参数定义与方法框架
确定影响预后富集效果的关键参数和计算框架
基于BioPET框架，定义模型准确性（AUC）、风险阈值、事件率、治疗效应、筛选效率和成本参数，并扩展为REACT工具。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
评估临床试验中的预后富集效用：在骨关节炎临床试验设计中的应用
Evaluating the utility of prognostic enrichment in clinical trials: Applications to clinical trial design in osteoarthritis
实验完整度
低本研究为方法学工具开发，基于模拟数据和回顾性分析，无湿实验或临床干预，主要提供计算框架和示例。
主要模型
模拟数据（1,000,000名假设个体） 骨关节炎患者模型（基于FNIH生物标志物研究） 前交叉韧带重建术后人群（PIKASO试验）
重点核对
预后模型AUC值（0.6-0.9） 高风险阈值（预测概率切点） 未富集人群的事件发生率 筛选成本、富集成本、随机化成本 预期治疗效果（相对危险度）
摘要
目的：临床试验中的预后富集旨在针对发生感兴趣事件（如疾病进展或新发骨关节炎（OA））高风险潜在参与者。本工作的目的是描述并探讨影响实施富集策略决策的关键参数。设计：我们应用生物标志物预后富集工具（BioPET）的框架来开发关节炎临床试验研究型富集（REACT）工具。REACT考虑筛选成本和富集准确性，以确定富集策略与不富集相比是否节省成本和时间。结果：如果富集成本较低，中等准确性的预后富集可节省成本；我们展示了预后富集算法曲线下面积（AUC）为0.6且每名潜在参与者筛选成本为25美元的情景下可节省成本。为入组富集样本而需要增加的潜在参与者筛选数量可能带来后勤和/或可行性挑战。虽然预后富集算法AUC为0.6的例子从货币角度看确实节省成本，但该情景下的富集需要筛选的潜在参与者数量是未富集策略的1.7倍。结论：REACT是一个用户友好的工具，用于评估在临床试验设计中纳入富集算法的价值。它可以帮助研究者评估入组策略，以批判性地评估富集的权衡，考虑操作可行性，以及泛化性和参与者可接受性等定性因素。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 在骨关节炎临床试验设计中，哪些关键参数决定预后富集策略的价值？
- 核心机制
- 预后富集通过提高入组人群的事件发生率来减少所需随机化样本量，但也可能增加筛选人数和成本，其净效益取决于模型准确性、成本和高风险阈值等参数。
- 主要证据
- 基于BioPET框架和模拟数据，量化了AUC、风险阈值、成本等对样本量和总成本的影响，并通过假设示例展示。
- 研究意义
- REACT工具可帮助研究者评估是否采用富集策略，考虑成本、可行性和泛化性，为骨关节炎试验设计提供决策支持。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
模拟计算和扩展
估计不同参数组合下的筛选数量、随机化数量和成本
使用BioPET R包和SAS模拟数据，对AUC、事件率、相对风险、风险阈值等组合进行计算，假设80%功效和α=0.05。
REACT工具开发
提供用户友好的计算器以评估富集策略
开发REACT网络工具，输入事件率、相对风险、风险阈值、AUC和成本等参数，输出筛选数量、随机化数量、事件率和总成本。
假设试验示例
演示如何使用REACT评估富集策略的实际效果
参考PIKASO试验和FNIH研究，构建两个假设示例，计算不同参数下的样本量和成本。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 预后模型准确性 | AUC值，高风险阈值 阅读提示：Methods: Prognostic Model Accuracy: estimated AUC and Risk Threshold |
| 事件率与治疗效应 | 未富集人群的事件发生率，预期相对风险 阅读提示：Methods: Event Rates and Anticipated Treatment Effect |
| 筛选与成本 | 筛查成本、富集成本、随机化成本，初始筛选通过率 阅读提示：Methods: Costs and Prognostic Enrichment Calculator |