Adaptive nahtlose Studien zur Dosisfindung

Problemdefinition: Wir untersuchen klinische Studien zur Dosisfindung in frühen Phasen, bei denen die Wirksamkeit und Toxizität gleichzeitig betrachtet werden, ohne parametrische Annahmen über die Formen der unbekannten Dosis-Wirksamkeits- und Dosis-Toxizitätskurven zu machen. Wir schlagen Algorithmen vor, die Dosen adaptiv basierend auf den Patientenreaktionen zuweisen, um die Wirksamkeit für die Patienten während der Studie zu maximieren und gleichzeitig die Toxizität zu minimieren. Methodik/Ergebnisse: Wir nutzen Online-Lernen, um die klinische Studie zu gestalten, und schlagen zwei Algorithmen vor. Der erste folgt den Prinzipien der Dosiseskalation und analysiert die Wirksamkeit und Toxizität gleichzeitig. Der zweite verwendet die Bisektionssuche, um einen sicheren Dosenbereich zu identifizieren und wendet dann Algorithmen mit oberen Konfidenzgrenzen innerhalb des sicheren Bereichs an, um wirksame Dosen zu identifizieren. Wir zeigen die passenden oberen und unteren Grenzen für den Bedauern (Regret) beider Algorithmen. Wir stellen fest, dass die Beachtung des Dosiseskalationsprinzips kostspielig ist, da der optimale Bedauern des ersten Algorithmus in der Größenordnung von Formel: siehe Text, schlechter ist als der optimale Bedauern des zweiten Algorithmus, der in der Größenordnung von Formel: siehe Text liegt. Wir testen unsere vorgeschlagenen Algorithmen mit drei in der Praxis üblichen Benchmarks an synthetischen und realen Datensätzen, und die Ergebnisse zeigen, dass sie wettbewerbsfähig sind oder die Benchmarks signifikant übertreffen. Managementimplikationen: Wir liefern eine neuartige Einsicht, dass die Beachtung des Dosiseskalationsprinzips zwangsläufig zu höherem Bedauern führt. Der erste vorgeschlagene Algorithmus eignet sich zur Verwendung, wenn wenig Informationen über das Dosis-Toxizitäts-Profil verfügbar sind, während der zweite ansprechend ist, wenn mehr Informationen über das Toxizitätsprofil vorliegen. Finanzierung: Diese Arbeit wurde durch den National Science Foundation Grant 1651912 unterstützt. Ergänzende Materialien: Der Online-Anhang ist unter https://doi.org/10.1287/msom.2023.0246 verfügbar.