임상 실험은 환자를 대상으로하는 실험이므로 올바른 종류의 환자와 올바른 환자 수를 찾기 위해 많이 의존합니다. 임상 시험은 충분한 환자 정보가 수집되고 치료 그룹이 무작위로 할당 된 후에 만 수행 될 수 있으므로 연구원이 마감일까지 충분한 인력을 고용하는 것이 매우 중요합니다.
그러나 등록이 시작됨에 따라 현재 모집이 얼마나 먼지 명확하지 않은 경우가 종종 있습니다. 우리 뒤에 있습니까? 우리는 일정보다 앞서 있습니까? 우리는 어디에 있습니까? "이런 종류의 불확실성 때문에 미리 계획을 세우고 채용 비율을 조정하는 조치를 취하는 것이 다소 복잡합니다. 현재 신병 인원을 감안할 때 남은 사람들을 등록하는 데 얼마나 오래 걸릴지 예측할 수 있다면 필요하지 않은만큼 더 많은 센터를 추가 할 수 있도록 지체없이 대응할 수 있습니까? 예측 모델링으로 할 수 있습니다.
우리는 채용 프로세스에서 어디에 있습니까?
학자들이이 문제를 해결하기 위해 개발 한 많은 예측 모델이 있습니다. 가장 쉽고 가장 일반적으로 사용되는 것은 포아송 - 감마 분포이다 (Anisimov and Fedorov, 2007). 이 모델은 환자가 독립적 인 푸 아송 과정에 따라 등록한다고 가정합니다. 각 과정은 알려지지 않은 비 상수 매개 변수 λ에 의해 정의됩니다. 람다는 신병 모집 속도 (각 기간 단위로 모집 된 환자의 수)이며 모집단이 얼마나 빠르며 알파 및 베타 매개 변수가있는 알 수없는 감마 분포에 속합니다.
이 두 매개 변수 인 알파와 베타는 연구자가 지금까지 가지고있는 등록 데이터로 추정 할 수 있습니다. 추정 된 알파와 베타를 사용하고 감마 분포에 따라 연구원은 다른 값의 채용율 (람다)을 시뮬레이션 할 수 있고 따라서 람다에서 파생 된 잔여 시간의 다른 값을 시뮬레이션 할 수 있습니다. 평균 2.5 일 백분위 수 및 97.5 백분위 수의 시뮬레이션은 시뮬레이션을 통해 계산할 수 있으며 나머지 모집에 대한 예측으로 사용할 수 있습니다. 이러한 시뮬레이션의 그래프 (그림 1)는 사람들이 채용 프로세스에서 얼마나 멀리 있는지에 대해 간단하고 시각적 인 아이디어를 제공합니다.
그림 1
문제가 해결되었습니다! 하지만 기다려....
마감일을 놓칠 지 여부를 어떻게 알 수 있습니까? 예측 된 평균값 (빨간색 선으로 표시)이 목표 날짜를 지키면 충분한 환자를 등록 할 수 없다는 뜻입니까? 아니면 백분위 수를 봐야합니까? 글쎄요, 당신이 당신의 모집이 마감 시간을 지키길 바라는 문턱 확률을 줘라. 그리고 나는 그것을 데드 라인을 만나는 시뮬레이션 된 잔여 시간의 확률과 비교할 것이다. 계산 된 확률이 임계 값보다 크거나 같으면 현재 채용율을 받아 들일 수 있습니다. 그러나 현재 채용율이 기준치를 충족시키지 못하면 기한까지 채용 목표에 도달하려면 추가 센터가 필요합니다.
새 센터 추가
좋아, 얼마나 많은 새로운 센터를 추가 할 수 있는지 어떻게 알 수 있습니까? 훌륭한 질문입니다! 모델이 알려줄 것입니다. 모델에 센터를 추가해야하는 경우 적응 조정이 시작되고 모델에 동일한 시뮬레이션 방법을 사용하여 하나의 중심을 추가하는 것부터 시작하여 새 남은 시간을 예측합니다. 새 센터의 초기 수는 기본적으로 하나이지만 변경할 수 있습니다. 새로운 남은 시간에는 새로운 센터가 추가 될 때 예상되는 남은 시간과 온라인에 오기위한 새로운 센터에서 지연되는 시간이 포함됩니다. 그런 다음, 모델은 당신에게서 다른 확률을 필요로합니다. 현재 센터와의 마감일을 만날 수있는 최소 확률을 부여 했으므로 더 많은 센터를 추가 할시기를 모델에서 알 수 있습니다. 다음 단계는 모델이 더 많은 센터 추가를 중단 할시기를 알 수 있도록 새로운 센터로 기한을 맞추는 최소 확률을 제공하는 것입니다.
이 모델은 새로운 센터가 추가 될 때 마감일을 맞추는 새 시뮬레이션의 확률을 계산하고 지정한 두 번째 최소 확률과 비교합니다. 이전 확률이 후자보다 작거나 같거나 같을 때까지 새 센터를 계속 추가합니다. 이런 식으로, 모델은 최소 기준을 충족시키는 추가 센터의 수가 가장 적으므로 등록 마감 시간까지 등록 목표에 동시에 도달 할 수 있습니다. 아래 표와 그래프는 전체 적응 조정 과정을 보여줍니다. 지정할 필요가있는 두 확률은 같을 수 있습니다 (새 센터를 추가하거나 추가하지 않고 목표 날짜에 도달하는 시뮬레이션 확률에 대해 동일한 요구 사항이있는 경우).
그림 2
그림 3
1 번 테이블
임무 완수!
다기관에서의 환자 모집을위한이 예측 모델은 강력하고 조정 가능합니다. 채용 정보가 어떠했는지, 앞으로 어떻게 될지에 대한 명확한 아이디어를 제공합니다. 또한 옵션을 변경하여 원하는 표준으로 맞춤 설정할 수 있습니다. 필요한 것은 진행중인 임상 시험의 참가자 모집에 대한 데이터뿐입니다. 따라서 임상 시험을 일정에 맞추기 위해 채용 전략을 평가하고 조정할 수 있습니다.
나는 그래프와 테이블을 다음과 같이 만들었다. JMP 임상 (인구 통계 및 방문> 환자 모집). JMP Clinical에는 임상 시험 분석에 사용할 수있는 다른 예측 도구 모음이 있습니다.
지아 오통 지앙 쓴 :
안녕, 에밀. 관심을 가져 주셔서 대단히 감사합니다! 간단히 말해서, JMPC는 전체 녹색 영역을 사용하여 향후 채용을 예측합니다. 현재 모집이 끝날 무렵에는 조금씩 평평 해졌지만 전반적인 모집 비율은 여전히 상대적으로 높기 때문에 예측 된 가치는 그 비율로 증가 할 것입니다. 가장 최근 데이터 (지난 6 개월)를 사용하는 경우 평평한 부분이 더 영향력을 가지기 때문에 평평한 경사가 보입니다. 더 궁금한 점이 있으시면 언제든지 이메일을 보내 주시기 바랍니다.
라즈 반다 루 쓴 :
매우 좋았습니다. 이것이 실제 채용 데이터에 대해 어떻게 수행되었으며 어떻게 추가 매개 변수를 포함 할 수 있는지 보는 것은 흥미로울 것입니다.
에밀 프리드먼 쓴 :
그림 1은 실제 모집이 병합되었음을 보여줍니다. 왜 외삽 법에 따라 경사가 증가 할 것이라고 말합니까?
