Go to the content. | Move to the navigation | Go to the site search | Go to the menu | Contacts | Accessibility

| Create Account

Vilakati, S.E (2017) Inference Following Two-Stage Randomization Designs with Survival Endpoints. [Ph.D. thesis]

Full text disponibile come:

[img]PDF Document
Thesis not accessible until 01 November 2020 for intellectual property related reasons.
Visibile to: nobody

917Kb

Abstract (english)

Treatment of complex diseases such as cancer, HIV, leukemia and depression usually follows complex treatment sequences. In two-stage randomization designs, patients are randomized to first-stage treatments, and upon response, a second randomization to the second-stage treatments is done. The clinical goal in such trials is to achieve a response such as complete remission of leukemia, 50% shrinkage of solid tumor or increase in CD4 count in HIV patients. These responses are presumed to predict longer survival.

The focus in two-stage randomization designs with survival endpoints is on estimating survival distributions and comparing different treatment policies. In this thesis, we make contributions in these two areas. A simulation study is conducted to compare three non-parametric methods for estimating survival distributions. A parametric method is proposed for estimating survival distributions in time-varying SMART designs. The proposed estimator is studied using simulations and also applied to a clinical trial dataset. Thirdly, we propose a method for comparing different treatment policies. The new method works well even if the survival curves from the treatment policies cross. Simulation studies show that the new method has better statistical power than the weighted log-rank test in cases where survival curves cross. The last part of this thesis focuses on analyzing adverse events data from two-stage randomization designs. We develop a methodology for analyzing adverse events data in the competing risk setting which has been applied to a leukemia clinical trial dataset.

Abstract (italian)

Il trattamento di malattie complesse come cancro, AIDS, leucemia e depressione richiedono solitamente l’applicazione sequenziale di terapie complesse multiple. Nei disegni randomizzati a due stadi, inizialmente i pazienti sono randomizzati al primo stadio di trattamenti, e successivamente, sulla base della risposta al trattamento, i pazienti sono randomizzati ad un secondo stadio di trattamenti. In questi studi randomizzati, l’obiettivo clinico è quello di ottenere una risposta all’intero piano di trattamento, come per esempio la remissione completa dalla leucemia, la riduzione del 50% di un tumore solido, o l’aumento della proteina CD4 in pazienti con infezioneda HIV. Si presume che la risposta al trattamento possa predire una sopravvivenza più lunga.

Nei disegni randomizzati a due stadi che coinvolgono una risposta sul tempo di so pravvivenza, l’interesse principale è rivolto sia a stimare le distribuzioni di sopravvivenza sia a confrontare le variepolitiche di trattamento. La tesi di dottorato fornisce contributi di ricerca su questi due aspetti. È stato condotto uno studio di simulazione per confrontare diversi metodi non arametriciesistenti in letteratura per la stima delle distribuzioni di sopravvivenza. È stato proposto un metodo parametrico per stimarele distribuzioni di sopravvivenza in disegni randomizzati a due stadi di tipo SMART tempo-dipendente (“time-varying SMART designs”). Lo stimatore proposto è stato verificato tramite studi di simulazione ed è stato applicato a dati relativi a prove cliniche di trattamenti per la leucemia.

In terzo luogo, è stato proposto un metodo di verifica di ipotesi per il confronto delle diverse strategie di trattamento, sotto l’assunzione di non proporzionalità delle funzioni di sopravvivenza. Questo metodo risulta particolarmenteutile quando le funzionidi so pravvivenza stimata si incrociano tra loro. Gli studi di simulazione condotti su questo metodo hanno mostrato che esso presenta una potenza più elevata rispetto al test pesato dei ranghi logaritmici, nel caso in cui le curve di sopravvivenza si incrociano e non sono quindi proporzionali tra loro. L’ultima parte della tesi si concentra sull’analisi di eventi avversi nell’ambito degli studi randomizzati a due stadi. È stata sviluppata una metodologia per analizzare dati relativi ad eventi avversi, che si basa anche sui modelli a rischi competitivi. Questa metodologia è stata poi applicata per analizzare dati di eventi avversi in prove cliniche di trattamenti per la leucemia.

EPrint type:Ph.D. thesis
Tutor:Cortese, G
Supervisor:Cortese, G
Ph.D. course:Ciclo 30 > Corsi 30 > SCIENZE STATISTICHE
Data di deposito della tesi:17 February 2018
Anno di Pubblicazione:31 October 2017
Key Words:Inference, Two-Stage Randomization Designs, Survival Endpoints
Settori scientifico-disciplinari MIUR:Area 13 - Scienze economiche e statistiche > SECS-S/01 Statistica
Struttura di riferimento:Dipartimenti > Dipartimento di Scienze Statistiche
Codice ID:11157
Depositato il:25 Oct 2018 15:58
Simple Metadata
Full Metadata
EndNote Format

Bibliografia

I riferimenti della bibliografia possono essere cercati con Cerca la citazione di AIRE, copiando il titolo dell'articolo (o del libro) e la rivista (se presente) nei campi appositi di "Cerca la Citazione di AIRE".
Le url contenute in alcuni riferimenti sono raggiungibili cliccando sul link alla fine della citazione (Vai!) e tramite Google (Ricerca con Google). Il risultato dipende dalla formattazione della citazione.

Allignol, A., Beyersmann, J., and Schmoor, C. (2016). Statistical issues in the analysis of adverse events in time-to-event data. Pharmaceutical statistics, 15(4):297–305. Cerca con Google

Bessate, A. and El Bouanani, F. (2016). A very tight approximate results of MRC receivers over independent weibull fading channels. Physical Communication, 21:30–40. Cerca con Google

Brigham, E. O. and Morrow, R. (1967). The fast fourier transform. IEEE spectrum, 4(12):63–70. Cerca con Google

Cheson, B. D., Cassileth, P. A., Head, D. R., Schiffer, C. A., Bennett, J. M., Bloomfield, C. D., Brunning, R., Gale, R. P., Grever, M. R., and Keating, M. J. (1990). Report of the national cancer institute-sponsored workshop on definitions of diagnosis and response in acute myeloid leukemia. Journal of Clinical Oncology, 8(5):813–819. Cerca con Google

Chow, S.-C. and Liu, J.-P. (2008). Design and analysis of clinical trials: concepts and methodologies, volume 507. John Wiley & Sons. Cerca con Google

Collett, D. (2015). Modelling survival data in medical research. CRC press. Cerca con Google

Dai, T. and Shete, S. (2016). Time-varying SMART design and data analysis methods for evaluating adaptive intervention effects. BMC Medical Research Methodology, 16(1):112. Cerca con Google

Efron, B. and Tibshirani, R. J. (1994). An introduction to the bootstrap. CRC press. Cerca con Google

Gould, A. L. (2015). Statistical methods for evaluating safety in medical product development. John Wiley & Sons. Cerca con Google

Guo, X. (2005). Statistical analysis in two stage randomization designs in clinical trials. PhD thesis, Department of Statistics, North Carolina State University. Cerca con Google

Guo, X. and Tsiatis, A. (2005). A weighted risk set estimator for survival distributions in two-stage randomization designs with censored survival data. Int J Biostat, 1:1–15. Cerca con Google

Holland, P. W. (1986). Statistics and causal inference. Journal of the American statistical Association, 81(396):945–960. Cerca con Google

Kidwell, K. M. and Hyde, L. W. (2016). Adaptive interventions and SMART designs: Application to child behavior research in a community setting. American Journal of Evaluation, 37(3):344–363. Cerca con Google

Kidwell, K. M. and Wahed, A. S. (2013). Weighted log-rank statistic to compare shared-path adaptive treatment strategies. Biostatistics, pages 1–14. Cerca con Google

Klein, J. P., Logan, B., Harhoff, M., and Andersen, P. K. (2007). Analyzing survival curves at a fixed point in time. Statistics in medicine, 26(24):4505–4519. Cerca con Google

Kolitz, J. E., George, S. L., Marcucci, G., Vij, R., Powell, B. L., Allen, S. L., DeAngelo, D. J., Shea, T. C., Stock, W., Baer, M. R., et al. (2010). P-glycoprotein inhibition using valspodar (PSC-833) does not improve outcomes for patients younger than age 60 years with newly diagnosed acute myeloid leukemia: Cancer and Leukemia Group B study 19808. Blood, 116(9):1413–1421. Cerca con Google

Li, H., Han, D., Hou, Y., Chen, H., and Chen, Z. (2015). Statistical inference methods for two crossing survival curves: a comparison of methods. PLoS One, 10(1):e0116774. Cerca con Google

Lin, X. and Xu, Q. (2010). A new method for the comparison of survival distributions. Pharmaceutical statistics, 9(1):67–76. Cerca con Google

Lokhnygina, Y. and Helterbrand, J. D. (2007). Cox regression methods for two-stage randomization designs. Biometrics, 63(2):422–428. Cerca con Google

Lunceford, J. K., Davidian, M., and Tsiatis, A. A. (2002). Estimation of survival distributions of treatment policies in two-stage randomization designs in clinical trials. Biometrics, pages 48–57. Cerca con Google

McLachlan, G. and McGiffin, D. (1993). On the role of finite mixture models Cerca con Google

in survival analysis. Statistical methods in medical research, 3(3):211–226. Cerca con Google

Miyahara, S. and Wahed, A. S. (2010). Weighted Kaplan–Meier estimators for two-stage treatment regimes. Statistics in medicine, 29(25):2581–2591. Cerca con Google

Nahum-Shani, I., Qian, M., Almirall, D., Pelham, W. E., Gnagy, B., Fabiano, G. A., Waxmonsky, J. G., Yu, J., and Murphy, S. A. (2012). Experimental design and primary data analysis methods for comparing adaptive interventions. Psychological methods, 17(4):457. Cerca con Google

Robins, J. M., Rotnitzky, A., and Zhao, L. P. (1994). Estimation of regression coefficients when some regressors are not always observed. Journal of the American Statistical Association, 89(427):846–866. Cerca con Google

Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and non randomized studies. Journal of educational Psychology, 66(5):688. Cerca con Google

Ruckdeschel, P. and Kohl, M. (2010). General purpose convolution algorithm in s4-classes by means of fft. arXiv preprint arXiv:1006.0764. Cerca con Google

Schmoor, C., Bender, R., Beyersmann, J., Kieser, M., and Schumacher, M. (2016). Adverse event development in clinical oncology trials. The Lancet Oncology, 17(7):e263–e264. Cerca con Google

Tang, X. and Melguizo, M. (2005). DTR: An R package for estimation and comparison of survival outcomes of dynamic treatment regimes. Journal of Statistical Software, 65(7):1–28. Cerca con Google

Thall, P. F., Sung, H.-G., and Estey, E. H. (2002). Selecting therapeutic strategies based on efficacy and death in multicourse clinical trials. Journal of the American Statistical Association, 97(457). Cerca con Google

Thanarajasingam, G., Atherton, P. J., Novotny, P. J., Loprinzi, C. L., Sloan, J. A., and Grothey, A. (2016). Longitudinal adverse event assessment in oncology clinical trials: the toxicity over time (ToxT) analysis of Alliance trials NCCTG N9741 and 979254. The Lancet Oncology, 17(5):663–670. Cerca con Google

Wahed, A. S. (2010). Inference for two-stage adaptive treatment strategies using mixture distributions. J R Stat Soc: Ser C (Appl Stat), 59:1–18. Cerca con Google

Solo per lo Staff dell Archivio: Modifica questo record