Skip to content
بازگشت به نتایج جست‌وجو

کارآزمایی بالینی تصادفی‌سازی‌شده بیزی

معرفی‌شده توسط
Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
سال
1980s–2000s (formal methodology consolidated ~2004–2006)
نوع
Randomized experimental study with Bayesian inference
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؟

یک کارآزمایی بالینی تصادفی‌سازی‌شده بیزی (Bayesian RCT) دقت تخصیص تصادفی درمان را با استنباط آماری بیزی ترکیب می‌کند و به محققان اجازه می‌دهد تا شواهد قبلی را در نظر بگیرند و باورهای خود را به طور مداوم با انباشت داده‌های کارآزمایی به‌روز کنند. برخلاف کارآزمایی بالینی تصادفی‌سازی‌شده کلاسیک فراوانی‌گرا، این روش اظهارات احتمال مستقیم درباره اثرات درمان ارائه می‌دهد و از قوانین توقف تطبیقی از پیش تعیین‌شده بر اساس احتمالات پسین پشتیبانی می‌کند.

شهود پشت روش

در یک کارآزمایی بالینی تصادفی‌سازی‌شده استاندارد، شما منتظر می‌مانید تا تمام داده‌ها جمع‌آوری شوند و سپس می‌پرسید که آیا نتایج به اندازه کافی افراطی هستند که فرضیه صفر را رد کنند. در عوض، یک کارآزمایی بالینی تصادفی‌سازی‌شده بیزی می‌پرسد: با توجه به هر آنچه قبل از شروع کارآزمایی می‌دانستیم و آنچه داده‌های فعلی نشان می‌دهند، احتمال اینکه درمان به میزان بالینی معنی‌داری بهتر باشد چقدر است؟ این احتمال با هر مشاهده جدید به‌روز می‌شود، بسیار شبیه به‌روزرسانی پیش‌بینی آب و هوا با ورود داده‌های جدید. از آنجا که باورها به طور مداوم به‌روز می‌شوند، کارآزمایی می‌تواند زودتر متوقف شود — برای اثربخشی، بی‌فایدگی یا ایمنی — بر اساس آستانه‌های احتمال از پیش تعیین‌شده به جای بررسی‌های موقت دلخواه.

تاریخ

کاربرد روش‌های بیزی در کارآزمایی‌های بالینی از اواخر دهه 1980 توسط آماردانانی از جمله دونالد بری در مرکز سرطان MD Anderson حمایت شد، که نشان دادند چگونه احتمالات پسین می‌توانند کارآزمایی‌های انکولوژی تطبیقی را هدایت کنند. اشپیگلهالتر، آبرامز و مایلز این چارچوب را در تک‌نگاری وایلی خود در سال 2004 کدگذاری کردند، و مقاله بری در Nature Reviews Drug Discovery در سال 2006 به یک نقطه ورود پرکاربرد برای محققان بالینی تبدیل شد. اسناد راهنمای نظارتی — به ویژه راهنمای FDA در سال‌های 2010 و 2019 در مورد طرح‌های تطبیقی — کارآزمایی‌های بالینی تصادفی‌سازی‌شده تطبیقی بیزی را برای تأیید دارو مشروعیت بخشیدند و به پذیرش آنها در انکولوژی، بیماری‌های نادر و کارآزمایی‌های پلتفرمی سرعت بخشیدند.

چه زمانی استفاده شود

زمانی از یک کارآزمایی بالینی تصادفی‌سازی‌شده بیزی استفاده کنید که شواهد پیشین معنی‌داری وجود دارد (مثلاً از فازهای قبلی یا عوامل مرتبط) و گنجاندن آن از نظر علمی و اخلاقی مناسب باشد؛ زمانی که ویژگی‌های تطبیقی (توقف زودهنگام، حذف بازو، تنظیم اندازه نمونه) از نظر بالینی یا تجاری مهم هستند؛ زمانی که هدف، اظهارات احتمال مستقیم درباره مزیت درمان به جای یک مقدار p است؛ یا زمانی که حوزه بیماری نادر است و استفاده کارآمد از هر شرکت‌کننده ضروری است. زمانی استفاده نکنید که رگولاتورها یک تحلیل کاملاً فراوانی‌گرا بدون پیشین‌ها را الزامی می‌کنند (برخی از ارائه‌های فاز III تأییدی)، زمانی که داده‌های پیشین برای تجمیع معتبر بسیار ناهمگن هستند، یا زمانی که یک پیشین از پیش تعیین‌شده نمی‌تواند بین محققان کارآزمایی و ذینفعان قبل از کورگشایی توافق شود.

محدودیت‌ها و ملاحظات

  • پذیرش نظارتی برای کارآزمایی‌های تأییدی جهانی نیست؛ برخی از آژانس‌ها حتی برای طرح‌های بیزی، ویژگی‌های عملیاتی کاملاً فراوانی‌گرا را الزامی می‌کنند.
  • نتایج به مشخصات پیشین حساس هستند؛ یک پیشین آموزنده که به درستی انتخاب نشده باشد می‌تواند بر درست‌نمایی غالب شود و منجر به نتایج گمراه‌کننده شود.
  • نیازهای محاسباتی (MCMC یا بیز واریانس) بالاتر از تحلیل‌های کلاسیک فراوانی‌گرا است و نیاز به تخصص آماری دارد.
  • تصادفی‌سازی تطبیقی با پاسخ می‌تواند پیچیدگی لجستیکی ایجاد کند و در برخی شبیه‌سازی‌ها، اگر به دقت کالیبره نشود، خطای نوع اول را افزایش دهد.
  • گزارش‌دهی شفاف انتخاب‌های پیشین و تحلیل‌های حساسیت اجباری است اما طول و پیچیدگی انتشارات را افزایش می‌دهد.

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

نقاط قوت

  • نتایج قابل تفسیر مستقیم تولید می‌کند: احتمال پسین اینکه مزیت درمان از یک آستانه بالینی مهم فراتر رود.
  • شواهد پیشین از فازهای قبلی را به طور رسمی در بر می‌گیرد و در صورت وجود اطلاعات پیشین قوی، اندازه نمونه مورد نیاز را کاهش می‌دهد.
  • قوانین توقف تطبیقی می‌توانند کارآزمایی را زودتر برای اثربخشی یا بی‌فایدگی متوقف کنند و از شرکت‌کنندگان محافظت کرده و منابع را ذخیره کنند.
  • تصادفی‌سازی تطبیقی با پاسخ، شرکت‌کنندگان بیشتری را به بازوی با عملکرد بهتر تخصیص می‌دهد که از نظر اخلاقی در بیماری‌های جدی جذاب است.
  • بازه‌های اعتبار تفسیری طبیعی دارند (با احتمال 95% اثر در این محدوده قرار دارد) که اغلب به اشتباه در بازه‌های اطمینان فراوانی‌گرا خوانده می‌شود.

کاربردها

  • کارآزمایی‌های تعیین دوز و توسعه انکولوژی (مثلاً طرح‌های بهینه بازه بیزی برای فاز I/II).
  • کارآزمایی‌های پلتفرمی و پروتکل اصلی (RECOVERY, I-SPY) که بازوهای ناکارآمد را حذف کرده و بازوهای جدید را با استفاده از احتمالات پسین اضافه می‌کنند.
  • کارآزمایی‌های بیماری‌های نادر که در آنها جمعیت واجد شرایط کوچک، اندازه‌های نمونه کلاسیک را غیرممکن می‌سازد.
  • کارآزمایی‌های دستگاه و تشخیص که در آنها شواهد دنیای واقعی انباشته شده به طور رسمی از طریق یک پیشین آموزنده گنجانده می‌شود.
  • کارآزمایی‌های اثربخشی واکسن که نیاز به تصمیم‌گیری‌های موقت سریع با آستانه‌های احتمال صریح دارند.
  • مطالعات افزایش دوز تطبیقی با استفاده از روش‌های ارزیابی مداوم (CRM) یا افزایش با کنترل بیش‌مصرفی (EWOC).

چگونه کار می‌کند

چگونه کار می‌کند

1

قبل از شروع کارآزمایی، یک توزیع احتمال پیشین برای پارامتر اثر درمان مشخص می‌شود. پیشین‌های آموزنده نتایج مطالعات فازهای قبلی، ادبیات منتشرشده یا دانش بالینی تخصصی را در بر می‌گیرند؛ پیشین‌های غیرآموزنده (مبهم) زمانی استفاده می‌شوند که شواهد قبلی محدود باشد یا برای برآورده کردن انتظارات نظارتی از حداقل تأثیر پیشین. انتخاب پیشین باید در پروتکل از پیش مشخص و توجیه شود.

2

شرکت‌کنندگان به طور تصادفی به بازوهای درمانی تخصیص داده می‌شوند، دقیقاً مانند یک کارآزمایی بالینی تصادفی‌سازی‌شده فراوانی‌گرا. تصادفی‌سازی می‌تواند ثابت (تخصیص برابر) یا تطبیقی با پاسخ (نسبت‌های تخصیص به‌روز شده به نفع بازوی با عملکرد بهتر) باشد. اصول کورسازی، پنهان‌سازی و استانداردهای گزارش‌دهی CONSORT بدون توجه به چارچوب آماری اعمال می‌شوند.

3

با انباشت داده‌های پیامد برای هر شرکت‌کننده، تابع درست‌نمایی میزان احتمال داده‌های مشاهده‌شده را تحت مقادیر مختلف پارامتر اثر درمان کمی‌سازی می‌کند. درست‌نمایی با پیشین ترکیب می‌شود تا باورهای به‌روز شده را تولید کند — این مرحله مطابق با قضیه بیز است و در هر تحلیل موقت از پیش برنامه‌ریزی‌شده انجام می‌شود.

4

توزیع پسین P(theta | data) با ضرب پیشین در درست‌نمایی و نرمال‌سازی محاسبه می‌شود. از این توزیع، تیم کارآزمایی مقادیر کلیدی را استخراج می‌کند: احتمال پسین اینکه مزیت درمان از یک آستانه معنی‌دار فراتر رود، میانگین پسین و بازه اعتبار برای اندازه اثر، و احتمال پیش‌بینی‌کننده یک پیامد موفق در صورت ادامه کارآزمایی تا حداکثر اندازه نمونه.

فرمول
P(theta | data) propto P(data | theta) * P(theta)
5

قوانین تصمیم‌گیری از پیش تعیین‌شده، احتمالات پسین را به اقدامات کارآزمایی تبدیل می‌کنند. قوانین رایج عبارتند از: توقف برای اثربخشی اگر P(delta > delta_min | data) > 0.95؛ توقف برای بی‌فایدگی اگر احتمال پیش‌بینی‌کننده موفقیت نهایی به زیر 0.05 کاهش یابد؛ در غیر این صورت ادامه. نتایج نهایی به صورت احتمالات پسین و بازه‌های اعتبار گزارش می‌شوند که با هر ویژگی عملیاتی فراوانی‌گرای درخواستی برای ارائه نظارتی تکمیل می‌شوند.

دام‌های رایج

  • انتخاب پیشین پس از مشاهده داده‌ها — پیشین باید به طور کامل از پیش مشخص و قفل شود قبل از اینکه هر داده کورگشایی شده‌ای بررسی شود؛ انتخاب پیشین پسینی منطق بیزی را باطل می‌کند و سوگیری ایجاد می‌کند.
  • نادیده گرفتن تضاد پیشین-داده — هنگامی که پیشین و داده‌های انباشته شده به شدت با هم اختلاف دارند، پسین ممکن است خلاصه‌های گمراه‌کننده‌ای ارائه دهد؛ تشخیص تضاد باید بخشی از برنامه نظارت باشد.
  • غفلت از ویژگی‌های عملیاتی فراوانی‌گرا — حتی در یک کارآزمایی بیزی، ارائه‌های نظارتی معمولاً تخمین‌های مبتنی بر شبیه‌سازی از خطای نوع اول و توان تحت فرضیه صفر و جایگزین را الزامی می‌کنند؛ عدم ارائه آنها تأیید نظارتی را به خطر می‌اندازد.
  • اشتباه گرفتن بازه‌های اعتبار با بازه‌های اطمینان — بازه‌های اعتبار بیزی نیاز به یک پیشین دارند؛ گزارش آنها به گونه‌ای که گویی بازه‌های اطمینان فراوانی‌گرا هستند، چارچوب آماری را به اشتباه نشان می‌دهد.

پرسش‌های متداول

آیا برای اجرای یک کارآزمایی بالینی تصادفی‌سازی‌شده بیزی به ادبیات پیشین گسترده‌ای نیاز دارم؟

خیر. هنگامی که اطلاعات پیشین محدود یا مورد مناقشه است، می‌توان از یک پیشین ضعیف آموزنده یا غیرآموزنده استفاده کرد. نکته این است که با یک پیشین مبهم، پسین بیزی شباهت زیادی به نتیجه فراوانی‌گرا خواهد داشت، بنابراین مزیت اصلی به جای قرض گرفتن پیشین، قوانین توقف تطبیقی خواهد بود. تحلیل‌های حساسیت در طیف وسیعی از پیشین‌ها همیشه باید گزارش شوند.

آیا FDA یا EMA یک کارآزمایی بالینی تصادفی‌سازی‌شده بیزی را برای تأیید دارو می‌پذیرند؟

هر دو آژانس راهنمایی‌هایی را در حمایت از طرح‌های تطبیقی بیزی صادر کرده‌اند، اما پذیرش به زمینه بستگی دارد. راهنمای FDA در سال 2019 به صراحت طرح‌های تطبیقی بیزی را برای داروها و دستگاه‌ها پوشش می‌دهد. الزامات کلیدی عبارتند از: مشخصات از پیش تعیین‌شده پیشین و قوانین تصمیم‌گیری، مطالعات شبیه‌سازی که خطای نوع اول و توان قابل قبول را نشان می‌دهند، و گزارش‌دهی شفاف. تعامل زودهنگام با آژانس مربوطه به شدت توصیه می‌شود.

یک کارآزمایی بالینی تصادفی‌سازی‌شده بیزی چه تفاوتی با یک کارآزمایی بالینی تصادفی‌سازی‌شده تطبیقی دارد؟

یک کارآزمایی بالینی تصادفی‌سازی‌شده تطبیقی یک دسته طراحی گسترده است که پارامترهای کارآزمایی (اندازه نمونه، تخصیص، بازوها) را بر اساس داده‌های انباشته شده تغییر می‌دهد؛ می‌توان آن را با روش‌های فراوانی‌گرا یا بیزی تحلیل کرد. یک کارآزمایی بالینی تصادفی‌سازی‌شده بیزی به طور خاص از استنباط بیزی — توزیع‌های پیشین، درست‌نمایی‌ها و احتمالات پسین — استفاده می‌کند که به طور طبیعی از قوانین تصمیم‌گیری تطبیقی پشتیبانی می‌کند. اکثر کارآزمایی‌های بالینی تصادفی‌سازی‌شده بیزی مدرن نیز تطبیقی هستند، اما این دو برچسب به جنبه‌های مختلف طراحی اشاره دارند.

از چه نرم‌افزاری می‌توانم برای تحلیل کارآزمایی بالینی تصادفی‌سازی‌شده بیزی استفاده کنم؟

Stan (از طریق RStan یا CmdStanR) و JAGS پرکاربردترین پلتفرم‌ها برای محاسبه پسین از طریق MCMC هستند. بسته‌های R RBesT (سنتز شواهد بیزی)، bayesDP و trialr طرح‌های کارآزمایی خاصی را پیاده‌سازی می‌کنند. EAST Bayes و FACTS بسته‌های نرم‌افزاری تجاری با سوابق نظارتی برای شبیه‌سازی و تحلیل کارآزمایی‌های تطبیقی بیزی هستند.

حداقل اندازه نمونه برای یک کارآزمایی بالینی تصادفی‌سازی‌شده بیزی چقدر است؟

حداقل جهانی وجود ندارد؛ اندازه نمونه مورد نیاز به قدرت پیشین، اندازه اثر هدف، آستانه احتمال پسین انتخاب شده و ویژگی‌های عملیاتی فراوانی‌گرای مطلوب بستگی دارد. مطالعات شبیه‌سازی — معمولاً 10,000 یا بیشتر تکرار تحت طیفی از سناریوها — برای تعیین حداکثر اندازه نمونه و مرزهای توقف تطبیقی قبل از شروع کارآزمایی استفاده می‌شوند.

روش‌های مرتبط

منابع

  1. Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.

    شابک: 978-0471499756
    کپی شد.
  2. Berry, D. A. (2006). Bayesian clinical trials. Nature Reviews Drug Discovery, 5(1), 27–36.

    باز کردن مرجع DOI
    کپی شد.