30.07.2025, 14:00 Uhr

Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien

Titel: Identification of subgroups in clinical trials with a time-to-event endpoint

Kurzfassung:

Traditionelle klinische Studien gehen von homogenen Behandlungseffekten uber die gesamte
Patient:innenpopulation aus, eine Annahme, die insbesondere in der Onkologie häufig nicht zutrifft. 
Zum Beispiel in personalisierten Therapieansätzen, bei denen Behandlungsentscheidungen auf 
patientenspezifischen Screening-Ergebnissen basieren, kann jede Therapieempfehlung eine eigene 
Subgruppe bilden. Diese Arbeit befasst sich mit der Pla- nung und Auswertung solcher klinischer 
Studien mit Endpunkten aus der Ereigniszeit- analyse. Ein besonderer Fokus ist auf der 
Identifikation und Analyse von Subgruppen- effekten sowie der Notwendigkeit flexiblerer 
Studiendesigns.
Motiviert durch eine klinische Studie, die eine durch Medikamentenscreening gesteuerte Behandlung 
mit der Standardtherapie vergleicht, werden zwei Studiendesigns evaluiert: ein klassisch 
randomisiertes kontrolliertes Studiendesign (RCT) und ein sogenanntes Basket Design. In einer 
simulationsbasierten Studie werden Rekrutierungsstrategien, Subgruppenprävalenz, statistische 
Power und Kontrolle des Typ I Fehler Rate unter ver- schiedenen Bedingungen untersucht. Restriktive 
Rekrutierungsstrategien verbessern die Subgruppenverteilung und die statistische Präzision, sind 
jedoch aufgrund des erhöhten Stichprobenumfangs und längerer Rekrutierungszeiten häufig nicht 
praktikabel. Bas- ket Designs ermöglichen eine bessere Balance der Subgruppengrößen und eine Ran- 
domisierung innerhalb der Subgruppen, erfordern jedoch ein initiales Screening aller Teilnehmenden 
und bringen damit logistische Herausforderungen mit sich.
In Bezug auf die Auswertung wurden insbesondere dynamische Borrowing Methoden mit stratifiziertem 
Basis-Hazard als vorteilhaft identfiziert. Sie verbesserten die Power und hielten gleichzeitig die 
Typ I Fehlerrate unter Kontrolle im globalen Null Szenarien. Nicht-stratifizierte dynamische 
Borrowing Ansätze sowie Methoden mit gemeinsamer Kontrollgruppe zeigten unter bestimmten 
Bedingungen eine höhere Power, jedoch bei subgruppenspezifischen Effekten oder prognostischen 
Unterschieden auch eine erhöhte Typ I Fehlerrate auf. Separate Analysen für jede Subgruppe boten 
zwar eine robuste Fehlerkontrolle in allen Szenarien, waren jedoch weniger sensitiv für echte 
Subgruppen- effekte.
Die vorliegende Arbeit untersucht die zentralen Konflkte zwischen Designkomplexität, praktischer 
Umsetzbarkeit und statistischer Aussagekraft bei Studien zu personalisierten Therapien. Sie gibt 
Empfehlungen zur Auswahl geeigneter Studiendesigns sowie zur Entscheidung zwischen Borrowing- und 
Non-Borrowing-Ansätzen, abhängig von den Eigenschaften der Subgruppen, der Heterogenität der 
Behandlungseffekte und den praktischen Rahmenbedingungen.