Designs adaptatifs, Statistiques Bayésiennes, Études de Phase II/III, Sélection de traitement, Sélection de sous-groupes

Ce travail de recherche est consacré aux essais cliniques sans interruption (seamless) de phase II/III et à la sélection de dose ou de sous population dans ce contexte. Les deux articles de recherche exposés dans le manuscrit de thèse utilisent des méthodes Bayésiennes lors de l'analyse intermédiaire, et ce, afin de sélectionner le sous-groupe ou la dose la plus prometteuse pour la phase III d'efficacité. Les designs des deux papiers s'inspirent de l'essai clinique de phase II/III Atalante-1. La première partie de l'essai utilise les taux de survie à un an comme critère principal, tandis que l'analyse finale utilise la survie globale. Le premier article s'intéresse à la sélection du traitement optimal dans un cadre de master protocol, où plusieurs traitements sont mis en concurrence pour le traitement d'une maladie commune. Dans ce premier papier, nous proposons et comparons 3 modèles Bayésiens à un équivalent fréquentiste. Plus particulièrement, nous proposons une nouvelle manière de construire des distributions a priori, dans le cadre de designs Bayésiens seamless opérationnels. Cette élicitation permet d'approcher voire d'égaler les performances de designs inférentiels. L'analyse finale de ce papier se base également sur un critère Bayésien. Dans le second article, nous nous intéressons à la sélection d'un sous-groupe lors d'une analyse intermédiaire. Nous proposons une méthode de sélection Bayésienne de la population (sous-groupe ou population globale) qui a le plus de probabilité de bénéficier du traitement expérimental. La population sélectionnée est ensuite étudiée lors de la deuxième partie de l'étude. Nous comparons plusieurs distributions a priori afin de déterminer laquelle offre le meilleur équilibre entre sélection optimale et contrôle des erreurs statistiques. L'analyse finale se base sur un test fréquentiste. Ces deux articles démontrent l'intérêt et la pertinence d'intégrer des statistiques Bayésiennes dans le cadre d'essais seamless à petits échantillons. En effet, les méthodes développées offrent un bon contrôle des risques de première et seconde espèce, ainsi qu'une sélection rigoureuse de population ou de traitement lors du passage de phase II en phase III.