Evaluating Analytical Strategies for Estimating Time Effects in Master Observational Trials (MOTs) including Trials-within-a-Cohort (TwiCs) - A Simulation Study
Introduction: Master Observational Trials (MOTs) are a new type of longitudinal cohort study which include embedded Trials-within-a-Cohort (TwiCs) to evaluate novel treatments. New treatments administered in TwiCs confound the estimation of patient outcome trajectories in the MOT. We evaluated 4 analytical strategies for estimating time effects in MOTs with TwiCs. Methods: We simulated longitudinal MOTs with TwiCs using linear mixed-effects models. We compared the bias, RMSE, and power of analytical strategies across scenarios varying the effect size, sample size, allocation, and number of TwiCs. Results: Evaluation metrics were insensitive to the number and effect sizes of TwiCs but declined with larger sample sizes and uneven allocation. The full model adjusting time-varying TwiC effects had the lowest RMSE and highest power; the model without adjustment was biased. In MOTs with TwiCs, models that account for TwiC effects can more reliably estimate outcome trajectories.
Évaluation des stratégies analytiques pour estimer les effets temporels dans les essais observationnels maîtres (MOT), y compris les essais au sein d'une cohorte (TwiC) - Une étude de simulation
Introduction : Les essais observationnels maîtres (MOT) sont un nouveau type d'étude de cohorte longitudinale qui inclut des essais au sein d'une cohorte (TwiC) pour évaluer de nouveaux traitements. Les nouveaux traitements administrés dans les TwiC brouillent l'estimation des trajectoires des résultats des patients dans les MOT. Nous évaluons quatre stratégies analytiques pour estimer les effets temporels dans les MOT avec TwiC. Méthodes : Nous simulons des MOT longitudinaux avec TwiC à l'aide de modèles linéaires à effets mixtes. Nous comparons le biais, l'erreur quadratique moyenne et la puissance des stratégies analytiques dans différents scénarios en faisant varier la taille de l'effet, la taille de l'échantillon, la répartition et le nombre de TwiC. Résultats : Les mesures d'évaluation sont insensibles au nombre et à l'ampleur des effets des TwiC, mais diminuent lorsque la taille des échantillons augmente et la répartition est inégale. Le modèle complet ajustant les effets TwiC variables dans le temps présente l'erreur quadratique moyenne la plus faible et la puissance la plus élevée; le modèle sans ajustement est biaisé. Dans les MOT avec TwiC, les modèles qui tiennent compte des effets TwiC permettent d'estimer de manière plus fiable les trajectoires des résultats.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English