Bayesowska zrandomizowana próba kliniczna
- Autor metody
- Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
- Rok
- 1980s–2000s (formal methodology consolidated ~2004–2006)
- Typ
- Randomized experimental study with Bayesian inference
- Rodzina
- Clinical / epidemiology
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Bayesowska zrandomizowana próba kliniczna (Bayesian RCT) łączy rygor losowego przydziału leczenia z bayesowską inferencją statystyczną, umożliwiając badaczom uwzględnianie wcześniejszych dowodów i ciągłe aktualizowanie przekonań w miarę gromadzenia danych z próby.
W przeciwieństwie do klasycznej częstościowej próby RCT, dostarcza ona bezpośrednich stwierdzeń prawdopodobieństwa dotyczących efektów leczenia i wspiera z góry określone zasady adaptacyjnego zatrzymania oparte na prawdopodobieństwach a posteriori.
Intuicja stojąca za metodą
W standardowej próbie RCT czeka się, aż wszystkie dane zostaną zebrane, a następnie pyta, czy wyniki są wystarczająco ekstremalne, aby odrzucić hipotezę zerową. Bayesowska próba RCT zamiast tego pyta: biorąc pod uwagę wszystko, co wiedzieliśmy przed rozpoczęciem próby i co pokazują obecne dane, jakie jest prawdopodobieństwo, że leczenie jest lepsze o klinicznie znaczącą wartość? To prawdopodobieństwo aktualizuje się z każdą nową obserwacją, podobnie jak prognoza pogody aktualizuje się w miarę napływania nowych odczytów. Ponieważ przekonania są aktualizowane w sposób ciągły, próba może zakończyć się wcześniej — z powodu skuteczności, daremności lub bezpieczeństwa — na podstawie z góry określonych progów prawdopodobieństwa, a nie arbitralnych tymczasowych analiz.
Historia
Zastosowanie metod bayesowskich do prób klinicznych było promowane od późnych lat 80. przez statystyków, w tym Donalda Berry'ego z MD Anderson Cancer Center, który zademonstrował, jak prawdopodobieństwa a posteriori mogą kierować adaptacyjnymi próbami onkologicznymi. Spiegelhalter, Abrams i Myles skodyfikowali ramy w swojej monografii Wiley z 2004 roku, a artykuł Berry'ego z 2006 roku w Nature Reviews Drug Discovery stał się szeroko cytowanym punktem wejścia dla badaczy klinicznych. Dokumenty wytycznych regulacyjnych — zwłaszcza wytyczne FDA z 2010 i 2019 roku dotyczące projektów adaptacyjnych — legitymizowały bayesowskie adaptacyjne próby RCT do zatwierdzania leków, napędzając ich adopcję w onkologii, chorobach rzadkich i próbach platformowych.
Kiedy stosować
Zastosuj Bayesowską próbę RCT, gdy istnieją znaczące wcześniejsze dowody (np. z wcześniejszych faz lub powiązanych środków) i byłoby to naukowo i etycznie właściwe, aby je uwzględnić; gdy cechy adaptacyjne (wczesne zatrzymanie, eliminacja ramienia, dostosowanie wielkości próby) są klinicznie lub komercyjnie ważne; gdy celem są bezpośrednie stwierdzenia prawdopodobieństwa dotyczące korzyści z leczenia, a nie wartość p; lub gdy choroba jest rzadka, co sprawia, że efektywne wykorzystanie każdego uczestnika jest kluczowe. Nie stosuj, gdy organy regulacyjne wymagają czysto częstościowej analizy bez apriorycznych rozkładów prawdopodobieństwa (niektóre potwierdzające badania fazy III), gdy wcześniejsze dane są zbyt heterogeniczne, aby je wiarygodnie połączyć, lub gdy z góry określony aprioryczny rozkład prawdopodobieństwa nie może zostać uzgodniony między badaczami a interesariuszami przed odtajnieniem.
Ograniczenia i uwagi
- Akceptacja regulacyjna dla prób potwierdzających nie jest uniwersalna; niektóre agencje wymagają pełnych częstościowych charakterystyk operacyjnych nawet dla projektów bayesowskich.
- Wyniki są wrażliwe na specyfikację apriorycznego rozkładu prawdopodobieństwa; źle dobrany informacyjny aprioryczny rozkład prawdopodobieństwa może zdominować funkcję wiarygodności i prowadzić do błędnych wniosków.
- Wymagania obliczeniowe (MCMC lub bayesowska metoda wariacyjna) są wyższe niż w klasycznych analizach częstościowych, wymagając wiedzy statystycznej.
- Randomizacja adaptacyjna w zależności od odpowiedzi może wprowadzać złożoność logistyczną i, w niektórych symulacjach, zwiększać błąd typu I, jeśli nie jest starannie skalibrowana.
- Przejrzyste raportowanie wyborów apriorycznych rozkładów prawdopodobieństwa i analiz wrażliwości jest obowiązkowe, ale zwiększa długość i złożoność publikacji.
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Dostarcza bezpośrednio interpretowalnych wyników: prawdopodobieństwo a posteriori, że korzyść z leczenia przekracza klinicznie ważny próg.
- Formalnie uwzględnia wcześniejsze dowody z wcześniejszych faz, zmniejszając potrzebną wielkość próby, gdy istnieją silne informacje aprioryczne.
- Adaptacyjne zasady zatrzymania mogą zakończyć próbę wcześniej z powodu skuteczności lub daremności, chroniąc uczestników i oszczędzając zasoby.
- Randomizacja adaptacyjna w zależności od odpowiedzi przydziela więcej uczestników do ramienia o lepszych wynikach, co jest etycznie atrakcyjne w przypadku poważnych chorób.
- Przedziały wiarygodności mają naturalną interpretację (istnieje 95% prawdopodobieństwo, że efekt mieści się w tym zakresie), która jest często błędnie przypisywana częstościowym przedziałom ufności.
Zastosowania
- Onkologiczne próby ustalania dawki i rozszerzenia (np. bayesowskie optymalne projekty interwałowe dla fazy I/II).
- Próby platformowe i główne protokoły (RECOVERY, I-SPY), które eliminują nieskuteczne ramiona i dodają nowe, wykorzystując prawdopodobieństwa a posteriori.
- Próby chorób rzadkich, gdzie mała populacja kwalifikująca się do udziału sprawia, że klasyczne wielkości prób są niewykonalne.
- Próby urządzeń i diagnostyki, gdzie gromadzone dowody z rzeczywistego świata są formalnie uwzględniane za pomocą informacyjnego apriorycznego rozkładu prawdopodobieństwa.
- Próby skuteczności szczepionek wymagające szybkich decyzji pośrednich z wyraźnymi progami prawdopodobieństwa.
- Adaptacyjne badania eskalacji dawki z wykorzystaniem metod ciągłej oceny (CRM) lub eskalacji z kontrolą przedawkowania (EWOC).
Jak to działa
Jak to działa
Przed rozpoczęciem próby określa się aprioryczny rozkład prawdopodobieństwa dla parametru efektu leczenia. Informacyjne aprioryczne rozkłady uwzględniają wyniki wcześniejszych badań fazowych, opublikowaną literaturę lub wiedzę kliniczną ekspertów; nieinformacyjne (niejasne) aprioryczne rozkłady są stosowane, gdy wcześniejsze dowody są ograniczone lub w celu spełnienia oczekiwań regulacyjnych dotyczących minimalnego wpływu apriorycznego. Wybór apriorycznego rozkładu musi być z góry określony w protokole i uzasadniony.
Uczestnicy są losowo przydzielani do ramion terapeutycznych, dokładnie tak samo jak w częstościowej próbie RCT. Randomizacja może być stała (równy przydział) lub adaptacyjna w zależności od odpowiedzi (stosunki przydziału aktualizowane na korzyść ramienia o lepszych wynikach). Ślepa próba, ukrycie informacji i standardy raportowania w stylu CONSORT mają zastosowanie niezależnie od ram statystycznych.
W miarę gromadzenia danych o wynikach dla każdego uczestnika, funkcja wiarygodności kwantyfikuje prawdopodobieństwo zaobserwowanych danych dla różnych wartości parametru efektu leczenia. Funkcja wiarygodności jest łączona z apriorycznym rozkładem prawdopodobieństwa, aby uzyskać zaktualizowane przekonania — ten krok odpowiada twierdzeniu Bayesa i jest wykonywany przy każdej zaplanowanej analizie pośredniej.
Rozkład a posteriori P(theta | dane) jest obliczany przez pomnożenie apriorycznego rozkładu prawdopodobieństwa przez funkcję wiarygodności i normalizację. Z tego rozkładu zespół badający próbę odczytuje kluczowe wielkości: prawdopodobieństwo a posteriori, że korzyść z leczenia przekracza znaczący próg, średnią a posteriori i przedział wiarygodności dla wielkości efektu oraz prawdopodobieństwo predykcyjne sukcesu, jeśli próba miałaby być kontynuowana do maksymalnej wielkości próby.
Wzór
P(theta | data) propto P(data | theta) * P(theta)
Z góry określone zasady decyzyjne przekładają prawdopodobieństwa a posteriori na działania w próbie. Typowe zasady obejmują: zatrzymanie z powodu skuteczności, jeśli P(delta > delta_min | dane) > 0,95; zatrzymanie z powodu daremności, jeśli prawdopodobieństwo predykcyjne ostatecznego sukcesu spadnie poniżej 0,05; w przeciwnym razie kontynuacja. Wyniki końcowe są raportowane jako prawdopodobieństwa a posteriori i przedziały wiarygodności, uzupełnione o wszelkie wymagane częstościowe charakterystyki operacyjne do celów zgłoszenia regulacyjnego.
Częste pułapki
- Wybór apriorycznego rozkładu prawdopodobieństwa po zobaczeniu danych — aprioryczny rozkład prawdopodobieństwa musi być w pełni z góry określony i zatwierdzony przed zbadaniem jakichkolwiek odtajnionych danych; wybór apriorycznego rozkładu prawdopodobieństwa po fakcie unieważnia logikę bayesowską i wprowadza błąd.
- Ignorowanie konfliktu między apriorycznym rozkładem prawdopodobieństwa a danymi — gdy aprioryczny rozkład prawdopodobieństwa i gromadzone dane silnie się różnią, rozkład a posteriori może dawać mylące podsumowania; diagnostyka konfliktu powinna być częścią planu monitorowania.
- Niedostrzeganie częstościowych charakterystyk operacyjnych — nawet w próbie bayesowskiej, zgłoszenia regulacyjne zazwyczaj wymagają symulacyjnych oszacowań błędu typu I i mocy w warunkach hipotezy zerowej i alternatywnej; brak ich dostarczenia zagraża zatwierdzeniu regulacyjnemu.
- Mylenie przedziałów wiarygodności z przedziałami ufności — bayesowskie przedziały wiarygodności wymagają apriorycznego rozkładu prawdopodobieństwa; raportowanie ich tak, jakby były częstościowymi przedziałami ufności, zniekształca ramy statystyczne.
Najczęściej zadawane pytania
Czy potrzebuję obszernej literatury apriorycznej, aby przeprowadzić Bayesowską próbę RCT?
Nie. Gdy informacje aprioryczne są ograniczone lub sporne, można zastosować słabo informacyjny lub nieinformacyjny aprioryczny rozkład prawdopodobieństwa. Kompromisem jest to, że przy niejasnym apriorycznym rozkładzie prawdopodobieństwa, bayesowski rozkład a posteriori będzie bardzo przypominał wynik częstościowy, więc główną zaletą będą adaptacyjne zasady zatrzymania, a nie pożyczanie informacji apriorycznych. Analizy wrażliwości na różnych apriorycznych rozkładach prawdopodobieństwa powinny być zawsze raportowane.
Czy FDA lub EMA zaakceptują Bayesowską próbę RCT do zatwierdzenia leku?
Obie agencje wydały wytyczne wspierające bayesowskie projekty adaptacyjne, ale akceptacja zależy od kontekstu. Wytyczne FDA z 2019 roku wyraźnie obejmują bayesowskie projekty adaptacyjne dla leków i urządzeń. Kluczowe wymagania obejmują: z góry określony aprioryczny rozkład prawdopodobieństwa i zasady decyzyjne, badania symulacyjne wykazujące akceptowalny błąd typu I i moc oraz przejrzyste raportowanie. Zdecydowanie zaleca się wczesny kontakt z odpowiednią agencją.
Czym Bayesowska próba RCT różni się od próby adaptacyjnej RCT?
Próba adaptacyjna RCT to szeroka kategoria projektów, która modyfikuje parametry próby (wielkość próby, przydział, ramiona) na podstawie gromadzonych danych; może być analizowana metodami częstościowymi lub bayesowskimi. Bayesowska próba RCT konkretnie wykorzystuje inferencję bayesowską — aprioryczne rozkłady prawdopodobieństwa, funkcje wiarygodności i prawdopodobieństwa a posteriori — które naturalnie wspierają adaptacyjne zasady decyzyjne. Większość nowoczesnych bayesowskich prób RCT jest również adaptacyjna, ale oba określenia odnoszą się do różnych aspektów projektu.
Jakiego oprogramowania mogę użyć do analizy bayesowskiej próby RCT?
Stan (poprzez RStan lub CmdStanR) i JAGS to najczęściej używane platformy do obliczeń a posteriori za pomocą MCMC. Pakiety R RBesT (Bayesian evidence synthesis), bayesDP i trialr implementują specyficzne projekty prób. EAST Bayes i FACTS to komercyjne pakiety oprogramowania z historią regulacyjną w zakresie symulacji i analizy bayesowskich prób adaptacyjnych.
Jaka jest minimalna wielkość próby dla bayesowskiej próby RCT?
Nie ma uniwersalnego minimum; wymagana wielkość próby zależy od siły apriorycznego rozkładu prawdopodobieństwa, docelowej wielkości efektu, wybranego progu prawdopodobieństwa a posteriori i pożądanych częstościowych charakterystyk operacyjnych. Badania symulacyjne — zazwyczaj 10 000 lub więcej replikacji w różnych scenariuszach — są wykorzystywane do określenia maksymalnej wielkości próby i granic adaptacyjnego zatrzymania przed rozpoczęciem próby.
Pokrewne metody
Źródła
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN: 978-0471499756Skopiowano.Berry, D. A. (2006). Bayesian clinical trials. Nature Reviews Drug Discovery, 5(1), 27–36.
Otwórz odnośnik DOISkopiowano.