How to Add Baskets to an Ongoing Basket Trial with Information Borrowing
如何在信息借用下向进行中的篮式试验加入新篮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：摘要主要研究临床篮式试验的信息借用与决策校准，未明确提供所列计量细分方法的充分依据。
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…
如何在信息借用下向进行中的篮式试验加入新篮
- 研究问题
- 在一项治疗覆盖多个患者群体的篮式试验中，如何加入招募时间较短的新群体，并权衡信息借用带来的功效、精度与错误率变化？
- 方法与思路
- 作者比较向进行中试验及借用模型加入新篮的策略，提出决策标准校准方法，并通过模拟评估一类错误控制、估计精度及功效。
- 材料陈述的贡献
- 摘要称，信息借用可明显提高新篮的功效，但可能推高错误率；提出的校准可降低这一风险，并讨论加入现有试验何时优于单独研究。
- 阅读关注点
- 应核对跨篮借用的模型和异质性设定、新篮加入时间、校准所针对的错误率，以及与独立试验比较时样本量等条件是否一致。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未给出校准规则、模拟情景或数值，不能认定所有加入策略均能控制错误率。
原文摘要
Basket trials test a single therapeutic treatment on several patient populations under one master protocol. A desirable adaptive design feature in these studies may be the incorporation of new baskets to an ongoing study. Limited basket sample sizes can cause issues in power and precision of treatment effect estimates which could be amplified in added baskets due to the shortened recruitment time. While various Bayesian information borrowing techniques have been introduced to tackle the issue of small sample sizes, the impact of including new baskets in the trial and into the borrowing model has yet to be investigated. We explore approaches for adding baskets to an ongoing trial under information borrowing and highlight when it is beneficial to add a basket compared to running a separate investigation for new baskets. We also propose a novel calibration approach for the decision criteria that is more robust to false decision making. Simulation studies are conducted to assess the performance of approaches which is monitored primarily through type I error control and precision of estimates. Results display a substantial improvement in power for a new basket when information borrowing is utilized, however, this comes with potential inflation of error rates which can be shown to be reduced under the proposed calibration procedure.