光华讲坛——社会名流与企业家论坛第 期

主 题：Optimizing treatment allocation in randomized clinical trials by leveraging baseline covariates利用基线协变量优化随机临床试验中的治疗分配

主讲人：中国科学院数学与系统科学研究院张维副研究员

主持人：统计学院林华珍教授

时间：2023年6月29日（周四）下午15:00-16:00

举办地点：柳林校区弘远楼408会议室

主办单位：统计研究中心和统计学院 科研处

主讲人简介：

张维，中国科学院数学与系统科学研究院副研究员。2016年于中国科学院数学与系统科学研究院获统计学博士学位，2016-2017年在美国耶鲁大学生物统计系和2017-2020年在美国国家卫生研究院从事博士后研究；研究方向是生物医学统计，主要包括分组检测、临床试验、诊断医学及遗传关联分析等领域的统计理论、方法和应用；发表SCI论文30余篇。曾获国家青年人才计划项目和中科院青年人才计划项目资助。

内容简介：

We consider the problem of optimizing treatment allocation for statistical efficiency in randomized clinical trials. Optimal allocation has been studied previously for simple treatment effect estimators such as the sample mean difference, which are not fully efficient in the presence of baseline covariates. More efficient estimators can be obtained by incorporating covariate information, and modern machine learning methods make it increasingly feasible to approach full efficiency. Accordingly, we derive the optimal allocation ratio by maximizing the design efficiency of a randomized trial, assuming that an efficient estimator will be used for analysis. We then expand the scope of optimization by considering covariate-dependent randomization (CDR), which has some flavor of an observational study but provides the same level of scientific rigor as a standard randomized trial. We describe treatment effect estimators that are consistent, asymptotically normal and (nearly) efficient under CDR, and derive the optimal propensity score by maximizing the design efficiency of a CDR trial (under the assumption that an efficient estimator will be used for analysis). Our optimality results translate into optimal designs that improve upon standard practice. Real world examples and simulation results demonstrate that the proposed designs can produce substantial efficiency improvements in realistic settings.

我们考虑在随机临床试验中针对统计效率来优化治疗分配的问题。对于简单的治疗效果估计量(如样本均值差)，以前已经研究了最优分配，但在基线协变量存在时，这些估计量并不完全有效。通过结合协变量信息可以获得更有效的估计量，现代机器学习方法使其越来越有可能接近于完全有效。因此，我们通过最大化随机试验的设计效率来推导最佳分配比例，假设使用有效的估计量进行分析。然后，我们通过考虑与协变量相关的随机化(CDR)来扩大优化的范围，它有一些观察性研究的含义，但可以提供与标准随机试验相同水平的科学严格性。我们描述了在CDR下治疗效果估计量是一致的、渐近正态的和(接近)有效的，并通过最大化CDR试验的设计效率(在假设将使用有效估计量进行分析的情况下)推导出最优倾向得分。我们的优化结果可以转化为改进标准做法的最佳设计。实际例子和仿真结果表明，所提出的设计可以在现实环境中产生实质性的效率提高。