Haolun Shi, Anna Heath, Shirin Golchi

Projets d’équipe de recherche collaborative – Projet 24

Conception statistique des essais cliniques adaptatifs bayésiens

Ce projet développera une nouvelle méthodologie statistique pour améliorer la conception d’essais sur plateforme qui minimisent le fardeau des patients en répondant efficacement à plusieurs questions de recherche et à des études de recherche de dose, afin de garantir que des traitements sûrs et efficaces sont évalués dans des essais ultérieurs. Nous développerons également une méthodologie pour surmonter les obstacles informatiques à la conception d’essais adaptatifs bayésiens sous deux angles.

Catégorie de recherche :
Région:
Nationale
Date:
2023–2026

Pourquoi développer de nouvelles approches adaptatives bayésiennes pour les essais cliniques ?

Les essais adaptatifs, tels que ceux utilisés lors du développement des vaccins COVID-19, répondent à l’accumulation de données au cours de l’essai pour parvenir efficacement à des conclusions, tout en maintenant une inférence statistique valide, et ils utilisent mieux le temps et l’argent que les conceptions fixes. L’approche bayésienne est avantageuse pour les essais adaptatifs car (i) les informations sur les paramètres peuvent être mises à jour en continu sur la base des données accumulées, (ii) les informations peuvent être synthétisées à travers plusieurs sources, (iii) l’efficacité statistique peut être améliorée en utilisant la modélisation hiérarchique, et (iv) les déclarations probabilistes sur l’effet d’intérêt sont plus facilement interprétées par les cliniciens

Zones d’exploration

Essais sur plate-forme

Les essais sur plate-forme visent à évaluer plusieurs questions de recherche à l’aide d’une seule infrastructure d’essai, mais une nouvelle méthodologie est nécessaire pour exploiter efficacement cette infrastructure et répondre aux questions de recherche proposées avec un fardeau et des coûts minimaux pour le patient.

Essais de recherche de dose

Les méthodes statistiques dans les essais de recherche de dose visent à déterminer avec précision la dose optimale sur la base d’un petit nombre de patients. La méthodologie proposée améliorera les chances d’évaluer des traitements sûrs et efficaces dans des essais ultérieurs.

Conception d’essais efficace sur le plan informatique

Des simulations intensives sont actuellement nécessaires pour concevoir des essais adaptatifs bayésiens. Nous visons à nous appuyer sur des algorithmes de simulation bayésiens efficaces pour réduire la complexité de calcul de ces simulations et fournir une quantification précise de l’incertitude afin d’améliorer considérablement la faisabilité de la conception d’essais adaptatifs bayésiens.

Essais théoriques de décision

La théorie de la décision bayésienne fournit un cadre de principe pour la conception des essais, mais sa mise en œuvre pratique est empêchée par des problèmes de calcul. En tirant parti de nos travaux sur la conception efficace des essais, nous visons à développer de nouveaux algorithmes pour estimer efficacement les quantités clés et optimiser les essais adaptatifs bayésiens qui soutiennent la prise de décision clinique.

Les gens derrière le projet

Membres du groupe

Anna Heath | Université Toronto et The Hospital for Sick Children, Toronto

Shirin Golchi | Université McGill

Haolun Shi | Université Simon Fraser

Collaborateurs

George Tomlinson | Université de Toronto (mentor)

Ying Yuan | University of Texas MD Anderson Cancer Center (mentor)

Terry Klassen | Université du Manitoba

Rhonda Rosychuk | Université de l’Alberta

Jean-Claude Tardif | Université de Montréal

Corinne Hohl | Université de la Colombie-Britannique

Srinivas Murthy | Université de la Colombie-Britannique

Hawre Jalal | Université d’Ottawa (renseignements sur le projet)

Ewan Goligher | Université de Toronto (renseignements sur le projet)

Jay Park | Université McMaster (renseignements sur le projet)

Partenaires du projet