Skip to content
Torna ai risultati

Sperimentazione Clinica Randomizzata Bayesiana

Introdotto da
Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
Anno
1980s–2000s (formal methodology consolidated ~2004–2006)
Tipo
Randomized experimental study with Bayesian inference
Famiglia
Clinical / epidemiology

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

Una sperimentazione clinica randomizzata bayesiana (Bayesian RCT) combina il rigore dell'allocazione casuale del trattamento con l'inferenza statistica bayesiana, consentendo ai ricercatori di incorporare evidenze precedenti e aggiornare continuamente le convinzioni man mano che i dati dello studio si accumulano.

A differenza della RCT frequentista classica, essa fornisce dichiarazioni di probabilità dirette sugli effetti del trattamento e supporta regole di interruzione adattive pre-specificate basate sulle probabilità a posteriori.

L’intuizione alla base del metodo

In una RCT standard si attende che tutti i dati siano raccolti e poi ci si chiede se i risultati siano sufficientemente estremi da rifiutare un'ipotesi nulla. Una Bayesian RCT invece si chiede: dato tutto ciò che sapevamo prima dell'inizio dello studio e ciò che i dati attuali mostrano, qual è la probabilità che il trattamento sia migliore di una quantità clinicamente significativa? Questa probabilità si aggiorna ad ogni nuova osservazione, molto simile a una previsione meteorologica che si aggiorna man mano che arrivano nuove letture. Poiché le convinzioni vengono aggiornate continuamente, lo studio può essere interrotto precocemente — per efficacia, futilità o sicurezza — basandosi su soglie di probabilità predeterminate piuttosto che su revisioni intermedie arbitrarie.

Storia

L'applicazione dei metodi bayesiani agli studi clinici è stata sostenuta dalla fine degli anni '80 da statistici tra cui Donald Berry presso l'MD Anderson Cancer Center, che ha dimostrato come le probabilità a posteriori potessero guidare studi oncologici adattivi. Spiegelhalter, Abrams e Myles hanno codificato il quadro nella loro monografia Wiley del 2004, e l'articolo di Berry del 2006 su Nature Reviews Drug Discovery è diventato un punto di ingresso ampiamente citato per i ricercatori clinici. I documenti di guida regolatoria — in particolare le linee guida della FDA del 2010 e del 2019 sui disegni adattivi — hanno legittimato le Bayesian adaptive RCT per l'approvazione dei farmaci, stimolandone l'adozione in oncologia, malattie rare e studi di piattaforma.

Quando usarlo

Utilizzare una Bayesian RCT quando esistono evidenze precedenti significative (ad esempio, da fasi precedenti o agenti correlati) e sarebbe scientificamente ed eticamente appropriato incorporarle; quando le caratteristiche adattive (interruzione precoce, abbandono di bracci, aggiustamento della dimensione campionaria) sono clinicamente o commercialmente importanti; quando l'obiettivo sono dichiarazioni di probabilità dirette sul beneficio del trattamento piuttosto che un p-value; o quando l'area della malattia è rara, rendendo essenziale un uso efficiente di ogni partecipante. Non utilizzare quando le autorità regolatorie richiedono un'analisi puramente frequentista senza priori (alcune sottomissioni di Fase III confermatorie), quando i dati precedenti sono troppo eterogenei per essere aggregati in modo credibile, o quando un priore pre-specificato non può essere concordato tra gli sperimentatori e gli stakeholder prima del dismascheramento.

Limiti e considerazioni

  • L'accettazione regolatoria per gli studi confermatori non è universale; alcune agenzie richiedono caratteristiche operative frequentiste complete anche per i disegni bayesiani.
  • I risultati sono sensibili alla specificazione del priore; un priore informativo mal scelto può dominare la verosimiglianza e fuorviare le conclusioni.
  • Le richieste computazionali (MCMC o Bayes variazionale) sono più elevate rispetto alle analisi frequentiste classiche, richiedendo competenza statistica.
  • La randomizzazione adattiva alla risposta può introdurre complessità logistica e, in alcune simulazioni, aumentare l'errore di tipo I se non calibrata attentamente.
  • La trasparenza nella segnalazione delle scelte a priori e delle analisi di sensibilità è obbligatoria ma aggiunge lunghezza e complessità alle pubblicazioni.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Produce risultati direttamente interpretabili: la probabilità a posteriori che il beneficio del trattamento superi una soglia clinicamente importante.
  • Incorpora formalmente evidenze precedenti da fasi precedenti, riducendo la dimensione campionaria necessaria quando esistono forti informazioni a priori.
  • Le regole di interruzione adattive possono interrompere lo studio precocemente per efficacia o futilità, proteggendo i partecipanti e risparmiando risorse.
  • La randomizzazione adattiva alla risposta alloca più partecipanti al braccio che sta ottenendo risultati migliori, il che è eticamente attraente nelle malattie gravi.
  • Gli intervalli di credibilità hanno un'interpretazione naturale (c'è una probabilità del 95% che l'effetto si trovi all'interno di questo intervallo) che è spesso erroneamente attribuita agli intervalli di confidenza frequentisti.

Applicazioni

  • Studi di ricerca della dose e di espansione in oncologia (ad esempio, disegni a intervallo ottimale bayesiano per la fase I/II).
  • Studi di piattaforma e protocollo master (RECOVERY, I-SPY) che eliminano bracci inefficaci e ne aggiungono di nuovi utilizzando probabilità a posteriori.
  • Studi sulle malattie rare in cui la piccola popolazione eleggibile rende impraticabili le dimensioni campionarie classiche.
  • Studi su dispositivi e diagnostici in cui l'accumulo di evidenze del mondo reale è formalmente incorporato tramite un priore informativo.
  • Studi sull'efficacia dei vaccini che richiedono rapide decisioni intermedie con soglie di probabilità esplicite.
  • Studi adattivi di escalation della dose che utilizzano metodi di rivalutazione continua (CRM) o escalation con controllo dell'overdose (EWOC).

Come funziona

Come funziona

1

Prima dell'inizio dello studio, viene specificata una distribuzione di probabilità a priori per il parametro dell'effetto del trattamento. I priori informativi incorporano i risultati di studi di fase precedenti, letteratura pubblicata o conoscenze cliniche esperte; i priori non informativi (vagi) vengono utilizzati quando l'evidenza precedente è limitata o per soddisfare le aspettative regolatorie di minima influenza a priori. La scelta del priore deve essere pre-specificata nel protocollo e giustificata.

2

I partecipanti vengono assegnati casualmente ai bracci di trattamento, esattamente come in una RCT frequentista. La randomizzazione può essere fissa (allocazione uguale) o adattiva alla risposta (rapporti di allocazione aggiornati a favore del braccio che sta ottenendo risultati migliori). Il mascheramento, l'occultamento e gli standard di reporting in stile CONSORT si applicano indipendentemente dal quadro statistico.

3

Man mano che i dati di esito si accumulano per ciascun partecipante, la funzione di verosimiglianza quantifica quanto siano probabili i dati osservati sotto diversi valori del parametro dell'effetto del trattamento. La verosimiglianza viene combinata con il priore per produrre convinzioni aggiornate — questo passaggio corrisponde al teorema di Bayes ed è eseguito ad ogni analisi intermedia pre-pianificata.

4

La distribuzione a posteriori P(theta | data) viene calcolata moltiplicando il priore per la verosimiglianza e normalizzando. Da questa distribuzione il team dello studio legge le quantità chiave: la probabilità a posteriori che il beneficio del trattamento superi una soglia significativa, la media a posteriori e l'intervallo di credibilità per la dimensione dell'effetto, e la probabilità predittiva di un esito positivo se lo studio dovesse continuare fino alla sua dimensione campionaria massima.

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

Le regole decisionali pre-specificate traducono le probabilità a posteriori in azioni dello studio. Le regole comuni includono: interrompere per efficacia se P(delta > delta_min | data) > 0.95; interrompere per futilità se la probabilità predittiva di successo finale scende al di sotto di 0.05; continuare altrimenti. I risultati finali sono riportati come probabilità a posteriori e intervalli di credibilità, integrati da eventuali caratteristiche operative frequentiste richieste per la sottomissione regolatoria.

Errori comuni

  • Scegliere il priore dopo aver visto i dati — il priore deve essere completamente pre-specificato e bloccato prima che vengano esaminati dati non mascherati; la selezione post-hoc del priore invalida la logica bayesiana e introduce bias.
  • Ignorare il conflitto priore-dati — quando il priore e i dati accumulati sono in forte disaccordo, il posteriore può fornire riassunti fuorvianti; la diagnostica del conflitto dovrebbe far parte del piano di monitoraggio.
  • Trascurare le caratteristiche operative frequentiste — anche in uno studio bayesiano, le sottomissioni regolatorie tipicamente richiedono stime basate su simulazioni dell'errore di tipo I e della potenza sotto l'ipotesi nulla e alternativa; la mancata fornitura di queste compromette l'approvazione regolatoria.
  • Confondere gli intervalli di credibilità con gli intervalli di confidenza — gli intervalli di credibilità bayesiani richiedono un priore; riportarli come se fossero intervalli di confidenza frequentisti travisa il quadro statistico.

Domande frequenti

Ho bisogno di una vasta letteratura precedente per condurre una Bayesian RCT?

No. Quando le informazioni precedenti sono limitate o contestate, può essere utilizzato un priore debolmente informativo o non informativo. Il compromesso è che con un priore vago il posteriore bayesiano assomiglierà molto a un risultato frequentista, quindi il vantaggio principale diventa l'applicazione di regole di interruzione adattive piuttosto che l'incorporazione di informazioni a priori. Le analisi di sensibilità su una gamma di priori dovrebbero sempre essere riportate.

La FDA o l'EMA accetteranno una Bayesian RCT per l'approvazione di un farmaco?

Entrambe le agenzie hanno emesso linee guida a supporto dei disegni adattivi bayesiani, ma l'accettazione dipende dal contesto. Le linee guida della FDA del 2019 coprono esplicitamente i disegni adattivi bayesiani per farmaci e dispositivi. I requisiti chiave includono: pre-specifica del priore e delle regole decisionali, studi di simulazione che dimostrano un errore di tipo I e una potenza accettabili, e reporting trasparente. Si consiglia vivamente un coinvolgimento precoce con l'agenzia competente.

In cosa differisce una Bayesian RCT da una RCT adattiva?

Una RCT adattiva è un'ampia categoria di disegno che modifica i parametri dello studio (dimensione campionaria, allocazione, bracci) in base ai dati accumulati; può essere analizzata con metodi frequentisti o bayesiani. Una Bayesian RCT utilizza specificamente l'inferenza bayesiana — distribuzioni a priori, verosimiglianze e probabilità a posteriori — che supportano naturalmente le regole decisionali adattive. La maggior parte delle moderne Bayesian RCT sono anche adattive, ma le due etichette si riferiscono a diversi aspetti del disegno.

Quale software posso usare per l'analisi di una Bayesian RCT?

Stan (tramite RStan o CmdStanR) e JAGS sono le piattaforme più utilizzate per il calcolo a posteriori tramite MCMC. I pacchetti R RBesT (sintesi di evidenze bayesiane), bayesDP e trialr implementano specifici disegni di studio. EAST Bayes e FACTS sono pacchetti software commerciali con un track record regolatorio per la simulazione e l'analisi di studi bayesiani adattivi.

Qual è la dimensione campionaria minima per una Bayesian RCT?

Non esiste un minimo universale; la dimensione campionaria richiesta dipende dalla forza del priore, dalla dimensione dell'effetto target, dalla soglia di probabilità a posteriori scelta e dalle caratteristiche operative frequentiste desiderate. Studi di simulazione — tipicamente 10.000 o più replicazioni in una gamma di scenari — vengono utilizzati per determinare la dimensione campionaria massima e i confini di interruzione adattiva prima dell'inizio dello studio.

Metodi correlati

Fonti

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

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

    Apri il riferimento DOI
    Copiato.