MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016932260
■00520240214100435
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380380669
■035    ▼a(MiAaPQ)AAI30490632
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aDang,  Lauren  Elizabeth  Eyler.
■24510▼aDevelopment  and  Application  of  the  Experiment-Selector  Cross-Validated  Targeted  Maximum  Likelihood  Estimator▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Berkeley.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(118  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  van  der  Laan,  Mark.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThis  dissertation  encompasses  the  development  and  application  of  the  experiment-selector  cross-validated  targeted  maximum  likelihood  estimator  (ES-CVTMLE)  for  analyzing  hybrid  randomized-external  data  studies.  The  goal  of  these  hybrid  designs  is  to  augment  a  small  randomized  controlled  trial  (RCT)  with  external  data  -  in  the  form  of  the  control  arm(s)  of  previous  trials  or  real-world  healthcare  data  (RWD)  -  in  order  to  increase  power.  Of  course,  inclusion  of  RWD  may  also  increase  the  causal  gap,  defined  as  the  difference  between  the  causal  effect  of  interest  and  the  statistical  parameter  that  we  will  estimate  from  the  data.  The  primary  statistical  challenges  are  1)  excluding  external  data  that  would  introduce  bias  of  a  magnitude  large  enough  to  worsen  coverage  for  the  causal  effect  while  still  including  unbiased  external  data  frequently  enough  to  improve  power  and  2)  constructing  confidence  intervals  that  appropriately  reflect  that  the  causal  gap  may  not  be  zero  when  external  data  are  integrated.  In  Chapter  1,  we  describe  the  development  of  the  ES-CVTMLE  methodology,  focusing  on  the  case  where  only  external  controls  are  available.  We  consider  two  methods  of  estimating  the  causal  gap:  1)  a  function  of  the  difference  in  conditional  mean  outcome  under  control  between  the  RCT  and  combined  experiments  and  2)  the  estimated  average  treatment  effect  on  a  negative  control  outcome.  We  then  define  criteria  for  selecting  the  experiment  (RCT  alone  or  RCT  combined  with  external  data)  that  optimizes  the  estimated  bias-variance  tradeoff.  To  separate  the  data  used  for  experiment  selection  from  the  data  used  for  effect  estimation,  we  develop  an  experiment-selector  cross-validated  targeted  maximum  likelihood  estimator.  We  define  the  asymptotic  distribution  of  the  ES-CVTMLE  under  varying  magnitudes  of  bias  and  construct  confidence  intervals  by  Monte  Carlo  simulation.  We  demonstrate  the  performance  of  the  ES-CVTMLE  compared  to  three  other  estimators  for  hybrid  randomized-external  data  designs  using  simulations  and  a  re-analysis  of  the  LEADER  trial  of  the  effect  of  liraglutide  versus  placebo  on  cardiovascular  outcomes.  In  Chapter  2,  we  describe  the  development  of  the  EScvtmle  R  software  package  to  implement  the  method  described  in  Chapter  1.  The  software  package  also  extends  this  methodology  to  allow  for  integration  of  external  data  participants  with  both  the  active  treatment  and  control  arms  of  the  trial.  We  include  vignettes  demonstrating  use  of  the  EScvtmle  package  with  the  publicly  available  WASH  Benefits  Bangladesh  cluster  RCT  dataset.  The  real  data  examples  in  Chapters  1  and  2  rely  on  following  the  Roadmap  for  Causal  and  Statistical  Inference,  a  structured  process  that  guides  the  design,  analysis,  and  interpretation  of  studies  anywhere  on  the  spectrum  from  a  traditional  RCT  to  a  fully  observational  study.  In  Chapter  3,  we  describe  this  Causal  Roadmap  to  an  audience  of  clinical  and  translational  researchers.  We  also  extend  the  Roadmap  framework  to  consider  how  outcome-blind  simulations  may  be  used  for  quantitative  comparison  of  the  characteristics  of  different  potential  study  designs.  Chapter  4  represents  the  culmination  of  the  previous  work;  we  use  a  case  study  of  semaglutide  and  cardiovascular  outcomes  to  demonstrate  application  of  this  extended  version  of  the  Causal  Roadmap  to  compare  study  designs  involving  traditional  RCTs  with  a  hybrid  randomized-external  data  design.  We  demonstrate  how  following  the  Causal  Roadmap  can  help  to  define  an  external  control  arm  in  a  way  that  improves  the  plausibility  of  causal  identification  assumptions.  We  then  use  simulations  to  demonstrate  the  tradeoffs  between  each  of  these  potential  designs.  Finally,  we  present  a  real  data  analysis  using  the  ES-CVTMLE  to  estimate  the  effect  of  oral  semaglutide  versus  standard-of-care  on  major  adverse  cardiovascular  events  based  on  the  PIONEER  6  RCT  and  considering  augmentation  with  RWD  from  Optum's  de-identified  Clinformatics  Data  Mart  Database  (CDM)  (2007-2022).
■590    ▼aSchool  code:  0028.
■650  4▼aBiostatistics.
■650  4▼aMedicine.
■653    ▼aCausal  inference
■653    ▼aData  fusion
■653    ▼aReal-world  evidence
■653    ▼aMaximum  likelihood  estimator
■690    ▼a0308
■690    ▼a0564
■71020▼aUniversity  of  California,  Berkeley▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16932260▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서