Skip to content
بازگشت به نتایج جست‌وجو

تحلیل بقای تطبیقی — طراحی کارآزمایی تطبیقی زمان تا رویداد

معرفی‌شده توسط
Bauer, Posch, and collaborators (adaptive design framework); Lachin & Foulkes (event-driven survival trial foundations)
سال
2000s (formalized ~2000–2006)
نوع
Adaptive statistical design for time-to-event outcomes
خانواده
Clinical / epidemiology

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل بقای تطبیقی، طراحی کارآزمایی بالینی تطبیقی را با روش‌های آماری زمان تا رویداد ادغام می‌کند و امکان اصلاحات از پیش تعیین‌شده در اندازه نمونه، اهداف رویداد، یا نسبت‌های تخصیص در مراحل میانی را بر اساس داده‌های بقای انباشته‌شده فراهم می‌آورد. این روش به طور گسترده در تحقیقات سرطان‌شناسی، قلبی عروقی و بیماری‌های عفونی که در آن‌ها نقطه پایانی اولیه یک پیامد مبتنی بر خطر مانند بقای بدون پیشرفت یا مرگ و میر ناشی از همه علل است، استفاده می‌شود.

شهود پشت روش

تصور کنید در حال اجرای یک کارآزمایی سرطان هستید که در ابتدا برنامه‌ریزی کرده بودید قبل از انجام تحلیل نهایی، ۳۰۰ مرگ را مشاهده کنید. در نیمه راه، داده‌های انباشته‌شده نشان می‌دهند که بیماران انتظار می‌رود طولانی‌تر زنده بمانند — به این معنی که برای رسیدن به ۳۰۰ رویداد، به زمان پیگیری بسیار بیشتری نسبت به برنامه‌ریزی شده نیاز خواهید داشت. تحلیل بقای تطبیقی به شما اجازه می‌دهد تا به داده‌های میانی نگاه کنید و هدف رویداد را به طور رسمی افزایش دهید (یا مدت زمان پیگیری را مجدداً تخمین بزنید) بدون اینکه خطای نوع اول را افزایش دهید. نکته کلیدی این است که شما قوانین تطبیق را قبل از باز کردن کد (unblinding) مشخص می‌کنید تا چارچوب تصمیم‌گیری کلی حتی با وجود تغییر طراحی کارآزمایی در میانه راه، از نظر آماری معتبر باقی بماند.

تاریخ

تحلیل بقا به عنوان یک رشته رسمی به کاپلان و مایر (۱۹۵۸) و کاکس (۱۹۷۲) بازمی‌گردد. روش‌شناسی طراحی تطبیقی برای کارآزمایی‌های بالینی در دهه ۱۹۹۰ از طریق کارهای باور و کوهن (۱۹۹۴) که آزمون‌های ترکیبی را برای طرح‌های چند مرحله‌ای معرفی کردند، توسعه یافت و توسط باور و پوش (۲۰۰۴) و دیگران به نقاط پایانی بقای مبتنی بر رویداد تعمیم داده شد. راهنمایی FDA در سال ۲۰۱۹ در مورد طرح‌های تطبیقی و دستورالعمل ICH E20 (در حال توسعه) از آن زمان استانداردهای نظارتی را تعیین کرده‌اند. تحلیل بقای تطبیقی اکنون در کارآزمایی‌های محوری سرطان‌شناسی استاندارد است و به طور فزاینده‌ای در تحقیقات قلبی عروقی و بیماری‌های عفونی پذیرفته می‌شود.

چه زمانی استفاده شود

هنگامی که نقطه پایانی زمان تا رویداد اولیه است، دسترسی به داده‌های میانی از نظر عملی امکان‌پذیر است و عدم قطعیت واقعی در مورد نرخ رویداد، اندازه اثر نسبت خطر، یا تخصیص بهینه وجود دارد، از تحلیل بقای تطبیقی استفاده کنید. این روش به ویژه در کارآزمایی‌های سرطان‌شناسی، HIV و قلبی عروقی که در آن‌ها توقف زودهنگام برای اثربخشی یا بی‌اثر بودن می‌تواند بیماران را از درمان‌های ناکارآمد نجات دهد و تصمیم‌گیری‌های نظارتی را تسریع کند، ارزشمند است. از آن زمانی استفاده نکنید که قوانین تطبیق را نتوان قبل از باز کردن کد میانی (post-hoc adaptations) از پیش تعیین کرد (تطبیقات پس از وقوع، کنترل خطای نوع اول را بی‌اعتبار می‌کنند)، زمانی که مطالعه مشاهده‌ای بدون طرح تحلیل پیشرو (prospective analysis plan) است، زمانی که اندازه‌های نمونه آنقدر کوچک هستند که تخمین‌های میانی برای اطلاع‌رسانی تطبیق قابل اعتماد بسیار ناپایدار هستند، یا زمانی که راهنمایی‌های نظارتی برای اندیکاسیون، تغییرات طراحی در میانه کارآزمایی را منع می‌کنند.

محدودیت‌ها و ملاحظات

  • نیاز به برنامه‌ریزی گسترده قبل از کارآزمایی دارد؛ قوانین تطبیق باید قبل از دسترسی به هرگونه داده میانی، به طور کامل در پروتکل و طرح تحلیل آماری از پیش تعیین شوند.
  • پیچیدگی عملیاتی بالا است: آماردانان کد شده (blinded)، قوانین تطبیق مهر و موم شده، و کمیته‌های مستقل نظارت بر داده‌ها، محافظت‌های ضروری هستند.
  • مقادیر p آزمون ترکیبی و فواصل اطمینان تطبیقی برای پزشکان و تنظیم‌کنندگان کمتر از خروجی‌های استاندارد log-rank قابل درک هستند.
  • توقف زودهنگام برای اثربخشی می‌تواند تخمین‌های نسبت خطر را نامشخص کند؛ فاصله اطمینان نهایی ممکن است علی‌رغم مقدار p معنادار، گسترده باشد.
  • پذیرش نظارتی بسته به آژانس و اندیکاسیون متفاوت است؛ راهنمایی‌های ICH E8(R1) و FDA در مورد طرح‌های تطبیقی باید در طول توسعه پروتکل مورد مشورت قرار گیرند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • کنترل کلی خطای نوع اول را در حالی که اصلاحات در میانه کارآزمایی را مجاز می‌داند، حفظ می‌کند، به شرطی که قوانین از پیش تعیین شده باشند.
  • بهبود کارایی: کارآزمایی‌ها می‌توانند برای اثربخشی یا بی‌اثر بودن قاطعانه متوقف شوند و از مواجهه غیرضروری بیماران جلوگیری کنند.
  • تخمین مجدد اندازه نمونه، مفروضات نادرست اولیه در مورد نرخ رویداد یا اندازه‌های اثر را اصلاح می‌کند و قدرت آماری را حفظ می‌کند.
  • تصادفی‌سازی پاسخ‌دهنده می‌تواند با انباشته شدن شواهد، بیماران بیشتری را به بازوی با عملکرد بهتر هدایت کند.
  • به ویژه در بیماری‌های نادر یا حوزه‌های درمانی با تحول سریع که در آن‌ها طرح‌های ثابت از نظر عملی انعطاف‌ناپذیر هستند، ارزشمند است.

کاربردها

  • کارآزمایی‌های سرطان‌شناسی با استفاده از بقای بدون پیشرفت یا بقای کلی به عنوان نقطه پایانی اولیه، با تخمین مجدد تعداد رویدادهای مورد نیاز در میانه راه.
  • کارآزمایی‌های پیامد قلبی عروقی که در آن‌ها نرخ رویداد در بازوی کنترل نامشخص است و نیاز به تخمین مجدد اندازه نمونه در میانه راه وجود دارد.
  • کارآزمایی‌های HIV و بیماری‌های عفونی با تصادفی‌سازی پاسخ‌دهنده که تخصیص را به سمت رژیم مؤثرتر هدایت می‌کند.
  • کارآزمایی‌های پلتفرمی که چندین بازوی آزمایشی را در برابر یک کنترل مشترک ارزیابی می‌کنند و از داده‌های بقای میانی برای حذف بازوهای ناکارآمد استفاده می‌کنند.
  • کارآزمایی‌های بیماری‌های نادر که در آن‌ها اندازه‌های نمونه اولیه کوچک، نیاز به افزایش کارایی از طریق مرزهای توقف تطبیقی دارند.
  • ارسال‌های نظارتی برای مسیرهای تأیید تسریع شده که در آن‌ها داده‌های بقای میانی، تصمیم‌گیری‌های زودهنگام برای ثبت را اطلاع‌رسانی می‌کنند.

چگونه کار می‌کند

چگونه کار می‌کند

1

کارآزمایی با یک یا چند بررسی میانی از پیش تعیین‌شده که در پروتکل تعریف شده‌اند، برنامه‌ریزی می‌شود. پارامترهای کلیدی شامل تعداد اولیه رویداد یا کسر اطلاعات، حدود معناداری (که اغلب از توابع هزینه‌کرد گروه-دنباله‌ای مانند O'Brien-Fleming یا Lan-DeMets مشتق می‌شوند) و قوانین تطبیق صریح — به عنوان مثال، تخمین مجدد رویدادهای مورد نیاز از نرخ رویدادهای تجمیعی کد شده (blinded) یا تغییر نسبت‌های تصادفی‌سازی بر اساس قدرت شرطی مشاهده‌شده — هستند.

2

در هر تحلیل میانی، یک کمیته مستقل نظارت بر داده‌ها داده‌های بقای انباشته‌شده را بررسی می‌کند. منحنی‌های بقا با استفاده از روش کاپلان-مایر تخمین زده می‌شوند و آماره log-rank (یا یک نوع وزن‌دار آن) محاسبه می‌شود. قدرت شرطی — احتمال رد فرضیه صفر در تحلیل نهایی با توجه به روندهای فعلی — برای اطلاع از اینکه آیا تطبیق ضروری است، محاسبه می‌شود.

3

بر اساس نتایج میانی و قوانین تطبیق از پیش تعیین‌شده، اصلاحات مجاز اجرا می‌شوند. تطبیقات رایج شامل تخمین مجدد اندازه نمونه برای بازیابی قدرت شرطی، تنظیم هدف رویداد زمانی که نرخ رویداد مشاهده‌شده از مفروضات منحرف می‌شود، و تغییر نسبت‌های تصادفی‌سازی پاسخ‌دهنده (response-adaptive randomization) که به بازوی مؤثرتر اولویت می‌دهند، است. همه تطبیقات باید نرخ خطای کلی خانوادگی نوع اول (familywise Type I error rate) را حفظ کنند، معمولاً از طریق آزمون‌های ترکیبی یا تنظیمات هزینه‌کرد آلفا (alpha-spending adjustments).

4

پس از تمام تطبیقات و پس از رسیدن به تعداد نهایی رویداد، توابع بقا برای هر گروه (منحنی‌های کاپلان-مایر) تخمین زده می‌شوند و مقایسه اصلی درمان با استفاده از آزمون log-rank یا مدل نسبت‌های خطر متناسب کاکس (Cox proportional hazards model) که برای متغیرهای طبقه‌بندی تنظیم شده است، انجام می‌شود. هنگامی که آزمون‌های ترکیبی در مراحل مختلف استفاده شده‌اند، مقدار p از ترکیب وزن‌دار آماره‌های مرحله‌ای به جای یک تحلیل تجمیعی واحد محاسبه می‌شود.

5

استنتاج نهایی نسبت خطر (hazard ratio) را با فاصله اطمینان، مقدار p کلی از رویه ترکیبی تطبیقی، و — اگر زمان بقای میانه یا زمان بقای محدود شده (restricted mean survival time) از نظر بالینی مورد علاقه باشد — آن تخمین‌ها را با عدم قطعیت آن‌ها گزارش می‌کند. احتمال رد شرطی (conditional rejection probability) یا فاصله اطمینان تطبیقی در کنار خروجی‌های استاندارد گزارش می‌شود تا تفسیرپذیری حفظ شود. گزارش تحلیل، تمام قوانین تطبیق از پیش تعیین‌شده و هرگونه انحراف را مستند می‌کند و یکپارچگی کارآزمایی در برابر طرح تحلیل آماری اصلی ممیزی می‌شود.

دام‌های رایج

  • تطبیقات برنامه‌ریزی نشده: اصلاح طراحی پس از دسترسی به داده‌های پیامد کد نشده بدون از پیش تعیین شدن، کنترل خطای نوع اول را بی‌اعتبار می‌کند و نتایج را غیرقابل اعتماد می‌سازد.
  • نادیده گرفتن ماهیت مبتنی بر رویداد کارآزمایی‌های بقا: تطبیق اندازه نمونه بر اساس تعداد افراد به جای تعداد رویدادها می‌تواند کارآزمایی را در صورت کمتر بودن نرخ رویداد از حد انتظار، کم‌توان (under-powered) باقی بگذارد.
  • ترکیب مقادیر p ساده (Naive p-value combination): استفاده از آماره log-rank استاندارد در مراحل تطبیقی بدون یک آزمون ترکیبی مناسب (مانند ترکیب معکوس نرمال یا فیشر) منجر به آزمون کلی متورم یا نامعتبر می‌شود.
  • نادیده گرفتن ناپایداری قدرت شرطی: تخمین‌های قدرت شرطی در مراحل بسیار زودهنگام میانی (کمتر از ۲۵٪ اطلاعات) بسیار متغیر و غیرقابل اعتماد هستند و به تنهایی مبنای تصمیم‌گیری برای تطبیق قرار نمی‌گیرند.
  • اشتباه گرفتن تخمین مجدد کد شده و کد نشده: تخمین مجدد اندازه نمونه کد شده بر اساس نرخ رویداد کلی، پنهان‌سازی تخصیص را حفظ می‌کند و کمتر از تخمین مجدد کد نشده بحث‌برانگیز است، که نیاز به فایروال‌های سخت‌گیرانه‌تری دارد.

پرسش‌های متداول

تحلیل بقای تطبیقی چگونه با یک طراحی گروه-دنباله‌ای استاندارد تفاوت دارد؟

طرح‌های گروه-دنباله‌ای فقط امکان توقف زودهنگام از پیش تعیین‌شده برای اثربخشی یا بی‌اثر بودن را فراهم می‌کنند در حالی که سایر پارامترهای طراحی ثابت باقی می‌مانند. تحلیل بقای تطبیقی گسترده‌تر است: علاوه بر این، اصلاحات در میانه کارآزمایی را در هدف رویداد، اندازه نمونه، نسبت تصادفی‌سازی، یا حتی تعریف نقطه پایانی اولیه مجاز می‌داند، به شرطی که قوانین تطبیق از پیش تعیین شده باشند و از یک آزمون ترکیبی معتبر برای حفظ کنترل خطای نوع اول استفاده شود. طرح‌های گروه-دنباله‌ای یک مورد خاص و ساده‌تر در چارچوب تطبیقی هستند.

آیا تحلیل بقای تطبیقی به کارآزمایی تصادفی نیاز دارد؟

ماشین طراحی تطبیقی — آزمون‌های ترکیبی، تخمین مجدد اندازه نمونه، تصادفی‌سازی پاسخ‌دهنده — برای کارآزمایی‌های کنترل‌شده تصادفی توسعه یافته است. اعمال قوانین تطبیقی رسمی بر داده‌های بقای مشاهده‌ای غیر استاندارد است و به طور کلی نامناسب است زیرا سوگیری انتخاب و عوامل مخدوش‌کننده چارچوب استنتاج را تضعیف می‌کنند. برای مطالعات بقای مشاهده‌ای، روش‌های علّی متوالی یا طرح‌های گروه همگروهی پیشرو با برنامه‌های تحلیل از پیش ثبت‌شده مناسب‌تر هستند.

آیا تنظیم‌کنندگان یک کارآزمایی بقای تطبیقی را می‌پذیرند؟

بله، به شرطی که قوانین تطبیق به طور کامل در پروتکل از پیش تعیین شده باشند، طرح تحلیل آماری قبل از هرگونه تحلیل میانی کد نشده نهایی شود، و ارسال شامل طرح اصلی در کنار مستندات تمام تطبیقات باشد. FDA راهنمایی‌هایی در مورد طرح‌های تطبیقی در سال ۲۰۱۹ منتشر کرد و تعامل زودهنگام با آژانس را برای کارآزمایی‌های محوری تطبیقی تشویق می‌کند. EMA انتظارات مشابهی را تحت مقاله تأملی خود در مورد طرح‌های تطبیقی دارد.

کدام نرم‌افزار از تحلیل بقای تطبیقی پشتیبانی می‌کند؟

بسته‌های تجاری مانند East (Cytel)، ADDPLAN و nQuery از طراحی کارآزمایی بقای تطبیقی با گزینه‌های گروه-دنباله‌ای و آزمون ترکیبی پشتیبانی می‌کنند. بسته‌های R از جمله gsDesign، rpact و adaptTest پیاده‌سازی‌های منبع باز را ارائه می‌دهند. SAS PROC SEQDESIGN کارآزمایی‌های بقای گروه-دنباله‌ای را مدیریت می‌کند. شبیه‌سازی به شدت در مرحله طراحی برای تأیید ویژگی‌های عملیاتی در طیف وسیعی از سناریوهای محتمل توصیه می‌شود.

آیا می‌توانم پس از یک اصلاح تطبیقی از مقدار p log-rank استاندارد استفاده کنم؟

خیر. هنگامی که از یک تحلیل میانی کد نشده برای اصلاح طراحی استفاده شده است، آماره log-rank متعارف تجمیع شده در تمام بیماران دیگر معتبر نیست زیرا داده‌های مرحله ۱ و مرحله ۲ تحت فرضیه صفر دیگر یکسان توزیع نیستند. برای حفظ نرخ خطای نوع اول اسمی، باید از یک آزمون ترکیبی — مانند رویکرد ترکیب معکوس نرمال یا فیشر — استفاده شود. گزارش مقدار p log-rank ساده تجمیع شده در این وضعیت یک خطای روش‌شناختی است.

روش‌های مرتبط

منابع

  1. Bauer, P., & Posch, M. (2004). Modification of the sample size and the schedule of interim analyses in survival trials based on data inspections. Statistics in Medicine, 23(8), 1333–1353.

    باز کردن مرجع انتشار
    کپی شد.
  2. Mehta, C., Bhatt, M., & Bhattacharya, R. (2009). Adaptive randomization for survival endpoints in oncology trials. Journal of Clinical Oncology, 27(15_suppl), e20750.

    باز کردن مرجع انتشار
    کپی شد.