MARC

 008260126s2025        us                              c    eng  d
■001000017360146
■00520260202105311
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798270295516
■035    ▼a(MiAaPQ)AAI32284622
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aDamone,  Emily  M.
■24510▼aBayesian  Statistical  Methods  for  Adaptive  Biosimilarity  Clinical  Trials  and  Joint  Models
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a114  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-07,  Section:  B.
■500    ▼aIncludes  supplementary  digital  materials.
■500    ▼aAdvisor:  Ibrahim,  Joseph  G.;Psioda,  Matthew  A.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aMany  methods  exist  to  jointly  model  either  recurrent  and  related  terminal  survival  events  or  longitudinal  outcome  measures  and  related  terminal  survival  event.  However,  few  methods  exist  which  can  account  for  the  dependency  between  all  three  outcomes  of  interest,  and  none  allow  for  the  modeling  of  all  three  outcomes  without  strong  correlation  assumptions.  We  propose  a  joint  model  which  uses  subject-specific  random  effects  to  connect  the  survival  model  (terminal  and  recurrent  events)  with  a  longitudinal  outcome  model.  In  the  proposed  method,  proportional  hazards  models  with  shared  frailties  are  used  to  model  dependence  between  the  recurrent  and  terminal  events,  while  a  separate  (but  correlated)  set  of  random  effects  are  utilized  in  a  generalized  linear  mixed  model  to  model  dependence  with  longitudinal  outcome  measures.  All  random  effects  are  related  based  on  an  assumed  multivariate  normal  distribution.  The  proposed  joint  modeling  approach  allows  for  flexible  models,  particularly  for  unique  longitudinal  trajectories,  that  can  be  utilized  in  a  wide  range  of  health  applications.  We  evaluate  the  model  through  simulation  studies  as  well  as  through  an  application  to  data  from  the  Atherosclerosis  Risk  in  Communities  (ARIC)  study.Separately,  we  consider  approaches  for  clinical  trials  for  biosimilars.  Biosimilars  are  biological  products  with  no  clinically  meaningful  difference  in  safety,  purity,  and  potency  when  compared  to  an  approved  biologic.  Biosimilars  are  interchangeable  when  the  biosimilar  has  the  same  expected  risk,  in  terms  of  safety  and  efficacy,  when  compared  to  the  reference  biologic.  The  FDA  regards  biosimilarity  and  interchangeability  approval  based  on  totality  of  evidence  approaches.  The  nature  of  biosimilars,  and  their  comparison  in  clinical  trials  to  reference  products  (RP),  leads  to  a  natural  utilization  of  historical  information  on  the  RP  in  the  elicitation  of  prior  distributions  as  well  as  the  efficient  utilization  of  study  participants  in  an  adaptive  clinical  trial  for  both  biosimilarity  and  interchangeability  designations.  We  thus  propose  a  two-stage  clinical  trial.  Stage  1  consists  of  a  2-arm  randomized  clinical  trial  with  clinical  efficacy  endpoint,  utilizing  an  informative  robust  Meta-Analytic-Predictive  (MAP)  prior  on  the  reference  product  arm  estimated  with  historical  information  on  the  RP,  allowing  for  a  reduction  in  the  RP  arm.  Stage  2  consists  of  a  2-arm  randomized  switching  study,  where  participants  with  clinical  success  from  the  RP  arm  of  Stage  1  are  carried  forward  to  determine  interchangeability.  We  similarly  utilize  an  informative  robust  MAP  prior  on  the  RP  arm  with  available  PK  data.  We  demonstrate  the  methodology  for  the  design  and  analysis  of  a  biosimilar  clinical  program  through  simulation.  We  consider  the  Rheumatoid  Arthritis  clinical  space,  as  might  be  feasible  for  a  biosimilar  to  adalimumab.We  extend  this  trial  design  to  the  scenario  involving  multiple  therapeutic  indications.  We  utilize  a  correlated  parameter  prior  (CPP)  to  induce  information  sharing  on  the  treatment  effect  difference  for  each  trial  stage,  while  incorporating  rMAP  priors  on  each  indication  of  the  reference  product.  We  demonstrate  the  methodology  for  the  design  and  analysis  of  a  biosimilars  clinical  program  through  simulation  and  consider  trial  emulation  as  feasible  for  a  biosimilar  to  adalimumab.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics
■650  4▼aStatistics
■650  4▼aBiology
■650  4▼aBioengineering
■653    ▼aBayesian  statistical  methods
■653    ▼aBiosimilarity
■653    ▼aReference  products
■653    ▼aJoint
■690    ▼a0308
■690    ▼a0202
■690    ▼a0306
■690    ▼a0463
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-07B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360146▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서