In clinical trials, there often exist multiple historical studies for the same or related treatment investigated in the current trial. Incorporating historical data in the analysis of the current study is of great importance, as it can help to gain more information, improve efficiency, and provide a more comprehensive evaluation of treatment. Enlightened by the unit information prior (UIP) concept in the reference Bayesian test, we propose a new informative prior called UIP from an information perspective that can adaptively borrow information from multiple historical datasets. We consider both binary and continuous data and also extend the new UIP to linear regression settings. Extensive simulation studies demonstrate that our method is comparable to other commonly used informative priors, while the interpretation of UIP is intuitive and its implementation is relatively easy. One distinctive feature of UIP is that its construction only requires summary statistics commonly reported in the literature rather than the patient-level data. By applying our UIP to phase III clinical trials for investigating the efficacy of memantine in Alzheimer's disease, we illustrate its ability to adaptively borrow information from multiple historical datasets. The Python codes for simulation studies and the real data application are available at https://github.com/JINhuaqing/UIP.

中文翻译：

---

从多个历史数据集借用自适应信息的单元信息先验

在临床试验中，对于当前试验中调查的相同或相关治疗，通常存在多项历史研究。在当前研究的分析中纳入历史数据非常重要，因为它可以帮助获得更多信息，提高效率，并提供更全面的治疗评估。受参考贝叶斯检验中的单元信息先验 (UIP) 概念的启发，我们从信息角度提出了一种新的信息先验，称为 UIP，可以自适应地从多个历史数据集中借用信息。我们考虑二进制和连续数据，并将新的 UIP 扩展到线性回归设置。广泛的模拟研究表明，我们的方法可与其他常用的信息先验相媲美，而UIP的解释很直观，实现起来也比较容易。UIP 的一个显着特点是它的构建只需要文献中常见的汇总统计数据，而不是患者级别的数据。通过将我们的 UIP 应用于研究美金刚在阿尔茨海默病中的疗效的 III 期临床试验，我们展示了它从多个历史数据集中适应性地借用信息的能力。用于模拟研究和真实数据应用的 Python 代码可在 https://github.com/JINhuaqing/UIP 获得。通过将我们的 UIP 应用于研究美金刚在阿尔茨海默病中的疗效的 III 期临床试验，我们展示了它从多个历史数据集中适应性地借用信息的能力。用于模拟研究和真实数据应用的 Python 代码可在 https://github.com/JINhuaqing/UIP 获得。通过将我们的 UIP 应用于研究美金刚在阿尔茨海默病中的疗效的 III 期临床试验，我们展示了它从多个历史数据集中适应性地借用信息的能力。用于模拟研究和真实数据应用的 Python 代码可在 https://github.com/JINhuaqing/UIP 获得。