Steigerung der Effizienz von longitudinalen klinischen Studien mit digitalen Zwillingen und prognosekorrelierten gemischten Modellen für wiederholte Messungen (PROCOVA-MMRM)

Klinische Studien sind entscheidend für den Fortschritt medizinischer Behandlungen, leiden aber oft unter enormen Zeit- und Kostenbelastungen. Fortschritte in den statistischen Methoden und der künstlichen Intelligenz (KI) bieten Möglichkeiten, diese Ineffizienzen zu beheben. Hier präsentieren wir prognosekorrelierte gemischte Modelle für wiederholte Messungen (PROCOVA-MMRM) als vorteilhafte Kombination aus prognosekorrelierter Anpassung (PROCOVA) und gemischten Modellen für wiederholte Messungen (MMRM). PROCOVA-MMRM nutzt zeitlich abgestimmte prognostische Scores, die aus KI-Modellen generiert werden, um die Präzision der Schätzer für den Behandlungseffekt bei longitudinalen kontinuierlichen Ergebnissen zu verbessern, was Reduzierungen der Stichprobengröße und der Rekrutierungszeiten ermöglicht. Wir geben zunächst eine Beschreibung des Hintergrunds und der Implementierung von PROCOVA-MMRM, gefolgt von zwei Fallstudien, in denen wir die Leistung von PROCOVA-MMRM mit dem nicht angepassten MMRM vergleichen. Diese Wiederanalysen zeigen signifikante Verbesserungen der statistischen Power und Präzision in klinischen Indikationen mit unerfülltem medizinischen Bedarf, speziell bei Alzheimerkrankheit (AD) und amyotropher Lateralsklerose (ALS). Wir untersuchen auch das Potenzial zur Reduzierung der Stichprobengröße mit der prospektiven Implementierung von PROCOVA-MMRM und stellen fest, dass dieselben oder bessere Ergebnisse mit weniger Teilnehmern in diesen historischen Studien erzielt worden sein könnten, wenn die verbesserte Präzision von PROCOVA-MMRM prospektiv genutzt worden wäre. Wir bestätigen auch die Robustheit der statistischen Eigenschaften von PROCOVA-MMRM in einer Vielzahl realistischer Simulationsszenarien. Insgesamt stellt PROCOVA-MMRM eine rigorose Methode dar, um Fortschritte in der Vorhersage zeitlich abgestimmter prognostischer Scores, die von KI erzeugt werden, in die longitudinale Analyse zu integrieren, wobei sowohl die Kosten als auch die benötigte Zeit für die Einführung neuer Behandlungen für Patienten reduziert werden können und gleichzeitig die regulatorischen Standards eingehalten werden.