Awọn Idanwo Ile-iwosan

Apẹrẹ idanwo ile-iwosan ati atupale nilo awọn iṣedede giga julọ ti iwulo iṣiro ati imọran idi. Pẹpẹ wa n mu awọn ona econometric ati machine learning ode oni wa lati mu idagbasoke oogun yara si lakoko ti o n ṣetọju ododo iṣakoso ti awọn idanwo nilo.

A n loCausal Machine Learninglati yanju awọn ipenija iṣowo ti o nira.

A mọ daada ninu awọn apẹrẹ idanwo ti o n mu ara wọn ba ti o n lo data ti n ṣajọpọ lati ṣatunṣe awọn iwọn ayẹwo, awọn ilana iwọn lilo, ati awọn ibeere iforukọsilẹ alaisan ni aarin idanwo ni iṣẹ, ti n din iye akoko ati idiyele lapapọ ku. Atupale ẹgbẹ-ẹgbẹ nipa lilo [awọn ona igbo idi](/research#heterogeneous-treatment-effects) n fi awọn olugbe alaisan han ti o ṣeeṣe julọ lati ni anfani lati itoju, ti n jẹ ki awọn ona oogun kongẹ ṣeeṣe. [Isiro ipa itoju ti o yatọ](/research#debiased-ml-cate) n ṣe idamo kii ṣe imunadoko aropin nikan ṣugbọn awọn abuda alaisan wo ni o sọtẹlẹ idahun, ti o ṣe pataki fun iran ẹri aye gidi lẹhin-titaja. A n koju data ti o padanu nipasẹ awọn ilana imputation pupọ ti o da lori imọ-ijinle idi, kii ṣe irọrun iṣiro nikan.

Awọn ile-iṣẹ oogun ti o n lo pẹpẹ wa le din awọn akoko idanwo ku ni pataki lakoko ti wọn n mu awọn abajade alaisan dara si nipasẹ awọn ilana iwọn lilo ati iforukọsilẹ ti o n mu ara wọn ba. Awọn ifisilẹ iṣakoso ni anfani lati atupale ti o han gbangba, ti o ni iwulo sayensi ti awọn ipa itoju kọja awọn ẹgbẹ-ẹgbẹ. Awọn eto abojuto lẹhin-ọja ati awọn eto ẹri aye gidi n gbooro nipa ṣiṣe awari laifọwọyi awọn olugbe alaisan wo ni o ni iriri anfani ti o tobi julọ lati itoju.

Awọn ojutu wa n ṣopọ pẹlu awọn eto data ile-iwosan ati ṣetọju awọn ọna abẹwo ayẹwo ati awọn iwe ti o ni ibamu FDA ni kikun.