Πρόβλεψη πρόωρου τερματισμού κλινικών δοκιμών με μοντέλα μηχανικής μάθησης vs κλασσικής παλινδρόμησης, βάση ανάλυσης των χαρακτηριστικών σχεδιασμού τους

Πρόβλημα/Υπόβαθρο: Ο πρόωρος τερματισμός των κλινικών δοκιμών έχει ως αποτέλεσμα τη σπατάλη πόρων, ανθρώπινου δυναμικού αλλά και χρηματοδοτήσεων. Το αντίκτυπο είναι μεγαλύτερο σε προχωρημένες φάσεις, όπως η 3, δεδομένου του μεγαλύτερου μεγέθους των παραπάνω. Οι λόγοι μπορεί να οφείλονται μεταξύ άλλων, στα ίδια τα χαρακτηριστικά σχεδιασμού της έρευνας. Συνεπώς, ο τερματισμός μιας τόσο σύνθετης ερευνητικής διαδικασίας είναι πολύ παραγοντικός αλλά και μοναδικός για την εκάστοτε κλινική δοκιμή. Το σύμπλεγμα αιτιών καθίσταται συχνά δύσκολα ανιχνεύσιμο από τα κλασσικά μοντέλα πρόβλεψης, όταν αντίθετα τα μοντέλα μηχανικής μάθησης εκπαιδεύονται συγκεκριμένα στα εκάστοτε δεδομένα. Σκοπός: Το περιεχόμενο της παρούσας εργασίας είναι η ανάλυση των χαρακτηριστικών των κλινικών δοκίμων, μέσω μοντέλων πρόβλεψης της πιθανότητας πρόωρου τερματισμού τους. Η αναγνώριση των χαρακτηριστικών αυτών μπορεί να συμβάλλει στη βελτίωση του σχεδιασμού των κλινικών δοκιμών και κατ’ επέκταση στην επαρκέστερη διαχείριση των ανωτέρω πόρων. Μέθοδοι: Για το σκοπό αυτό αναλύθηκαν οι κλινικές δοκιμές φάσης 1 έως 4 του διαστήματος 2011-2024 από το https://www.clinicaltrials.gov/ και https://aact.ctti-clinicaltrials.org/ . Για κάθε φάση ξεχωριστά, εκπαιδεύτηκαν μοντέλα μηχανικής μάθησης και κλασσικής παλινδρόμησης σε δεδομένα σχεδιασμού - αποτελέσματος και συγκρίθηκε η μεταξύ τους απόδοσή. Πιο συγκεκριμένα, μοντέλα κλασσικής στατιστικής όπως Logistic, LDA, QDA, συγκρίθηκαν με μοντέλα μηχανικής μάθησης KNN, SVC, Gradient Boosting, XGBoost μέσω ROC/PR Curves κ.α. Αποτελέσματα: Το μοντέλο που υπερίσχυσε σε όλες τις φάσεις ως προς τα ROC/PR AUCς αλλά και στις περισσότερες εκ των υπολοίπων μετρήσεων ήταν το XGBoost και το LightBoost. Τα αποτελέσματα ως προς τις σημαντικότερες εκ των μεταβλητών εκτιμήθηκαν με SHAP plots και δευτερευόντως με logistic regression βάση των μεταβλητών που υπέδειξαν τα SHAP plots.. Διαπιστώθηκε ότι ο μειωμένος αριθμός συμμετεχόντων εμφανίζεται ως το κυρίαρχο χαρακτηριστικό που προβλέπει πρόωρη λήξη, ενώ ο αριθμός των δομών το αμέσως επόμενο. Δευτερεύουσες μεταβλητές είναι, συγκεκριμένα πεδία ασθενειών όπως τα νεοπλάσματα, οι υγιείς εθελοντές, οι συμμετέχοντες μεγαλύτερης ηλικίας, τυχαιοποίηση κτλ. Η συνεισφορά των χαρακτηριστικών φαίνεται να σχετίζεται με φάσεις, ερευνητικές φάσεις ερευνητικούς στόχους ή χαρακτηριστικά σχεδιασμού. Για παράδειγμα, η τυχαιοποίηση και το placebo εμφανίζονται στη φάση 3 όπου ο σχεδιασμός είναι πολύ σημαντικός και μάλιστα χαρακτηρίζεται και ως «συγκρίσεως θεραπείας». Συζήτηση/Συμπεράσματα: Τα αποτελέσματα τη παρούσας εργασίας, συμφωνούν σε μεγάλο βαθμό με την προ υπάρχουσα βιβλιογραφία. Η επιπλέον συνεισφορά της εντοπίζεται στην ευρύτερη μελέτη των παραγόντων πρόωρου τερματισμού. Αναλυτικότερα, η ανάλυση εμπεριείχε όλες τις φάσεις από 1 έως 4, και πραγματοποιήθηκε ανά φάση ξεχωριστά. Αναλύθηκαν όσο περισσότερα χαρακτηριστικά σχεδιασμού μιας κλινικής δοκιμής. Τέλος, συγκρίθηκε μεγαλύτερος αριθμός μοντέλων από ότι έχει πραγματευτεί η βιβλιογραφία. Μετέπειτα αναλύσεις μπορούν αν βασιστούν ανά φάση, ανά έκβαση μια κλινικής δοκιμής και σε αλληλεπιδράσεις μεταξύ των παραμέτρων. Τα στοιχεία αυτής και αντίστοιχων μελετών, μπορούν να συμβάλλουν στον προσεκτικότερο σχεδιασμό μιας κλινικής δοκιμής, στα σημεία που εμφανίζονται ως παράγοντες πρόωρου τερματισμού. Μάλιστα, η σχετική βιβλιογραφία μπορεί να αξιοποιηθεί για τις αναλύσεις των ίδιων των δημόσιων αποθετηρίων όπως το ClinicalTrials.gov, με σκοπό τον εντοπισμό αντίστοιχων ερευνών με αυτά τα χαρακτηριστικά πρόωρου τερματισμού. Αποτέλεσμα αυτού είναι η βελτίωση διαχείρισης οικονομικών και ανθρώπινων πόρων αλλά και η ασφαλέστερη έκθεση των εθελοντών σε έρευνες με ουσιαστική συνεισφορά στις επιστήμες υγείας. Βασικός παράγοντας για να επιτευχθούν με ακρίβεια τα παραπάνω, είναι η βελτίωση και η σωστή διατήρηση της ποιότητας των δεδομένων.

Authors dc:creator

• Ανδρέου Ευγενία-Σπυριδούλα
• Andreou Evgenia-Spyridoula

• Επιστήμες Υγείας
• Health Sciences

Language dc:language

English

Identifier

uoadl:5357644

OAI identifier oai:identifier

oai:lib.uoa.gr:uoadl:5357644