ABSTRAK
Probabilitas prediktif Bayesian umumnya digunakan untuk pemantauan sementara uji klinis melalui aturan penghentian efikasi dan kesia-siaan. Meskipun bermanfaat, perhitungan probabilitas prediktif, khususnya dalam simulasi uji pra-eksperimen, dapat menjadi tantangan yang signifikan. Kami memperkenalkan perkiraan untuk menghitung probabilitas prediktif menggunakan
-nilai atau probabilitas posterior yang secara signifikan mengurangi beban ini. Kami menunjukkan bahwa aproksimasi tersebut memiliki tingkat kesesuaian yang tinggi dengan metode imputasi Monte Carlo standar untuk menghitung probabilitas prediktif, dan menyajikan lima studi simulasi yang membandingkan aproksimasi tersebut dengan probabilitas prediktif penuh untuk berbagai strategi analisis primer: Titik akhir dikotomi, waktu-ke-peristiwa, dan ordinal, serta peminjaman historis dan pemodelan longitudinal. Kami menemukan bahwa metode aproksimasi probabilitas prediktif yang lebih cepat ini bekerja dengan baik di kelima aplikasi, sehingga secara signifikan mengurangi beban komputasi simulasi uji coba, yang memungkinkan lebih banyak uji coba virtual untuk disimulasikan guna mencapai presisi yang lebih tinggi dalam memperkirakan karakteristik operasi uji coba.