MARC

 008250123s2024        us                              c    eng  d
■001000017162817
■00520250211152058
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382739434
■035    ▼a(MiAaPQ)AAI31348986
■035    ▼a(MiAaPQ)umichrackham005516
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616.99
■1001  ▼aWang,  Sidi.
■24510▼aBayesian  Methods  for  snSMART  Designs  With  External  Controls  and  Dynamic  Prediction  of  Landmark  Survival  Time  in  Cancer  Clinical  Trials
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a110  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Kidwell,  Kelley  M.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aIn  Duchenne  muscular  dystrophy  (DMD)  and  other  rare  diseases,  recruiting  patients  into  clinical  trials  is  challenging.  Additionally,  assigning  patients  to  long-term,  multi-year  placebo  arms  raises  ethical  and  trial  retention  concerns.  This  poses  a  significant  challenge  to  the  traditional  sequential  drug  development  paradigm.  In  this  dissertation,  we  present  small  sample,  sequential,  multiple  assignment,  randomized  trial  (snSMART)  designs  and  methods  that  formally  incorporate  external  control  data  under  both  the  non-longitudinal  and  longitudinal  settings.After  introducing  the  integration  of  snSMART  with  external  control  data  in  Chapter  1,  Chapter  2  proposes  an  snSMART  design  that  integrates  dose  selection  and  confirmatory  assessment  into  a  single  trial.  This  multi-stage  design  evaluates  the  effects  of  multiple  doses  of  a  promising  drug,  rerandomizing  patients  to  appropriate  dose  levels  based  on  their  stage  1  dose  response.  Our  approach  enhances  the  efficiency  of  treatment  effect  estimates  by:  (i)  enriching  the  placebo  arm  with  external  control  data,  and  (ii)  utilizing  data  from  all  stages.  We  combine  data  from  external  controls  and  different  stages  using  a  robust  meta-analytic  combined  (MAC)  approach,  accounting  for  various  sources  of  heterogeneity  and  potential  selection  bias.  Upon  reanalyzing  data  from  a  DMD  trial  with  our  proposed  method,  MAC-snSMART,  we  observe  that  MAC-snSMART  estimators  offer  improved  efficiency  over  the  original  trial  results.  The  robust  MAC-snSMART  method  frequently  provides  more  accurate  estimators  than  traditional  analytical  methods.  Overall,  our  proposed  methodology  provides  a  promising  candidate  for  efficient  drug  development  in  DMD  and  other  rare  diseases.In  Chapter  3,  we  present  Bayesian  longitudinal  piecewise  meta-analytic  combined  (BLPM),  a  notable  advancement  on  the  robust  MAC-snSMART  method  from  Chapter  2.  This  enhancement  introduces  significant  improvements  to  snSMART  research  by:  (1)  enabling  longitudinal  data  analysis,  (2)  incorporating  patient  baseline  characteristics,  (3)  utilizing  multiple  imputation  for  missing  data,  (4)  reducing  heterogeneity  with  propensity  score  (PS),  and  (5)  managing  stage-wise  treatment  effect  non-exchangeability.  These  developments  significantly  increase  the  snSMART  design's  utility  and  efficiency  in  rare  disease  drug  development.  BLPM  applies  PS  trimming,  inverse  probability  treatment  weighting  (IPTW),  and  the  MAC  framework  to  navigate  heterogeneity  and  cross-stage  treatment  effects.  Our  evaluations,  through  simulation  studies  and  the  reanalysis  of  a  DMD  trial,  show  that  BLPM  methods  consistently  achieve  the  lowest  rMSE  across  tested  scenarios,  underscoring  its  potential  to  enhance  rare  disease  drug  development.In  Chapter  4,  we  propose  a  multivariate,  joint  modeling  approach  to  assess  the  underlying  dynamics  of  progression-free  survival  (PFS)  components  to  forecast  the  death  times  of  trial  participants.  Through  Bayesian  model  averaging  (BMA),  our  proposed  method  improves  the  accuracy  of  the  overall  survival  (OS)  forecast  by  combining  joint  models  developed  from  each  granular  component  of  PFS.  A  case  study  of  a  renal  cell  carcinoma  trial  is  conducted,  and  our  method  provides  the  most  accurate  predictions  across  all  tested  scenarios.  The  reliability  of  our  proposed  method  is  verified  through  extensive  simulation  studies,  which  include  a  scenario  where  OS  is  completely  independent  of  PFS.  Overall,  the  proposed  methodology  emerges  as  a  promising  candidate  for  reliable  OS  prediction  in  solid  tumor  oncology  studies.
■590    ▼aSchool  code:  0127.
■650  4▼aOncology
■650  4▼aBiostatistics
■650  4▼aPharmacology
■653    ▼aBayesian  statistics
■653    ▼aDuchenne  muscular  dystrophy
■653    ▼aSurvival  analysis
■653    ▼aRare  disease
■653    ▼aClinical  trials
■690    ▼a0308
■690    ▼a0992
■690    ▼a0419
■71020▼aUniversity  of  Michigan▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162817▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books