一般来说，特定试验的入组率可以根据过去的经验和该试验的任何相关信息来估计。然而，这个率只是一个估计值，一个时期内的实际入组率需要作为一个随机变量来对待，并具有一定的概率分布。
本文主要介绍TTE在East的模拟过程，定量和定性数据类似。
The randomized aldactone evaluation study ﴾RALES﴿ was a double‐blind multicenter clinical trial of aldeosterone‐recepter blocker vs. placebo published in New England Journal of Medicine ﴾vol 341, 10, pages 709‐717, 1999﴿. This trial was open to patients with severe heart failure due to systolic left ventricular dysfunction. The Primary endpoint was all‐causes mortality. The anticipated accrual rate was960 patients/year. The mortality rate for the placebo group was 38%. The investigators wanted 90% power to detect a 17% reduction in the mortality hazard rate for the Aldactone group ﴾from 0.38 to 0.3154﴿ with α = 0.05, 2‐sidedtest. Six DMC meetings were planned. The dropout rate in both the groups is expected to be 5% each year. The patient accrual period is planned to be 1.7 years and the total study duration to be 6 years.
单位从年转化为月；
Accrual rate: 960/12 = 80 subjects/month
Accrual duration: 1.7 x 12 = 20.4 months
Study duration: 6 x 12 = 72 months
Hazard rate ﴾treatment﴿: 0.3154/12 = 0.0263
Hazard rate ﴾control﴿: 0.38/12 = 0.0317
模拟中的主要输入是入组计划，其中包含每个site的以下信息：
sSite启动周期：预计site初始化的时间段，以便它准备好开始注册受试者
Site入组率：预计在所选时间单位内到达site的受试者数量﴾假设， “月”﴿
入组上限：可以在该site入组的受试者的最大数量。这个入组上限也适用于整个研究。这意味着任何一个site或所有site加在一起都不能入组超过此入组上限。
入组模型我们可以选择指定受试者的到达时间是从均匀分布中抽样，还是在泊松过程中从指数分布中抽样。
我们从这个入组计划中看到，有 20 个研究中心参与研究，每个研究中心最多可以招募 1000 名受试者。研究中心 1 立即启动，其余 19 个研究中心必须在研究开始后 1 个月内启动。入组率是根据每个site每月到达的受试者给出的，总和为每月总的累积率 80。
在下表，我们可以看到数据，例如平均样本量的估计值、事件数量和每次观察的脱落率。在“模拟边界和边界交叉概率”表中，我们观察到，到试验结束时，在1000个模拟中的906个中，我们能够拒绝治疗组和对照组的危险率相等的零假设。
“Enrollment Prediction Plot”显示一段时间内的累积入组。它显示了所有模拟的预测中位数和平均入组率以及95% 的置信区间。
根据我们对试验的模拟，预计全样本量最早将招募约 20 个月，最迟招募约 22 个月。此外，置信区间带相当窄;表明预计入组人数不会有很大程度的差异。
在Events Prediction Plot 中，我们可以观察大约 72 个月及以后的整个研究期间的事件时间线，而入组预测图仅涵盖大约 20 个月的应计持续时间。从图表中，我们可以得出结论，该研究的估计长度可能为中位数约73 个月，最长为 79 个月。
最后，Dropouts Prediction Plot显示了研究期间脱落的进展情况。到 72 个月的研究期结束时，预计的脱落中位数约为 182,95% 置信区间的范围为 158 至 208。
一旦试验开始并获得有关已实现入组的数据，我们更新参数并生成有关入组和事件时间线的新预测。
假设我们有受试者入组的部分数据。该试验仍在进行中，我们希望预测目标入组完成的时间。
“当前样本大小”是212。Target Sample Size 默认值为 318，即 1.5∗Current Sample Size。您可以更改 Target Sample Size 值。这就是在试验中计划入组的值。目的是了解试验平均需要多长时间才能招募到这些众多受试者。“当前日历时间”是数据中最后一个受试者的入组时间，即 2.224。input method有两个选项。对于“入组率”选项，由两个期间组成。第一个周期假定为数据中显示的周期。假定此期间的开始时间为0，而此期间的入组率计算为
（Current Sample Size）/（Current Calendar Time）。在本例中，它是 212/2.2243 = 95.31。
对于第二个周期，计算公式为：（Target Sample Size-Current Sample Size）/（Current Calendar Time），即当前示例的 （318-212）/2.2243= 47.65499。
另一种方式是Cum Accrual %。
第一个周期的 By Time 默认值是 Calendar Time，而第二个 的默认值是 2∗Calendar Time。周期1 和周期 2 的默认值 Accr % 分别为 100∗（Current Sample Size/Target Sample Size） 和 100%。
将近50% 的模拟在 4.447 个单位时间内完成，所有模拟的平均入组持续时间为 4.448。
Enrollment Prediction Plot显示观察到的入组的时间线，到 2.234单位时间，所有 212 名受试者中都已入组。
在多中心试验的情况下，不同研究中心的入组率不同。有必要在研究中纳入这些信息，以便更好地估计整体上的总入组持续时间。
所有模拟的平均入组持续时间为 3.265。中位数入组持续时间为 3.261，而 75% 的模拟的总入组持续时间为 3.335。
根据观察到的数据，Enrollment Prediction Plot显示观察到的入组的时间线，到 2.226，有 212 个受试者入组。
有的研究中心最初关闭，但后来会打开并随后开始入组受试者。我们接下来将解读这种情况。
假设当前样本量是183，计划入组274。总计18个研究中心，缺少研究中心4和 10 的Site Ready Time，中心13和17期望入组较快各自为20和40。两个中心可以在时间间隔 （2， 9） 内随时打开。
中位数入组持续时间为 2.864，而 75% 的模拟总入组持续时间为 2.91。所有模拟的平均入组持续时间为 2.866。
预测图显示到单位时间2.23，183受试者已经入组。
如果您仔细查看“No of Sites Opened”列，您会注意到，直到入组持续时间的第 75 个百分位数，即 2.91，只有 16 个site打开，就像开始时的情况一样。在 2.91 和 2.979 期间又打开了一个。让我们看看在这段时间里发生了什么。
请注意，在最后两行中，site4的 Site Initiation Time 为 3.5685，site10 的Site Initiation Time 为 7.9575。然而，最后一个受试者在2.8603到达了Site 12。因此，site4和 10 都是在整个研究的入组项目完成后开放的。
从下图最后两行中，应该注意的是，因为site 4 和 10 在入组持续时间内打开，在 1000 个模拟中，只有 97 个。
参考文献:East用户书册
