FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W4223973975> ?p ?o ?g. }

• W4223973975 endingPage "436" @default.
• W4223973975 startingPage "417" @default.
• W4223973975 abstract "Bayesian adaptive designs have gained popularity in all phases of clinical trials with numerous new developments in the past few decades. During the COVID-19 pandemic, the need to establish evidence for the effectiveness of vaccines, therapeutic treatments, and policies that could resolve or control the crisis emphasized the advantages offered by efficient and flexible clinical trial designs. In many COVID-19 clinical trials, because of the high level of uncertainty, Bayesian adaptive designs were considered advantageous. Designing Bayesian adaptive trials, however, requires extensive simulation studies that are generally considered challenging, particularly in time-sensitive settings such as a pandemic. In this article, we propose a set of methods for efficient estimation and uncertainty quantification for design operating characteristics of Bayesian adaptive trials. Specifically, we model the sampling distribution of Bayesian probability statements that are commonly used as the basis of decision making. To showcase the implementation and performance of the proposed approach, we use a clinical trial design with an ordinal disease-progression scale endpoint that was popular among COVID-19 trials. However, the proposed methodology may be applied generally in the clinical trial context where design operating characteristics cannot be obtained analytically.Les plans adaptatifs bayésiens ont gagné en popularité dans toutes les phases d'essais cliniques grâce à d'importants développements réalisés au cours des dernières décennies. Pendant la pandémie COVID‐19, la nécessité d'établir des preuves de l'efficacité des vaccins, des traitements thérapeutiques et des politiques susceptibles de résoudre ou de contrôler la crise a mis en évidence les avantages offerts par des plans d'essais cliniques efficaces et flexibles. En raison du niveau élevé d'incertitude présent dans de nombreux essais cliniques COVID‐19, les plans adaptatifs bayésiens ont été considérés comme avantageux. Cela dit, la conception d'essais adaptatifs bayésiens nécessite de vastes études de simulation qui sont généralement considérées comme difficiles, en particulier dans des contextes sensibles au facteur temps comme lors d'une pandémie. Les auteurs de cet article proposent un ensemble de méthodes d'estimation efficace et de quantification de l'incertitude pour la conception d'essais adaptatifs bayésiens. En particulier, une modélisation de la distribution d'échantillonnage des énoncés de probabilité bayésienne est proposée. Cette dernière est couramment requise lors de la prise de décisions. Pour illustrer la mise en œuvre et la performance de l'approche proposée, les auteurs ont utilisé un plan d'essai clinique avec un critère d'évaluation ordinal de l'évolution de la maladie, plan relativement populaire dans les essais COVID‐19. Aussi, la méthodologie proposée est assez générale pour être appliquée dans le contexte d'essais cliniques dont les caractéristiques opérationnelles du plan correspondant ne peuvent pas être obtenues de manière analytique." @default.
• W4223973975 created "2022-04-19" @default.
• W4223973975 creator A5015767985 @default.
• W4223973975 date "2022-04-15" @default.
• W4223973975 modified "2023-10-16" @default.
• W4223973975 title "Estimating design operating characteristics in Bayesian adaptive clinical trials" @default.
• W4223973975 cites W1434628591 @default.
• W4223973975 cites W1774527694 @default.
• W4223973975 cites W1967692477 @default.
• W4223973975 cites W1969545943 @default.
• W4223973975 cites W1974833623 @default.
• W4223973975 cites W1981270896 @default.
• W4223973975 cites W1988990279 @default.
• W4223973975 cites W2005494948 @default.
• W4223973975 cites W2008860560 @default.
• W4223973975 cites W2018044188 @default.
• W4223973975 cites W2021263320 @default.
• W4223973975 cites W2040850257 @default.
• W4223973975 cites W2053934160 @default.
• W4223973975 cites W2056145269 @default.
• W4223973975 cites W2077107306 @default.
• W4223973975 cites W2092271904 @default.
• W4223973975 cites W2092391357 @default.
• W4223973975 cites W2097493482 @default.
• W4223973975 cites W2104337757 @default.
• W4223973975 cites W2125275885 @default.
• W4223973975 cites W2126275752 @default.
• W4223973975 cites W2147360967 @default.
• W4223973975 cites W2149734926 @default.
• W4223973975 cites W2150705946 @default.
• W4223973975 cites W2153878952 @default.
• W4223973975 cites W2155291829 @default.
• W4223973975 cites W2239950185 @default.
• W4223973975 cites W2273306581 @default.
• W4223973975 cites W2293401948 @default.
• W4223973975 cites W2547357791 @default.
• W4223973975 cites W2791498037 @default.
• W4223973975 cites W2791746438 @default.
• W4223973975 cites W2793259039 @default.
• W4223973975 cites W3034858522 @default.
• W4223973975 cites W3101507435 @default.
• W4223973975 cites W3146985724 @default.
• W4223973975 cites W3207875246 @default.
• W4223973975 cites W4243645092 @default.
• W4223973975 cites W4249753629 @default.
• W4223973975 cites W4299020278 @default.
• W4223973975 cites W651652324 @default.
• W4223973975 doi "https://doi.org/10.1002/cjs.11699" @default.
• W4223973975 hasPubMedId "https://pubmed.ncbi.nlm.nih.gov/35573896" @default.
• W4223973975 hasPublicationYear "2022" @default.
• W4223973975 type Work @default.
• W4223973975 citedByCount "3" @default.
• W4223973975 countsByYear W42239739752023 @default.
• W4223973975 crossrefType "journal-article" @default.
• W4223973975 hasAuthorship W4223973975A5015767985 @default.
• W4223973975 hasBestOaLocation W42239739752 @default.
• W4223973975 hasConcept C105795698 @default.
• W4223973975 hasConcept C107673813 @default.
• W4223973975 hasConcept C119857082 @default.
• W4223973975 hasConcept C142724271 @default.
• W4223973975 hasConcept C154945302 @default.
• W4223973975 hasConcept C166957645 @default.
• W4223973975 hasConcept C205649164 @default.
• W4223973975 hasConcept C2779134260 @default.
• W4223973975 hasConcept C2779343474 @default.
• W4223973975 hasConcept C2982777018 @default.
• W4223973975 hasConcept C3008058167 @default.
• W4223973975 hasConcept C33923547 @default.
• W4223973975 hasConcept C41008148 @default.
• W4223973975 hasConcept C42475967 @default.
• W4223973975 hasConcept C524204448 @default.
• W4223973975 hasConcept C535046627 @default.
• W4223973975 hasConcept C71924100 @default.
• W4223973975 hasConcept C80478641 @default.
• W4223973975 hasConceptScore W4223973975C105795698 @default.
• W4223973975 hasConceptScore W4223973975C107673813 @default.
• W4223973975 hasConceptScore W4223973975C119857082 @default.
• W4223973975 hasConceptScore W4223973975C142724271 @default.
• W4223973975 hasConceptScore W4223973975C154945302 @default.
• W4223973975 hasConceptScore W4223973975C166957645 @default.
• W4223973975 hasConceptScore W4223973975C205649164 @default.
• W4223973975 hasConceptScore W4223973975C2779134260 @default.
• W4223973975 hasConceptScore W4223973975C2779343474 @default.
• W4223973975 hasConceptScore W4223973975C2982777018 @default.
• W4223973975 hasConceptScore W4223973975C3008058167 @default.
• W4223973975 hasConceptScore W4223973975C33923547 @default.
• W4223973975 hasConceptScore W4223973975C41008148 @default.
• W4223973975 hasConceptScore W4223973975C42475967 @default.
• W4223973975 hasConceptScore W4223973975C524204448 @default.
• W4223973975 hasConceptScore W4223973975C535046627 @default.
• W4223973975 hasConceptScore W4223973975C71924100 @default.
• W4223973975 hasConceptScore W4223973975C80478641 @default.
• W4223973975 hasFunder F4320334593 @default.
• W4223973975 hasIssue "2" @default.
• W4223973975 hasLocation W42239739751 @default.
• W4223973975 hasLocation W42239739752 @default.
• W4223973975 hasLocation W42239739753 @default.
• W4223973975 hasLocation W42239739754 @default.

• next