori reclutino un numero sufficiente di persone entro la scadenza.
All'inizio dell'iscrizione, tuttavia, spesso non è chiaro fino a che punto l'attuale reclutamento sia: "Ce la faremo? Siamo indietro? Siamo in anticipo? Dove siamo ?? "Questo tipo di incertezza rende piuttosto complicato pianificare in anticipo e prendere misure per adeguare il tasso di reclutamento. Dato l'attuale numero di reclute, non sarebbe bello se potessimo predire quanto ci vorrà per iscrivere le persone rimanenti in modo da poter reagire senza indugio per aggiungere altri centri, se necessario? Bene, possiamo farlo con la modellazione predittiva.
Dove siamo nel processo di reclutamento?
Ci sono molti modelli predittivi sviluppati dagli studiosi per risolvere questo problema; la più facile e più comunemente usata è la distribuzione di Poisson-Gamma (Anisimov e Fedorov, 2007). Quel modello ipotizza che i pazienti si iscrivano secondo processi di Poisson indipendenti, ognuno dei quali è definito da un parametro sconosciuto, non costante, lambda. Lambda è il tasso di reclutamento (il numero di pazienti reclutati per ogni unità di tempo), una misura che indica la velocità del reclutamento e appartiene a una distribuzione gamma con parametri alfa e beta, anch'essi sconosciuti.
Questi due parametri, alfa e beta, potrebbero essere stimati con i dati di iscrizione che i ricercatori hanno finora in mano. Utilizzando la stima alfa e beta e seguendo la distribuzione gamma, i ricercatori potrebbero quindi simulare diversi valori del tasso di reclutamento (lambda) e quindi diversi valori dei tempi rimanenti derivati dal lambda. La media, 2.5 esimo il percentile e il 97,5 ° percentile delle simulazioni potrebbero essere calcolati dalle simulazioni e servire da predizione del reclutamento rimanente. Un grafico di queste simulazioni (Figura 1) offre alle persone un'idea semplice e visiva di quanto sono lontane nel processo di reclutamento.
Figura 1
Lì, problema risolto! Ma aspetta....
Come posso sapere se mi mancherà la scadenza o no? Se la media prevista (contrassegnata dalla linea rossa) supera la data prevista, significa che non sarò in grado di arruolare un numero sufficiente di pazienti? O dovrei guardare i percentili? Bene, datemi una soglia di probabilità con cui volete che il vostro reclutamento rispetti la scadenza, e lo confronterò con la probabilità dei tempi rimanenti simulati che rispettano la scadenza. Se la probabilità calcolata è maggiore o uguale alla soglia, allora il tasso di reclutamento corrente è accettabile per te. Ma se l'attuale tasso di reclutamento non riesce a raggiungere la soglia, sono necessari ulteriori centri se si vuole raggiungere l'obiettivo di reclutamento entro la scadenza.
Aggiunta di nuovi centri
Ok, come faccio a sapere quanti nuovi centri aggiungere? Ottima domanda! Il modello te lo dirà. Se il modello ritiene necessario aggiungere i centri, verrà avviata la regolazione adattativa e il modello utilizzerà lo stesso metodo di simulazione per prevedere il nuovo tempo rimanente iniziando con l'aggiunta di un centro. Il numero iniziale di nuovi centri è uno di default, ma puoi cambiarlo. Il nuovo tempo rimanente include il tempo rimanente previsto con i nuovi centri aggiunti e la quantità di tempo rinviata nei nuovi centri affinché possano essere pubblicati online. Quindi, il modello ha bisogno di un'altra probabilità da parte tua. Le hai dato la probabilità minima di rispettare la scadenza con i centri attuali, quindi il modello sa quando iniziare ad aggiungere più centri; il passo successivo è fornire una probabilità minima di rispettare la scadenza con i nuovi centri in modo che il modello sappia quando interrompere l'aggiunta di altri centri.
Il modello calcola la probabilità di nuove simulazioni che soddisfano la scadenza con l'aggiunta di nuovi centri e la confronta con la seconda probabilità minima specificata. Continuerà ad aggiungere un nuovo centro se la prima probabilità è inferiore alla seconda, finché non sono uguali o la prima è maggiore della seconda. In questo modo, il modello ha trovato il minor numero di centri aggiuntivi che soddisfa i tuoi standard minimi in modo da raggiungere il target di registrazione entro la scadenza allo stesso tempo. La tabella e i grafici seguenti illustrano l'intero processo di adattamento adattativo. Si noti che le due probabilità che è necessario specificare potrebbero essere uguali (quando si hanno gli stessi requisiti sulla probabilità che le simulazioni raggiungano la data obiettivo con e senza l'aggiunta di nuovi centri).
figura 2
Figura 3
Tabella 1
Missione compiuta!
Questo modello predittivo per il reclutamento dei pazienti presso i multicentri è potente e regolabile. Ti dà un'idea chiara di come è stato il tuo reclutamento e come sarà in futuro, inoltre puoi personalizzarlo negli standard desiderati modificando le opzioni. Tutto ciò di cui hai bisogno sono i dati sul reclutamento dei partecipanti di una sperimentazione clinica in corso, che ti consente di valutare e adeguare le strategie di assunzione per mantenere le prove in programma.
Ho creato i grafici e la tabella con JMP Clinical (Dati demografici e visite> Assunzione del paziente). JMP Clinical ha anche una serie di altri strumenti predittivi disponibili per le analisi delle prove cliniche.
Xiaotong Jiang ha scritto:
Ciao, Emil. Grazie mille per il tuo interesse! In breve, JMPC utilizza l'intera area verde per prevedere il futuro reclutamento. Anche se si è appiattito un po 'alla fine dell'attuale assunzione, il tasso di reclutamento complessivo è ancora relativamente alto e quindi i valori previsti aumenteranno con quella percentuale. Se si utilizzano solo i dati più recenti (ad esempio negli ultimi sei mesi), si vedrà una pendenza più piatta perché la parte appiattita diventa più influente. Non esitate a scrivermi se avete altre domande!
Raj Bandaru ha scritto:
molto bello, sarebbe interessante vedere come questo si è comportato rispetto ad alcuni dati di reclutamento reali e come si potrebbero includere parametri aggiuntivi.
Emil Friedman ha scritto:
La figura 1 suggerisce che il reclutamento effettivo si è appiattito. Perché l'estrapolazione dice che la pendenza aumenterà?
