Mit der Cloud-Computing-Leistung, die uns heute zur Verfügung steht, können wir Tausende von Designs simulieren, wobei jedes Design 1000-mal repliziert werden kann. Studiendesigns werden jedoch immer komplexer und in den Millionen möglicher Designoptionen das optimale Design zu finden, erfordert eine interaktive Mischung aus qualifizierter Beurteilung und statistischen Modellen. Das beste Design beinhaltet Kompromisse zwischen mehreren Leistungskriterien wie Zeitplänen, Ressourcen, Vorlaufkosten und Studienleistung.
Auf der PSI Online-Konferenz 2021 präsentierte Cytel-Mitbegründer Nitin Patel eine Erörterung über die Anwendung von Operations Research (OR)-Methoden für die Auswahl des Studiendesigns. Nitin demonstrierte zwei Konstrukte zur Optimierung von OR – „Pareto Optimality“ und „Convexity“ – sie ermöglichen eine effiziente Identifikation der besten klinischen Studiendesigns aus einer großen Anzahl simulierter Designs.
Pareto-Optimalität ist ein unkomplizierter und intuitiver Ansatz zur teilweisen Anordnung der Designs. Es kann in Situationen mit mehreren Kriterien verwendet werden, um Kompromisse nicht explizit definieren zu müssen. Für eine gegebene Menge von Designs ist ein Pareto-optimaler Zustand gegeben, soweit es kein anderes Design in der Menge gibt, das ihm hinsichtlich aller Kriterien gleichwertig oder überlegen ist. Strategieplattformen für klinische Studien wie Solara von Cytel sind möglicherweise in der Lage, über tausend Designs für Millionen von Design-Szenarien bereitzustellen. Ein Pareto Front-Konzept kann Sponsoren helfen, schnell zu identifizieren, welches der Designs evaluiert werden soll. In seiner Präsentation zeigt Nitin, wie das Pareto-Optimalitätskonzept sehr effektiv genutzt werden kann, um die Ergebnisse einer großen Anzahl von Versuchsdesign-Simulationen zu sichten und so eine Reihe von Designs zu identifizieren, die kollektiv in einem onkologischen Phase 3 Versuchsdesign allen anderen Designs hinsichtlich der drei Kriterien Leistung, Kosten und Dauer überlegen sind.
Ein anderer häufig verwendeter Ansatz zur Optimierung multipler Kriterien besteht darin, einen gewichteten Durchschnitt der einzelnen Kriterien zu verwenden, um einen numerischen Score zu definieren. Dieser Score kann benutzt werden, um das/die optimale(n) Design(s) aus einer Reihe von Designs zu identifizieren. Das Design mit dem höchsten Score ist immer Teil der konvexen Hülle der Vektoren, die für die Kriterien des Designs definiert wurden. Gewichtungen werden berechnet, indem wir zwischen dem Minimum und Maximum skalieren, wobei das Variieren der Gewichtungen eine Änderung des/der optimale(n) Design(s) zur Folge hat. Das Finden von Designs, die allen möglichen Gewichtungsvektoren entsprechen, führt zu einem Satz optimaler Designs und wird als konvexes Hüllen-Design bezeichnet. Es kann gezeigt werden, dass diese Designs eine Teilmenge von Pareto-effizienten Zuständen sind und daher einige Pareto-Designs möglicherweise nicht in der Menge aller optimalen Designs enthalten sind, für die durch lineare Gewichtungen Scores berechnetet wurden.
Der Hauptvorteil der Verwendung von Pareto- und konvexen Hüllen-Methoden besteht darin, dass das Szenario, bestehend aus Design-Kriterien und Rahmenbedingungen, für alle Versuchsdesigns gilt, die zur Ermittlung des optimalen Designs eine Simulation erfordern. Diese Methoden reduzieren die Anzahl der zu prüfenden Designs drastisch, da schnell erkannt werden kann, welche Designs am besten zu den Geschäftszielen eines Unternehmens passen.
Klicken Sie unten, um mehr über Nitins Vortrag am PSI zu erfahren.
Über die Autorin des Blog:
Mansha Sachdev ist auf die Erstellung von Inhalten und das Wissensmanagement spezialisiert. Sie hat einen MBA-Abschluss und 11 Jahre Erfahrung im Umgang mit verschiedenen Facetten des Marketings in allen Branchen. Bei Cytel ist Mansha Sachdev Content Marketing Managerin und verantwortlich für die Erstellung von informativen Inhalten, die sich auf die Pharma- und Medizinprodukteindustrie beziehen.
