Uji Klinis Acak Bayesian
- Diperkenalkan oleh
- Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
- Tahun
- 1980s–2000s (formal methodology consolidated ~2004–2006)
- Jenis
- Randomized experimental study with Bayesian inference
- Keluarga
- Clinical / epidemiology
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Uji klinis acak Bayesian (Bayesian RCT) menggabungkan ketelitian alokasi pengobatan acak dengan inferensi statistik Bayesian, memungkinkan peneliti untuk memasukkan bukti sebelumnya dan memperbarui keyakinan secara berkelanjutan seiring akumulasi data uji.
Berbeda dengan RCT frekuentis klasik, uji ini menghasilkan pernyataan probabilitas langsung tentang efek pengobatan dan mendukung aturan penghentian adaptif yang telah ditentukan sebelumnya berdasarkan probabilitas posterior.
Intuisi di balik metode
Dalam RCT standar, Anda menunggu hingga semua data terkumpul lalu menanyakan apakah hasilnya cukup ekstrem untuk menolak hipotesis nol. Sebaliknya, Bayesian RCT menanyakan: berdasarkan semua yang kita ketahui sebelum uji dimulai dan apa yang ditunjukkan oleh data saat ini, berapa probabilitas bahwa pengobatan tersebut lebih baik dalam jumlah yang bermakna secara klinis? Probabilitas ini diperbarui dengan setiap observasi baru, mirip dengan perkiraan cuaca yang diperbarui saat pembacaan baru masuk. Karena keyakinan diperbarui secara berkelanjutan, uji dapat dihentikan lebih awal — karena efikasi, kesia-siaan, atau keamanan — berdasarkan ambang probabilitas yang telah ditentukan daripada peninjauan interim yang sewenang-wenang.
Sejarah
Penerapan metode Bayesian pada uji klinis diadvokasi sejak akhir 1980-an oleh ahli statistik termasuk Donald Berry di MD Anderson Cancer Center, yang mendemonstrasikan bagaimana probabilitas posterior dapat memandu uji coba onkologi adaptif. Spiegelhalter, Abrams, dan Myles mengkodifikasi kerangka kerja dalam monograf Wiley mereka tahun 2004, dan artikel Berry tahun 2006 di Nature Reviews Drug Discovery menjadi titik masuk yang banyak dikutip untuk peneliti klinis. Dokumen panduan peraturan — terutama panduan FDA tahun 2010 dan 2019 tentang desain adaptif — melegitimasi Bayesian RCT adaptif untuk persetujuan obat, mendorong adopsinya dalam onkologi, penyakit langka, dan uji coba platform.
Kapan digunakan
Gunakan Bayesian RCT ketika bukti prior yang bermakna ada (misalnya, dari fase sebelumnya atau agen terkait) dan secara ilmiah serta etis pantas untuk memasukkannya; ketika fitur adaptif (penghentian dini, penghentian lengan, penyesuaian ukuran sampel) penting secara klinis atau komersial; ketika tujuannya adalah pernyataan probabilitas langsung tentang manfaat pengobatan daripada nilai-p; atau ketika area penyakit jarang terjadi, sehingga penggunaan setiap peserta secara efisien menjadi penting. Jangan gunakan ketika regulator memerlukan analisis frekuentis murni tanpa prior (beberapa pengajuan Fase III konfirmatori), ketika data sebelumnya terlalu heterogen untuk digabungkan secara kredibel, atau ketika prior yang ditentukan sebelumnya tidak dapat disepakati di antara para peneliti dan pemangku kepentingan sebelum penyamaran dibuka.
Batasan dan pertimbangan
- Penerimaan peraturan untuk uji konfirmatori tidak universal; beberapa badan memerlukan karakteristik operasi frekuentis penuh bahkan untuk desain Bayesian.
- Hasilnya sensitif terhadap spesifikasi prior; prior informatif yang dipilih dengan buruk dapat mendominasi kemungkinan dan menyesatkan kesimpulan.
- Tuntutan komputasi (MCMC atau Bayes variasional) lebih tinggi daripada analisis frekuentis klasik, membutuhkan keahlian statistik.
- Randomisasi adaptif terhadap respons dapat menimbulkan kompleksitas logistik dan, dalam beberapa simulasi, meningkatkan kesalahan tipe-I jika tidak dikalibrasi dengan hati-hati.
- Pelaporan transparan tentang pilihan prior dan analisis sensitivitas adalah wajib tetapi menambah panjang dan kompleksitas pada publikasi.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menghasilkan hasil yang dapat diinterpretasikan secara langsung: probabilitas posterior bahwa manfaat pengobatan melebihi ambang batas yang penting secara klinis.
- Secara formal memasukkan bukti prior dari fase sebelumnya, mengurangi ukuran sampel yang dibutuhkan ketika informasi prior yang kuat ada.
- Aturan penghentian adaptif dapat menghentikan uji lebih awal karena efikasi atau kesia-siaan, melindungi peserta dan menghemat sumber daya.
- Randomisasi adaptif terhadap respons mengalokasikan lebih banyak peserta ke lengan yang berkinerja lebih baik, yang menarik secara etis pada penyakit serius.
- Interval kredibel memiliki interpretasi alami (ada probabilitas 95% efek berada dalam rentang ini) yang sering disalahartikan ke dalam interval kepercayaan frekuentis.
Penerapan
- Uji penemuan dosis dan perluasan onkologi (misalnya, desain interval optimal Bayesian untuk fase I/II).
- Uji coba platform dan protokol induk (RECOVERY, I-SPY) yang menghentikan lengan yang tidak efektif dan menambahkan yang baru menggunakan probabilitas posterior.
- Uji coba penyakit langka di mana populasi yang memenuhi syarat kecil membuat ukuran sampel klasik tidak layak.
- Uji coba perangkat dan diagnostik di mana bukti dunia nyata yang terakumulasi secara formal dimasukkan melalui prior informatif.
- Uji coba efikasi vaksin yang memerlukan keputusan interim cepat dengan ambang batas probabilitas eksplisit.
- Studi peningkatan dosis adaptif menggunakan metode penilaian berkelanjutan (CRM) atau peningkatan dengan kontrol overdosis (EWOC).
Cara kerjanya
Cara kerjanya
Sebelum uji dimulai, distribusi probabilitas prior ditentukan untuk parameter efek pengobatan. Prior informatif memasukkan hasil dari studi fase sebelumnya, literatur yang diterbitkan, atau pengetahuan klinis ahli; prior non-informatif (samar) digunakan ketika bukti sebelumnya terbatas atau untuk memenuhi ekspektasi peraturan tentang pengaruh prior minimal. Pilihan prior harus ditentukan sebelumnya dalam protokol dan dibenarkan.
Peserta dialokasikan secara acak ke lengan pengobatan, sama seperti dalam RCT frekuentis. Randomisasi dapat bersifat tetap (alokasi setara) atau adaptif terhadap respons (rasio alokasi diperbarui yang menguntungkan lengan yang berkinerja lebih baik). Penyamaran (blinding), kerahasiaan (concealment), dan standar pelaporan gaya CONSORT berlaku terlepas dari kerangka statistik.
Seiring akumulasi data hasil untuk setiap peserta, fungsi kemungkinan (likelihood function) mengukur seberapa mungkin data yang diamati di bawah nilai yang berbeda dari parameter efek pengobatan. Kemungkinan digabungkan dengan prior untuk menghasilkan keyakinan yang diperbarui — langkah ini sesuai dengan teorema Bayes dan dilakukan pada setiap analisis interim yang direncanakan sebelumnya.
Distribusi posterior P(theta | data) dihitung dengan mengalikan prior dengan kemungkinan dan menormalisasi. Dari distribusi ini, tim uji membaca kuantitas kunci: probabilitas posterior bahwa manfaat pengobatan melebihi ambang batas yang bermakna, rata-rata posterior dan interval kredibel untuk ukuran efek, dan probabilitas prediktif keberhasilan jika uji dilanjutkan hingga ukuran sampel maksimumnya.
Rumus
P(theta | data) propto P(data | theta) * P(theta)
Aturan keputusan yang ditentukan sebelumnya menerjemahkan probabilitas posterior menjadi tindakan uji. Aturan umum meliputi: berhenti karena efikasi jika P(delta > delta_min | data) > 0.95; berhenti karena kesia-siaan jika probabilitas prediktif keberhasilan akhir turun di bawah 0.05; lanjutkan jika tidak. Hasil akhir dilaporkan sebagai probabilitas posterior dan interval kredibel, dilengkapi dengan karakteristik operasi frekuentis yang diminta untuk pengajuan peraturan.
Kesalahan umum
- Memilih prior setelah melihat data — prior harus sepenuhnya ditentukan sebelumnya dan dikunci sebelum data yang tidak disamarkan diperiksa; pemilihan prior pasca-hoc membatalkan logika Bayesian dan menimbulkan bias.
- Mengabaikan konflik prior-data — ketika prior dan data yang terakumulasi sangat tidak setuju, posterior dapat memberikan ringkasan yang menyesatkan; diagnostik konflik harus menjadi bagian dari rencana pemantauan.
- Mengabaikan karakteristik operasi frekuentis — bahkan dalam uji Bayesian, pengajuan peraturan biasanya memerlukan perkiraan berbasis simulasi dari kesalahan tipe-I dan kekuatan di bawah nol dan alternatif; kegagalan untuk menyediakannya membahayakan persetujuan peraturan.
- Mencampuradukkan interval kredibel dengan interval kepercayaan — interval kredibel Bayesian memerlukan prior; melaporkannya seolah-olah itu adalah interval kepercayaan frekuentis menyalahartikan kerangka statistik.
Pertanyaan yang sering diajukan
Apakah saya memerlukan literatur prior yang besar untuk menjalankan Bayesian RCT?
Tidak. Ketika informasi prior terbatas atau diperdebatkan, prior yang kurang informatif atau non-informatif dapat digunakan. Konsekuensinya adalah dengan prior yang samar, posterior Bayesian akan sangat mirip dengan hasil frekuentis, sehingga keuntungan utama menjadi aturan penghentian adaptif daripada peminjaman prior. Analisis sensitivitas di berbagai prior harus selalu dilaporkan.
Apakah FDA atau EMA akan menerima Bayesian RCT untuk persetujuan obat?
Kedua badan telah mengeluarkan panduan yang mendukung desain adaptif Bayesian, tetapi penerimaan bergantung pada konteks. Panduan FDA 2019 secara eksplisit mencakup desain adaptif Bayesian untuk obat-obatan dan perangkat. Persyaratan utama meliputi: penentuan prior dan aturan keputusan sebelumnya, studi simulasi yang menunjukkan kesalahan tipe-I dan kekuatan yang dapat diterima, dan pelaporan yang transparan. Keterlibatan awal dengan badan terkait sangat disarankan.
Bagaimana Bayesian RCT berbeda dari RCT adaptif?
RCT adaptif adalah kategori desain luas yang memodifikasi parameter uji (ukuran sampel, alokasi, lengan) berdasarkan data yang terakumulasi; itu dapat dianalisis dengan metode frekuentis atau Bayesian. Bayesian RCT secara khusus menggunakan inferensi Bayesian — distribusi prior, kemungkinan, dan probabilitas posterior — yang secara alami mendukung aturan keputusan adaptif. Sebagian besar Bayesian RCT modern juga adaptif, tetapi kedua label tersebut merujuk pada aspek desain yang berbeda.
Perangkat lunak apa yang dapat saya gunakan untuk analisis Bayesian RCT?
Stan (melalui RStan atau CmdStanR) dan JAGS adalah platform yang paling banyak digunakan untuk komputasi posterior melalui MCMC. Paket R RBesT (sintesis bukti Bayesian), bayesDP, dan trialr mengimplementasikan desain uji spesifik. EAST Bayes dan FACTS adalah paket perangkat lunak komersial dengan rekam jejak peraturan untuk simulasi dan analisis uji Bayesian adaptif.
Berapa ukuran sampel minimum untuk Bayesian RCT?
Tidak ada minimum universal; ukuran sampel yang dibutuhkan bergantung pada kekuatan prior, ukuran efek target, ambang probabilitas posterior yang dipilih, dan karakteristik operasi frekuentis yang diinginkan. Studi simulasi — biasanya 10.000 replikasi atau lebih dalam berbagai skenario — digunakan untuk menentukan ukuran sampel maksimum dan batas penghentian adaptif sebelum uji dimulai.
Metode terkait
Sumber
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN: 978-0471499756Disalin.Berry, D. A. (2006). Bayesian clinical trials. Nature Reviews Drug Discovery, 5(1), 27–36.
Buka referensi DOIDisalin.