Small Sample Challenges for Comparative Efficacy Research in Rare Diseases: Towards Best Practices
Modern drug development is increasingly focusing on targeting specific mutations or biomarkers, resulting in narrower patient populations and small sample sizes. This presents particular challenges for comparative efficacy research because the resulting small sample sizes can further complicate the application of traditional statistical methods used to reduce bias.
We outline how small sample sizes can impact the application of outcome regression, weighting, and matching methods when used to compare treatment outcomes in the absence of randomization. We highlight best practices for model choice and parameterization, estimand specification, and standard error estimation, particularly in relation to issues of model stability. Lastly, we emphasize the importance of decision rule choices that account for variance-bias trade-offs and discuss potential applications of Bayesian approaches.
We outline how small sample sizes can impact the application of outcome regression, weighting, and matching methods when used to compare treatment outcomes in the absence of randomization. We highlight best practices for model choice and parameterization, estimand specification, and standard error estimation, particularly in relation to issues of model stability. Lastly, we emphasize the importance of decision rule choices that account for variance-bias trade-offs and discuss potential applications of Bayesian approaches.
Les défis liés aux petits échantillons dans la recherche comparative sur l'efficacité des traitements des maladies rares : vers des pratiques exemplaires
Le développement moderne des médicaments se concentre de plus en plus sur des mutations ou des biomarqueurs précis, ce qui se traduit par des populations de patients plus restreintes et des échantillons de petite taille. Cela pose des défis particuliers pour la recherche comparative sur l'efficacité, car la petite taille des échantillons qui en résulte peut compliquer davantage l'application des méthodes statistiques traditionnelles utilisées pour réduire les biais.
Nous décrivons comment la petite taille des échantillons peut avoir un impact sur l'application des méthodes de régression, de pondération et d'appariement lorsqu'elles sont utilisées pour comparer les résultats des traitements en l'absence de randomisation. Nous mettons en évidence les meilleures pratiques en matière de choix et de paramétrage des modèles, de spécification des estimandes et d'estimation des erreurs types, en particulier en ce qui concerne les questions de stabilité des modèles. Enfin, nous soulignons l'importance des choix de règles de décision qui tiennent compte des compromis entre variance et biais et discutons des applications potentielles des approches bayésiennes.
Nous décrivons comment la petite taille des échantillons peut avoir un impact sur l'application des méthodes de régression, de pondération et d'appariement lorsqu'elles sont utilisées pour comparer les résultats des traitements en l'absence de randomisation. Nous mettons en évidence les meilleures pratiques en matière de choix et de paramétrage des modèles, de spécification des estimandes et d'estimation des erreurs types, en particulier en ce qui concerne les questions de stabilité des modèles. Enfin, nous soulignons l'importance des choix de règles de décision qui tiennent compte des compromis entre variance et biais et discutons des applications potentielles des approches bayésiennes.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais