ベイズ的無作為化臨床試験
- 提唱者
- Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
- 年
- 1980s–2000s (formal methodology consolidated ~2004–2006)
- 種類
- Randomized experimental study with Bayesian inference
- 系統
- Clinical / epidemiology
この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む
何をする手法か?
ベイズ的無作為化臨床試験(Bayesian RCT)は、無作為な治療割り付けの厳密さとベイズ統計推論を組み合わせ、研究者が事前証拠を組み込み、試験データが蓄積するにつれて信念を継続的に更新することを可能にします。古典的な頻度論的RCTとは異なり、治療効果に関する直接的な確率的記述を提供し、事後確率に基づいた事前に規定された適応的停止規則を支持します。
手法の背後にある直感
標準的なRCTでは、すべてのデータが収集されるまで待ってから、結果が帰無仮説を棄却するのに十分極端であるかどうかを問います。それに対し、ベイズ的RCTは、「試験開始前に我々が知っていたすべてと現在のデータが示すものに基づくと、臨床的に意味のある量だけ治療が優れている確率はいくらか?」と問います。この確率は、新しい観測ごとに更新され、気象予報が新しい観測値が入るにつれて更新されるのと同様です。信念は継続的に更新されるため、試験は、恣意的な中間的な確認ではなく、事前に定められた確率的閾値に基づいて、早期(有効性、無効性、または安全性)に停止することができます。
歴史学
臨床試験へのベイズ的アプローチの適用は、1980年代後半から、MDアンダーソンがんセンターのドナルド・ベリーなどの統計学者によって推進され、事後確率が適応的腫瘍学試験をどのように導くことができるかを示しました。シュピーゲルハルター、エイブラムス、マイルズは2004年のWileyのモノグラフでその枠組みを成文化し、ベリーの2006年のNature Reviews Drug Discoveryの記事は、臨床研究者にとって広く引用される入り口となりました。規制当局のガイダンス文書、特にFDAの2010年および2019年の適応デザインに関するガイダンスは、ベイズ的適応的RCTを医薬品承認のために正当化し、腫瘍学、希少疾患、およびプラットフォーム試験での採用を促進しました。
使うべき場面
意味のある事前証拠が存在し(例:早期フェーズや関連薬剤から)、それを組み込むことが科学的および倫理的に適切である場合(例:早期フェーズや関連薬剤から)、適応的特徴(早期停止、群削除、サンプルサイズ調整)が臨床的または商業的に重要である場合、p値ではなく治療効果に関する直接的な確率的記述が目標である場合、または疾患領域が稀で、各参加者の効率的な利用が不可欠である場合に、ベイズ的RCTを使用します。規制当局が事前分布なしの純粋な頻度論的分析を要求する場合(一部の確認的第III相申請)、事前データが信頼できるプールには異質的すぎる場合、または試験実施者と利害関係者の間で盲検化前に事前に規定された事前分布について合意できない場合は使用しないでください。
限界と注意点
- 確認的試験に対する規制当局の受容は普遍的ではありません。一部の規制当局は、ベイズ的デザインであっても完全な頻度論的な運用特性を要求します。
- 結果は事前分布の選択に影響されます。不適切に選択された情報的な事前分布は尤度を支配し、結論を誤らせる可能性があります。
- 計算負荷(MCMCまたは変分ベイズ)は古典的な頻度論的分析よりも高く、統計的専門知識が必要です。
- 応答適応型無作為化は、物流上の複雑さを導入する可能性があり、一部のシミュレーションでは、慎重に調整されない場合、第一種の過誤を増加させる可能性があります。
- 事前選択肢と感度分析の透明性のある報告は義務ですが、出版物の長さと複雑さを増します。
出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。
強み
- 臨床的に重要な閾値を超える治療効果の事後確率など、直接解釈可能な結果を生成します。
- 早期フェーズからの事前証拠を形式的に組み込み、強力な事前情報が存在する場合には必要なサンプルサイズを削減します。
- 適応的停止規則により、有効性または無効性のために試験を早期に中止でき、参加者を保護し、リソースを節約できます。
- 応答適応型無作為化は、より良好な成績を示している群により多くの参加者を割り付けるため、重篤な疾患においては倫理的に魅力的です。
- 信用区間は、頻度論的な信頼区間に誤って読み取られることが多い自然な解釈(効果がこの範囲内にある確率は95%)を持ちます。
応用
- 腫瘍学における用量設定および拡大試験(例:第I/II相のためのベイズ的最適区間デザイン)。
- 事後確率を使用して無効な群を削除し新しい群を追加するプラットフォームおよびマスタープロトコル試験(RECOVERY、I-SPY)。
- 古典的なサンプルサイズが実行不可能な、小規模な対象集団の希少疾患試験。
- 情報的な事前分布を通じてリアルワールドエビデンスを形式的に組み込むデバイスおよび診断薬試験。
- 明示的な確率的閾値を用いた迅速な中間決定を必要とするワクチン有効性試験。
- 継続的再評価法(CRM)または過量投与制御付き漸増法(EWOC)を用いた適応的用量漸増研究。
使い方
使い方
試験が開始される前に、治療効果パラメータに対する事前確率分布が規定されます。情報的な事前分布は、早期のフェーズ研究、公表された文献、または専門家の臨床知識からの結果を組み込みます。非情報的な(曖昧な)事前分布は、事前証拠が限定的である場合や、最小限の事前影響に対する規制当局の期待を満たすために使用されます。事前分布の選択は、プロトコルで事前に規定され、正当化されなければなりません。
参加者は、頻度論的RCTと全く同様に、治療群に無作為に割り付けられます。無作為化は、固定(均等割り付け)または応答適応型(より良好な成績を示している群に有利になるように割り付け比率を更新)のいずれかです。統計的枠組みに関わらず、盲検化、隠蔽化、およびCONSORTスタイルの報告基準が適用されます。
各参加者の転帰データが蓄積されるにつれて、尤度関数は、観察されたデータが治療効果パラメータの異なる値の下でどの程度確率的であるかを定量化します。尤度は事前分布と組み合わされて更新された信念を生成します。このステップはベイズの定理に対応し、各事前に計画された中間解析で実行されます。
事後分布P(θ | データ)は、事前分布に尤度を掛け、正規化することによって計算されます。この分布から、試験チームは主要な数量を読み取ります。すなわち、治療効果が意味のある閾値を超える事後確率、効果量に対する事後平均および信用区間、そして試験が最大サンプルサイズまで継続された場合の成功した転帰の予測確率です。
数式
P(theta | data) propto P(data | theta) * P(theta)
事前に規定された決定規則は、事後確率を試験の行動に変換します。一般的な規則には、P(δ > δ_min | データ) > 0.95 であれば有効性のため停止する、最終的な成功の予測確率が0.05を下回れば無効性のため停止する、それ以外の場合は継続する、などがあります。最終結果は、規制当局への提出のために要求される頻度論的な運用特性を補足として、事後確率と信用区間として報告されます。
よくある落とし穴
- データを見た後に事前分布を選択すること。事前分布は完全に事前に規定され、未盲検データが検査される前にロックされなければなりません。事後的な事前分布の選択はベイズ論理を無効にし、バイアスを導入します。
- 事前データとの矛盾を無視すること。事前分布と蓄積データが強く矛盾する場合、事後分布は誤解を招く要約を提供する可能性があります。矛盾の診断は、モニタリング計画の一部であるべきです。
- 頻度論的な運用特性を無視すること。ベイズ的試験であっても、規制当局への提出には通常、帰無仮説と対立仮説の下での第一種の過誤と検出力のシミュレーションベースの推定値が必要です。それらを提供しないことは、規制当局の承認を危うくします。
- 信用区間と信頼区間を混同すること。ベイズ的信用区間は事前分布を必要とします。それらを頻度論的な信頼区間であるかのように報告することは、統計的枠組みを誤って表現することになります。
よくある質問
ベイズ的RCTを実施するために、大規模な事前文献が必要ですか?
いいえ。事前情報が限定的または論争の的である場合、弱情報的または非情報的な事前分布を使用できます。トレードオフとして、曖昧な事前分布ではベイズ事後分布は頻度論的な結果に近くなるため、主な利点は事前情報の借用ではなく、適応的停止規則になります。様々な事前分布に対する感度分析は、常に報告されるべきです。
FDAまたはEMAは、医薬品承認のためにベイズ的RCTを受け入れますか?
両機関ともベイズ的適応デザインを支持するガイダンスを発行していますが、受容は状況によります。FDAの2019年ガイダンスは、医薬品およびデバイスのためのベイズ的適応デザインを明確にカバーしています。主な要件には、事前分布と決定規則の事前規定、許容可能な第一種の過誤と検出力を実証するシミュレーション研究、および透明性のある報告が含まれます。関連機関との早期の協議を強く推奨します。
ベイズ的RCTは、適応的RCTとどのように異なりますか?
適応的RCTは、蓄積データに基づいて試験パラメータ(サンプルサイズ、割り付け、群)を変更する広範なデザインカテゴリであり、頻度論的またはベイズ的手法のいずれかで分析できます。ベイズ的RCTは、具体的にはベイズ推論(事前分布、尤度、事後確率)を使用しており、これは適応的決定規則を自然にサポートします。ほとんどの現代的なベイズ的RCTは適応的でもありますが、2つのラベルはデザインの異なる側面を指します。
ベイズ的RCT分析にはどのようなソフトウェアを使用できますか?
Stan(RStanまたはCmdStanR経由)およびJAGSは、MCMCによる事後計算で最も広く使用されているプラットフォームです。RパッケージRBesT(ベイズ的エビデンス合成)、bayesDP、およびtrialrは、特定の試験デザインを実装しています。EAST BayesおよびFACTSは、適応的ベイズ的試験シミュレーションおよび分析において規制当局での実績を持つ商用ソフトウェアパッケージです。
ベイズ的RCTの最小サンプルサイズはいくつですか?
普遍的な最小値はありません。必要なサンプルサイズは、事前分布の強度、目標とする効果量、選択された事後確率閾値、および望ましい頻度論的な運用特性によって異なります。シミュレーション研究(通常、様々なシナリオの下で10,000回以上の繰り返し)は、試験開始前に最大サンプルサイズと適応的停止境界を決定するために使用されます。
関連する手法
参考文献
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN:978-0471499756コピーしました。Berry, D. A. (2006). Bayesian clinical trials. Nature Reviews Drug Discovery, 5(1), 27–36.
DOI 文献を開くコピーしました。