Improving Adaptive Seamless Designs through Bayesian optimization
通过贝叶斯优化改进自适应无缝试验设计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究临床试验设计的黑箱功效优化，并未提出处理效应识别或所列经济计量模型，现有文本不足以选择细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过贝叶斯优化改进自适应无缝试验设计
- 研究问题
- 当临床试验的候选设计很多、逐一模拟检验功效成本很高时，如何在给定处理效应和总样本量下快速找到高功效设计？
- 方法与思路
- 作者使用贝叶斯优化，以回归代理模型引导昂贵黑箱功效函数的搜索，并在不同处理效应配置下优化自适应无缝试验设计。
- 材料陈述的贡献
- 摘要称相较穷举所有候选设计，贝叶斯优化能用较少时间找到具有竞争力的设计，但未报告具体时间节约或功效差异。
- 阅读关注点
- 应核对代理模型、搜索策略与功效模拟噪声的处理，以及设计约束、停止规则和总计算预算；检查与穷举比较是否使用一致条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出优化细节、误差控制或数值结果，不能认定获得全局最优设计。
原文摘要
We propose to use Bayesian optimization (BO) to improve the efficiency of the design selection process in clinical trials. BO is a method to optimize expensive black-box functions, by using a regression as a surrogate to guide the search. In clinical trials, planning test procedures and sample sizes is a crucial task. A common goal is to maximize the test power, given a set of treatments, corresponding effect sizes, and a total number of samples. From a wide range of possible designs we aim to select the best one in a short time to allow quick decisions. The standard approach to simulate the power for each single design can become too time-consuming. When the number of possible designs becomes very large, either large computational resources are required or an exhaustive exploration of all possible designs takes too long. Here, we propose to use BO to quickly find a clinical trial design with high power from a large number of candidate designs. We demonstrate the effectiveness of our approach by optimizing the power of adaptive seamless designs for different sets of treatment effect sizes. Comparing BO with an exhaustive evaluation of all candidate designs shows that BO finds competitive designs in a fraction of the time.