Linear mixed model analysis of change since baseline in clinical trials

Abstract

This thesis examines statistical methods for analyzing treatment effects in ran- domized clinical trials with repeated outcome measures, focusing on cystic fibrosis therapies. The aim is to compare the expected change in the outcome from baseline to final follow-up between two treatment groups. A linear model, a mixed-effects model for repeated measures, and a linear trend model estimated via GEE were applied. Asymptotic variances of treatment effect estimators were derived analyti- cally. A simulation study, based on a real clinical trial, evaluated empirical model performance. All models produced similar treatment effect estimates. The linear trend model achieved lower variance and higher power under correct assumptions but was sensitive to misspecification. The findings suggest that simple linear mod- els can perform comparably to more complex mixed-effects models when estimating treatment effects at the final follow-up.

Diplomová práce se zabývá statistickými metodami pro analýzu efektu léčby v randomizovaných klinických studiích s opakovanými měřeními, se zaměřením na léčbu cystické fibrózy. Cílem je porovnat očekávanou změnu sledované proměnné od výchozího do závěrečného měření mezi dvěma skupinami pacientů. Použili jsme line- ární model, lineární smíšený model pro opakovaná měření a model lineárního trendu odhadovaný metodou GEE. Analyticky jsme odvodili asymptotické rozptyly odhadů efektů léčby. Pomocí simulační studie, založené na struktuře reálné klinické studie, byly vyhodnoceny empirické vlastnosti modelů. Všechny modely poskytly podobné odhady efektu léčby. Model lineárního trendu dosahoval při splnění předpokladů niž- šího rozptylu a vyšší síly testu, avšak byl citlivý na nesprávnou specifikaci modelu. Výsledky naznačují, že jednoduché lineární modely mohou při odhadu efektu léčby v závěrečném měření fungovat srovnatelně dobře jako složitější smíšené modely.