Methods for generalizing RCT results to a target population
Aree / Gruppi di ricerca
Partecipanti al progetto
- Berchialla Paola
- Sciannameo Veronica
- Gian Paolo Fadini
Descrizione del progetto
Methods for generalizing RCT results to a target population are based on aggregated data of RCT and individual data of the target population. The main limitation of this approach is that it is not able to consider the probabilistic relationships between variables. Multivariable Bayesian graphical models can instead account for the joint distributions of multiple continuous and categorical variables.
To apply this method, we obtained individual data from both REWIND (RCT) and DARWIN-T2D (target population data) studies. We will combine individual data from the REWIND trial and theDARWIN-T2D to model dependencies between variables in the target population and to estimates appropriate weights for REWIND participants. The Peter–Clark stable algorithm with a 100-fold bootstrap will be employed for the structural learning of the Bayesian graphical models, i.e. for identifying the relationships among variables. A more robust Bayesian graphical model will be obtained by averaging the 100 Bayesian graphical models learned, considering only the relationships among variables present in at least 95% of times. Finally, within the weighted REWIND trial, we will estimate the treatment effect transposed to the target population.
I metodi per generalizzare i risultati degli studi clinici randomizzati (RCT) a una popolazione target si basano sui dati aggregati degli RCT stessi e dati individuali della popolazione target. Il principale limite di questo approccio è che non è in grado di considerare le relazioni probabilistiche tra variabili. I modelli grafici Bayesiani multivariabili possono invece tenere conto delle distribuzioni congiunte di più variabili continue e categoriali.
Per applicare questo metodo, abbiamo ottenuto i dati individuali degli studi REWIND (RCT) e DARWIN-T2D (dati di popolazione target). Combineremo i dati individuali dello studio REWIND e del DARWIN-T2D per modellare le dipendenze tra le variabili nella popolazione target e per stimare la probabilità di essere selezionati nell’RCT REWIND. L'algoritmo stabile di Peter-Clark volte sarà utilizzato per l'apprendimento strutturale dei modelli grafici Bayesiani, ovvero per identificare le relazioni tra le variabili. Un modello grafico Bayesiano più robusto sarà ottenuto una procedura bootstrap, considerando solo le relazioni tra variabili presenti in almeno il 95% dei modelli. Infine, all'interno dello studio REWIND, valuteremo l'effetto del trattamento trasposto alla popolazione target.