肿瘤临床实验统计学考量
2.1抗肿瘤药物研发
分子靶向药物
免疫治疗
传统细胞毒类药物
2.2探索性试验
2.2.1单剂量探索
1期单剂量探索实验设计
基于算法的设计： “3+3”设计“
基于模型的设计：持续再评估法
模型辅助设计：贝叶斯最优区间设计，键盘设计
伪似然评估，gBOIN
最大耐受剂量MTD&剂量限制毒性DLT
2.2.2联合用药剂量探索
基于算法：3+3设计，A+B设计
基于模型：Logistic模型设计，Copula模型设计
模型复辅助设计：BOIN药物组合设计，Keyboard药物组合设计
2.2.3 OBD探索设计
根据药物特性不同
两阶段无缝①-②期设计
有效性驱动的①-②期设计
基于毒性-有效性权衡的①-②期设计
2.3确证性试验
2.3.1 评价终点
总生存期OS
无进展生存期PFS
客观缓解率ORR
次要疗效指标/探索性指标：症状评估的终点
删失情况进行探索
至疾病进展时间TTP，至治疗失败时间TTF，无病生存期DFS，无事件生存期EFS，下一线治疗后的无进展生存期PFS2
定性指标，基于盲法独立中心评审
区间删失，信息删失
2.3.2 生物标记物的考虑
生物标记物：作为生理过程，病理过程或疗效的指示而可以被客观测量和评价的特征指标
篮子设计
现代高通量的方法
传统免疫组化
最优标记物-自适应设计
标记物存在分类误判的分层设计
阀值问题
:2.3.3 队列研究
2.3.4 样本量估计与再估计
首次人体实试验的计量扩展队列
①期爬坡设计
3+3+DEC
CRM+DEC
无缝剂量爬坡-队列扩展模式
2.3.5 无缝设计
1-2期无缝设计
2-3期无缝设计
3.1 贝叶斯理论介绍
3.2 常见贝叶斯模型
例3.1 贝塔-二项模型----后验均值本质上是先验均值和极大似然估计的加权平均值，权重取决于精度和观测次数
例3.2正态-正态模型：后验均值是先验均值和观测数据提供的信息的加权平均值
权重，精度？最大似然估计
例3.3 有效性试验的正态-正态模型：当先验信息相对于似然函数来说非常模糊，或更希望数据支配后验决策时，常使用无信息先验
例3.4 样本方差未知的正态-正态模型
3.3 贝叶斯推断
3.3.1 点估计（假设参数为单变量）
后验均值（缺少稳健性）
后验中位数（最稳健，不易受分布形状影响）
后验众数（最易计算，但缺少稳健性）
3.3.2 区间估计
定理3.1 贝叶斯中心极限定理：适当正则条件下，当n趋向无穷时，后验分布近似为正态分布，均值等于后验众数，协方差矩阵 等于在众数处减去对数后验的逆Hessian矩阵
Carlin & Louis 《Bayesian methods for data analysis》
3.3.3 假设检验
1.将假设检验问题转化为模型选择问题，将待检验的假设转换为候选模型 2.根据贝叶斯定理式，得到两个模型的后验概率 3.BF=贝叶斯因子，表示候选模型的后验优势与先验优势的比值，即两个模型的边际似然密度之比 4.如果BF>1,认为第一个模型更符合观测数据,反之认为第二个数据更符合观测数据
扩展学习了解
3.4 贝叶斯计算
3.4.2 Metorpolis-Hastings算法
3.4.3 收敛诊断
3.4.1 Gibbs抽样（？）