کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10298145 539139 2013 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A latent variable approach in simultaneous modeling of longitudinal and dropout data in schizophrenia trials
ترجمه فارسی عنوان
یک رویکرد متغیر پنهان در مدلسازی همزمان داده های طولی و رها کردن در محاکمات اسکیزوفرنی
کلمات کلیدی
ترجمه چکیده
تجزیه و تحلیل نتایج حاصل از کارآزمایی بالینی تاثیر می گذارد. نادیده گرفتن داده های از دست رفته در هنگام برنامه ریزی، انجام یا تفسیر تجزیه و تحلیل یک کارآزمایی بالینی یک گزینه قابل قبول نیست. اثربخشی مربوط به درمان و داده های ایمنی مشاهده شده در محاکمه ممکن است همیشه در توضیح مکانیسم رها کردن کافی نباشد. با این وجود، این داده های خروج ممکن است اطلاعات مهم مربوط به درمان را حمل کند و خود را به عنوان یک نتیجه به ارمغان بیاورد. تجزیه و تحلیل های سنتی شامل استفاده از رویکرد زمان به رویداد است، فرض بر این است که خطر رهایی افراد تنها مربوط به پروفایل های کارآیی یا ایمنی در یک مطالعه است. یک رویکرد متغیر پنهان برای به وجود آوردن این رویکرد و اجرای یک تابع خطر انقباض انعطاف پذیر در یک پرونده اسکیزوفرنی به کار گرفته شد. این متغیر غیرواقعی غرق شده به طور مشترک برای مدلسازی داده های طولی و شاخص های رد شدن از بین تداخلات استفاده شده است. این تجزیه و تحلیل چارچوبی را برای تسهیم دانش آموزان به طور همزمان با نتایج اثربخشی اولیه و تصمیم گیری هوشمندانه در زمینه توسعه دارو فراهم می کند.
موضوعات مرتبط
علوم زیستی و بیوفناوری علم عصب شناسی روانپزشکی بیولوژیکی
پیش نمایش مقاله
یک رویکرد متغیر پنهان در مدلسازی همزمان داده های طولی و رها کردن در محاکمات اسکیزوفرنی
چکیده انگلیسی
Dropouts impact clinical trial outcome analyses. Ignoring missing data is not an acceptable option when planning, conducting or interpreting the analysis of a clinical trial. Treatment related efficacy and safety data observed in the trial may not always be sufficient in explaining the dropouts' mechanism. Nevertheless, these dropout data may carry important treatment-related information and present as an outcome by itself. Traditional analyses involve the use of the time-to-event approach assuming that the dropouts' hazard is solely related to the efficacy or safety profiles observed in a study. A latent variable approach was developed to generalize this approach and to implement a more flexible dropout hazard function in a schizophrenia trial. This unobserved latent variable was used to jointly model the longitudinal efficacy data and dropout profiles across treatments. The analysis provides a framework to model informative dropouts simultaneously with primary efficacy outcomes and make intelligent decisions in drug development.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: European Neuropsychopharmacology - Volume 23, Issue 11, November 2013, Pages 1570-1576
نویسندگان
, ,