Desain Uji Adaptif
- Diperkenalkan oleh
- Stephen Pocock, Christopher Jennison, and statistical methodologists; FDA formalized guidance 2019
- Tahun
- 1990s-2000s
- Jenis
- Research Design
- Keluarga
- trial design
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Desain uji adaptif memungkinkan modifikasi yang telah ditentukan sebelumnya pada uji coba berdasarkan data sementara—seperti estimasi ulang ukuran sampel, penghentian karena kesia-siaan atau kemanjuran, penghentian lengan yang tidak efektif, atau pergeseran rasio randomisasi ke arah pengobatan yang berkinerja lebih baik.
Dikembangkan secara sistematis pada tahun 1990-an–2000-an oleh ahli statistik seperti Pocock dan Jennison, dan diformalkan oleh FDA pada tahun 2019, desain adaptif mempercepat pengembangan obat, mengurangi paparan terhadap pengobatan yang tidak efektif, dan meningkatkan efisiensi tanpa meningkatkan tingkat positif palsu jika dieksekusi dengan benar.
Intuisi di balik metode
Uji coba desain tetap tradisional mengikuti rencana yang kaku: daftarkan N peserta, randomisasi 1:1 ke pengobatan atau kontrol, analisis sekali di akhir. Desain adaptif memeriksa kemajuan di tengah uji coba: 'Apakah kita melihat sinyal manfaat yang jelas? Apakah satu lengan jelas lebih buruk?' Jika data yang muncul menunjukkan manfaat, daftarkan lebih banyak peserta untuk memperkuat bukti. Jika satu lengan jelas tidak efektif, hentikan pendaftaran ke lengan itu dan alihkan sumber daya. Randomisasi Adaptif Respons (RAR) secara dinamis mengubah rasio randomisasi: ketika satu pengobatan menunjukkan hasil yang lebih baik, peserta baru lebih mungkin dirandomisasi ke pengobatan itu, mengurangi paparan terhadap lengan yang inferior sambil mempertahankan ketelitian ilmiah. Kuncinya adalah pra-spesifikasi: semua aturan adaptasi harus ditulis sebelum penguncian data, dan tingkat kesalahan Tipe I (tingkat positif palsu) harus dikontrol melalui metode pengujian sekuensial.
Sejarah
Desain uji adaptif muncul pada tahun 1990-an ketika para ahli statistik mengembangkan teori pengujian sekuensial dan fungsi alokasi alfa (Jennison & Turnbull 2000). Makalah dasar Pocock memformalkan metodologi analisis sementara dan desain adaptif. Randomisasi Adaptif Respons (RAR) dikembangkan pada tahun 2000-an seiring dengan matangnya metode Bayesian. FDA mengeluarkan panduan formal tentang desain adaptif pada tahun 2019, mempercepat adopsi dalam pengembangan farmasi. Contoh penting termasuk uji coba onkologi yang menggunakan desain adaptif untuk mengidentifikasi dosis optimal dan kemanjuran. Pandemi COVID-19 mengkatalisasi adopsi uji coba adaptif (misalnya, uji coba SOLIDARITY, uji coba RECOVERY) karena kebutuhan mendesak akan bukti yang cepat.
Kapan digunakan
Gunakan desain adaptif ketika: (1) sinyal kemanjuran/kesia-siaan dini diharapkan (misalnya, kemanjuran mungkin muncul dalam 6 bulan), (2) ukuran sampel tidak pasti dan dapat disempurnakan oleh data sementara, (3) beberapa lengan pengobatan diuji dan beberapa mungkin jelas inferior, (4) etika menuntut minimalisasi paparan terhadap pengobatan yang tidak efektif, (5) jadwal pengembangan sangat penting (misalnya, obat yatim, onkologi), (6) sumber daya terbatas (desain adaptif mengurangi ukuran sampel atau durasi), (7) pengetahuan sebelumnya tidak pasti (data sementara menyempurnakan asumsi tentang ukuran efek, tingkat putus studi, dll.), (8) integrasi fase II/III yang mulus diinginkan (menggabungkan penemuan dosis dengan pengujian kemanjuran).
Batasan dan pertimbangan
- Kompleksitas: desain adaptif memerlukan perencanaan statistik yang canggih, infrastruktur analisis sementara, dan eksekusi yang cermat. Penyamaran dan manajemen data menjadi tantangan.
- Inflasi kesalahan Tipe I jika dilakukan dengan salah: adaptasi post-hoc atau ketidaktahuan metode pengujian sekuensial menginflasi positif palsu. Pra-spesifikasi yang ketat tidak dapat ditawar.
- Inflasi ukuran efek dari penghentian dini: jika batas penghentian kemanjuran terlampaui, ukuran efek yang diamati pada titik itu kemungkinan besar meningkat (bias optimisme). Efek uji coba final mungkin lebih kecil dari estimasi sementara.
- Perbandingan antar adaptasi: jika lengan dihentikan atau rasio randomisasi bergeser, perbandingan antara peserta baru dan asli dapat terganggu. Analisis subkelompok diperlukan.
- Biaya peraturan dan operasional: desain adaptif memerlukan pra-registrasi, rencana statistik terperinci, keahlian analisis sementara, dan komunikasi dengan regulator. Tidak semua pengaturan dapat mendukung ini.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Efisiensi: ukuran sampel berkurang dan durasi uji coba lebih pendek jika bukti sementara konklusif, menghemat waktu dan biaya.
- Etika: Randomisasi Adaptif Respons meminimalkan paparan terhadap lengan inferior; penghentian kesia-siaan mencegah pendaftaran yang berkepanjangan ketika kemanjuran tidak mungkin terjadi.
- Fleksibilitas: adaptasi dapat mengatasi ketidakpastian yang muncul tanpa mengorbankan ketelitian statistik, jika telah ditentukan sebelumnya.
- Digerakkan oleh informasi: data sementara menginformasikan alokasi sumber daya dan pemilihan lengan, mendinamiskan desain uji coba.
- Penerimaan peraturan: FDA dan EMA menerima desain adaptif ketika telah ditentukan sebelumnya dengan benar dan dikontrol untuk kesalahan Tipe I; semakin standar dalam pengembangan obat modern.
Penerapan
- Penemuan dosis dan fase II/III yang mulus: daftarkan peserta awal pada berbagai dosis, analisis sementara mengidentifikasi dosis optimal, kemudian lanjutkan dengan mulus ke pengujian kemanjuran dengan dosis tersebut dan kontrol plasebo.
- Uji coba onkologi: desain adaptif memungkinkan penghentian dini untuk kemanjuran superior atau kesia-siaan; Randomisasi Adaptif Respons mengarahkan lebih banyak pasien ke rejimen yang bermanfaat.
- Pengembangan obat penyakit langka: populasi yang lebih kecil membuat desain tetap kurang bertenaga; desain adaptif mengestimasi ulang ukuran sampel berdasarkan ukuran efek yang muncul, meningkatkan kelayakan.
- Respons wabah penyakit menular: selama epidemi, desain adaptif mempercepat identifikasi terapi yang efektif dengan menghentikan lengan yang tidak efektif dan beralih ke pengobatan berkinerja terbaik.
- Intervensi perilaku dan kesehatan mental: beberapa lengan intervensi diuji; desain adaptif menghentikan varian yang tidak efektif lebih awal, mengalokasikan kembali sumber daya ke yang menjanjikan.
Cara kerjanya
Cara kerjanya
Fase desain: tentukan protokol uji coba termasuk titik akhir primer, waktu peninjauan sementara (misalnya, pada 50% dan 100% dari peristiwa target atau peserta yang terdaftar), aturan penghentian (ambang batas kemanjuran, batas kesia-siaan), dan aturan adaptasi (estimasi ulang ukuran sampel, penghentian lengan, perubahan rasio randomisasi). Gunakan fungsi alokasi alfa (misalnya, O'Brien-Fleming) untuk mengalokasikan kesalahan Tipe I di antara analisis sementara dan final, memastikan total kesalahan Tipe I tetap pada 0,05. Terapkan Randomisasi Adaptif Respons (RAR) jika berlaku: probabilitas randomisasi bergeser berdasarkan data hasil sementara (misalnya, jika Pengobatan A menunjukkan tingkat respons yang lebih tinggi, peserta baru memiliki probabilitas randomisasi yang lebih tinggi ke A). Daftarkan dan randomisasi peserta sesuai dengan algoritma adaptif. Pantau data sementara pada waktu yang telah ditentukan. Penyamaran: pertahankan penyamaran (peserta, dokter, ahli statistik) terhadap pengobatan yang dialokasikan dan hasil sementara hingga analisis untuk menghindari bias.
Rumus
Plan pre-specified interim analyses at fixed information levels (e.g., 50% and 100% of target events); implement Response-Adaptive Randomization (RAR) if warranted; enroll participants and randomize according to protocol.
Pada setiap analisis sementara, ikuti protokol yang telah ditentukan sebelumnya: (1) Analisis hasil primer menggunakan semua data yang terkumpul hingga saat ini. (2) Hitung estimasi efek (rasio bahaya, perbedaan rata-rata, dll.) dengan interval kepercayaan dan nilai p menggunakan penyesuaian pengujian sekuensial. (3) Nilai batas penghentian: jika batas kemanjuran terlampaui (bukti kuat manfaat), pertimbangkan untuk berhenti lebih awal. Jika batas kesia-siaan terlampaui (ukuran efek tidak memadai), pertimbangkan untuk berhenti karena kesia-siaan. (4) Jika melanjutkan, terapkan aturan adaptasi: estimasi ulang ukuran sampel yang diperlukan berdasarkan efek yang diamati; jika lebih kecil dari yang direncanakan, kurangi target N. Sebaliknya, jika efek yang diamati lebih kecil dari yang diantisipasi, tingkatkan N. (5) Sesuaikan rasio randomisasi (jika RAR): hitung probabilitas posterior superioritas setiap lengan; randomisasi peserta baru dengan probabilitas yang sebanding dengan posterior ini. (6) Hentikan lengan: jika lengan menunjukkan inferioritas yang jelas (kesia-siaan), pertimbangkan untuk menghapusnya dari pendaftaran, kecuali jika ada masalah etika atau amandemen protokol yang diperlukan. (7) Kontrol kesalahan Tipe I: gunakan nilai p pengujian sekuensial (bukan nilai p standar) dan fungsi alokasi alfa yang telah ditentukan sebelumnya untuk memastikan kesalahan Tipe I kumulatif ≤ 0,05.
Rumus
At each interim: analyze pooled data, compute effect size, assess futility and efficacy; adjust sample size, randomization ratio, or arms as pre-specified; control Type I error via sequential testing or alpha-spending function.
Hasil dari uji coba adaptif diinterpretasikan serupa dengan RCT standar, tetapi dengan transparansi tambahan: laporkan aturan adaptasi yang digunakan, analisis sementara yang dilakukan, estimasi efek pada sementara dan final, dan alasan untuk adaptasi yang dibuat. Estimasi efek final valid (di bawah pengujian sekuensial yang benar) dan berlaku untuk seluruh populasi uji coba. Manfaat desain adaptif: (1) Efisiensi—ukuran sampel berkurang jika bukti awal kuat, penyelesaian lebih cepat. (2) Etika—peserta yang terdaftar dalam lengan yang tidak efektif diminimalkan melalui penghentian lengan atau RAR. (3) Fleksibilitas—desain dapat merespons bukti yang muncul tanpa komitmen awal terhadap asumsi tetap. Peringatan: (1) Desain adaptif harus ditentukan sebelumnya dan didaftarkan; adaptasi post-hoc adalah p-hacking. (2) Kontrol kesalahan Tipe I memerlukan kepatuhan terhadap metode pengujian sekuensial; nilai p standar tidak valid pada peninjauan sementara. (3) Estimasi ukuran efek dari uji coba penghentian dini mungkin meningkat (terlalu optimis). (4) Generalisasi mungkin terbatas jika lengan atau populasi bergeser selama adaptasi.
Rumus
At final analysis, apply sequential test corrections for multiple looks; interpret effect estimate in context of adaptation decisions; transparency on deviations from pre-specification.
Kesalahan umum
- Analisis sementara yang tidak disamarkan yang mengarah pada bias operasional: jika tim uji coba mengetahui penugasan pengobatan pada analisis sementara, keputusan dapat dipengaruhi secara tidak sadar. Gunakan Komite Pemantauan Data (DMC) independen dan pertahankan penyamaran terhadap label lengan yang dapat diidentifikasi.
- Adaptasi post-hoc: jika aturan adaptasi tidak ditentukan sebelumnya dan ditulis sebelum penyingkapan penyamaran, itu adalah p-hacking. Validitas desain adaptif bergantung pada pra-spesifikasi.
- Mengabaikan pengujian berganda: melakukan peninjauan sementara tanpa menyesuaikan ambang batas nilai p menginflasi kesalahan Tipe I. Selalu gunakan metode pengujian sekuensial (alokasi alfa, desain sekuensial grup).
- Interpretasi berlebihan sinyal dini: estimasi titik sementara berisik. Interval kepercayaan yang lebar pada analisis sementara harus mengurangi keyakinan pada arah atau besarnya efek. Jangan terlalu berkomitmen pada adaptasi berdasarkan estimasi yang tidak stabil.
- Kehilangan generalisasi dari penghentian lengan: jika lengan dihentikan di tengah uji coba dan hasil final tidak menyertakan pesertanya, uji coba menjadi tidak representatif. Dokumentasi yang cermat dan analisis sensitivitas diperlukan.
Pertanyaan yang sering diajukan
Bagaimana fungsi alokasi alfa mengontrol kesalahan Tipe I dalam uji coba adaptif?
Fungsi alokasi alfa adalah kurva yang mengalokasikan total kesalahan Tipe I (α, biasanya 0,05) di berbagai analisis sementara dan final. Pada setiap peninjauan sementara, kumulatif alfa yang dialokasikan hingga saat itu menentukan ambang batas nilai p untuk penghentian. Misalnya, fungsi O'Brien-Fleming mengalokasikan sangat sedikit alfa ke peninjauan sementara awal (ambang batas nilai p tinggi, sulit berhenti lebih awal), dan lebih banyak alfa ke peninjauan selanjutnya dan analisis final. Ini mempertahankan kesalahan Tipe I pada 0,05 secara keseluruhan sambil memungkinkan beberapa pengujian statistik. Jika Anda melakukan 2 analisis sementara + 1 analisis final dan menggunakan alokasi O'Brien-Fleming, ambang batas nilai p mungkin masing-masing 0,001, 0,01, dan 0,05 pada analisis sementara 1, analisis sementara 2, dan final, secara kumulatif menghabiskan 0,05.
Apa itu Randomisasi Adaptif Respons (RAR), dan bagaimana perbedaannya dengan randomisasi tetap?
Dalam randomisasi tetap (RCT standar), semua peserta dirandomisasi 1:1 (atau dengan rasio yang telah ditentukan sebelumnya) terlepas dari hasil sementara. Dalam RAR, rasio randomisasi disesuaikan berdasarkan data hasil sementara. Contoh: jika analisis sementara menunjukkan Pengobatan A memiliki tingkat respons 70% dan Pengobatan B memiliki 50%, RAR mungkin merandomisasi peserta baru dengan 60% ke A dan 40% ke B (mendukung lengan yang berkinerja lebih baik). Alasan: meminimalkan paparan terhadap pengobatan inferior, manfaat etika. Tantangan: RAR mempersulit inferensi (penyesuaian pengujian sekuensial diperlukan) dan dapat membiaskan estimasi efek jika tidak ditangani dengan hati-hati. RAR paling berguna ketika: (1) hasil diamati dengan cepat (tidak tertunda), (2) tujuannya adalah untuk memaksimalkan manfaat individu (bukan hanya meminimalkan ukuran sampel), (3) kekhawatiran etika tentang paparan terhadap lengan inferior tinggi.
Kapan saya harus menghentikan uji coba adaptif lebih awal karena kemanjuran, dan kapan karena kesia-siaan?
Tentukan batas penghentian kemanjuran dan kesia-siaan dalam rencana analisis statistik sebelum memulai uji coba. Penghentian kemanjuran: berhenti jika data sementara menunjukkan nilai p (disesuaikan untuk pengujian sekuensial) yang melampaui batas kemanjuran—bukti kuat superioritas. Contoh: jika batas O'Brien-Fleming terlampaui pada peninjauan sementara pertama, berhenti dan nyatakan kemanjuran. Penghentian kesia-siaan: berhenti jika data sementara menunjukkan ukuran efek sangat kecil sehingga, bahkan dengan mendaftarkan semua peserta yang tersisa, Anda kemungkinan tidak akan mencapai signifikansi statistik. Kesia-siaan dinilai melalui kekuatan kondisional: 'Mengingat efek yang diamati sejauh ini, berapa probabilitas untuk mencapai signifikansi pada analisis final?' Jika kekuatan kondisional <20%, pertimbangkan untuk berhenti karena kesia-siaan. Selalu minta tinjauan Komite Pemantauan Data (DMC) independen sebelum keputusan penghentian untuk menghindari bias.
Mengapa ukuran efek dari uji coba adaptif yang berhenti lebih awal mungkin meningkat?
Jika batas kemanjuran terlampaui pada peninjauan sementara dan pendaftaran dihentikan lebih awal, ukuran efek yang diamati pada titik itu kemungkinan besar meningkat karena variasi acak. Bayangkan melempar koin: rata-rata, Anda mengharapkan 50 kepala per 100 lemparan. Tetapi jika Anda berhenti ketika Anda mencapai 70 kepala (kejadian langka), dan menghitung lemparan, Anda akan mengamati rasio yang bias (70/100 = 70%). Demikian pula, dalam uji coba, jika Anda berhenti ketika estimasi efek sementara melampaui ambang batas tinggi, estimasi itu bias ke atas. Untuk pengambilan keputusan klinis, sesuaikan estimasi sementara ke bawah (menggunakan metode seperti analisis fungsi nilai p atau perhitungan kekuatan kondisional). Nilai p pengujian sekuensial masih mengontrol kesalahan Tipe I, tetapi estimasi titiknya optimis.
Metode terkait
Sumber
Pocock, S. J. (2005). Current issues in the design and interpretation of clinical trials. BMJ, 330(7500), 1118–1121.
Buka referensi publikasiDisalin.Pallmann, P., Bedding, A. W., Choodari-Oskooei, B., Dimairo, M., Flight, L., Hampson, L. V., ... & Wason, J. (2018). Adaptive designs in clinical trials: why use them, and how to run and report them. BMC Medicine, 16(1), 29.
Buka referensi DOIDisalin.FDA (2019). Adaptive Designs for Clinical Trials of Drugs and Biologics: Guidance for Industry. US Food and Drug Administration.
Buka referensi publikasiDisalin.