Amélioration de l'efficacité des essais cliniques longitudinaux avec des jumeaux numériques et des modèles mixtes ajustés par covariables pronostiques pour mesures répétées (PROCOVA-MMRM)

Les essais cliniques sont essentiels pour faire avancer les traitements médicaux, mais souffrent souvent d'un immense fardeau temporel et financier. Les progrès des méthodologies statistiques et de l'intelligence artificielle (IA) offrent des opportunités pour remédier à ces inefficacités. Ici, nous introduisons les modèles mixtes ajustés par covariables pronostiques pour mesures répétées (PROCOVA-MMRM) comme une combinaison avantageuse de l'ajustement par covariables pronostiques (PROCOVA) et des modèles mixtes pour mesures répétées (MMRM). PROCOVA-MMRM utilise des scores pronostiques couplés au temps, générés par des modèles d'IA, pour améliorer la précision des estimateurs d'effet de traitement pour des résultats continus longitudinaux, permettant de réduire la taille de l'échantillon et les délais d'inscription. Nous fournissons d'abord une description du contexte et de la mise en œuvre de PROCOVA-MMRM, suivie de deux études de cas où nous comparons les performances de PROCOVA-MMRM par rapport à l'MMRM non ajusté. Ces réanalyses démontrent des améliorations significatives en puissance statistique et en précision dans des indications cliniques à besoin médical non satisfait, spécifiquement la maladie d'Alzheimer (MA) et la sclérose latérale amyotrophique (SLA). Nous explorons également le potentiel de réduction de la taille de l'échantillon avec la mise en œuvre prospective de PROCOVA-MMRM, découvrant que les mêmes résultats, voire de meilleurs résultats, auraient pu être obtenus avec moins de participants dans ces essais historiques si la précision améliorée fournie par PROCOVA-MMRM avait été exploitée prospectivement. Nous confirmons également la robustesse des propriétés statistiques de PROCOVA-MMRM dans une variété de scénarios de simulation réalistes. Dans l'ensemble, PROCOVA-MMRM représente une méthode rigoureuse d'incorporation des avancées dans la prédiction des scores pronostiques couplés au temps générés par l'IA dans l'analyse longitudinale, réduisant potentiellement à la fois le coût et le temps nécessaires pour amener de nouveaux traitements aux patients tout en respectant les normes réglementaires.