Skip to content
กลับไปยังผลการค้นหา

การทดลองทางคลินิกแบบสุ่มของเบย์ (Bayesian Randomized Clinical Trial)

ผู้เสนอ
Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
ปี
1980s–2000s (formal methodology consolidated ~2004–2006)
ประเภท
Randomized experimental study with Bayesian inference
กลุ่มวิธี
Clinical / epidemiology

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การทดลองทางคลินิกแบบสุ่มของเบย์ (Bayesian RCT) ผสมผสานความเข้มงวดของการจัดสรรการรักษาแบบสุ่มเข้ากับการอนุมานทางสถิติแบบเบย์ ทำให้ผู้วิจัยสามารถนำหลักฐานก่อนหน้ามาใช้และปรับปรุงความเชื่อได้อย่างต่อเนื่องเมื่อข้อมูลจากการทดลองสะสม ต่างจากการทดลองแบบ RCT เชิงความถี่แบบดั้งเดิม การทดลองนี้ให้ข้อความความน่าจะเป็นโดยตรงเกี่ยวกับผลของการรักษา และสนับสนุนกฎการหยุดแบบปรับได้ที่กำหนดไว้ล่วงหน้าตามความน่าจะเป็นภายหลัง (posterior probabilities)

แนวคิดเบื้องหลังวิธีการ

ในการทดลองแบบ RCT มาตรฐาน คุณจะรอจนกว่าข้อมูลทั้งหมดจะถูกรวบรวม แล้วจึงถามว่าผลลัพธ์นั้นสุดโต่งเพียงพอที่จะปฏิเสธสมมติฐานว่าง (null hypothesis) หรือไม่ แต่การทดลองแบบ Bayesian RCT จะถามว่า: เมื่อพิจารณาจากทุกสิ่งที่เราทราบก่อนเริ่มการทดลองและสิ่งที่ข้อมูลปัจจุบันแสดง ความน่าจะเป็นที่การรักษานั้นดีกว่าในปริมาณที่มีนัยสำคัญทางคลินิกคือเท่าใด? ความน่าจะเป็นนี้จะได้รับการปรับปรุงด้วยการสังเกตใหม่แต่ละครั้ง คล้ายกับการพยากรณ์อากาศที่อัปเดตเมื่อมีการอ่านค่าใหม่เข้ามา เนื่องจากความเชื่อได้รับการปรับปรุงอย่างต่อเนื่อง การทดลองจึงสามารถหยุดได้ก่อนกำหนด — เพื่อประสิทธิภาพ ประโยชน์ที่คาดว่าจะไม่มี หรือความปลอดภัย — โดยอาศัยเกณฑ์ความน่าจะเป็นที่กำหนดไว้ล่วงหน้า แทนที่จะเป็นการตรวจสอบระหว่างการทดลองแบบสุ่ม

ประวัติศาสตร์

การประยุกต์ใช้วิธีการแบบเบย์กับการทดลองทางคลินิกได้รับการสนับสนุนตั้งแต่ช่วงปลายทศวรรษ 1980 โดยนักสถิติ เช่น Donald Berry ที่ MD Anderson Cancer Center ซึ่งแสดงให้เห็นว่าความน่าจะเป็นภายหลังสามารถนำทางการทดลองด้านเนื้องอกวิทยาแบบปรับได้ (adaptive oncology trials) อย่างไร Spiegelhalter, Abrams และ Myles ได้รวบรวมกรอบการทำงานนี้ไว้ในตำรา Wiley ปี 2004 ของพวกเขา และบทความของ Berry ใน Nature Reviews Drug Discovery ปี 2006 ได้กลายเป็นจุดเริ่มต้นที่มีการอ้างอิงอย่างกว้างขวางสำหรับนักวิจัยทางคลินิก เอกสารแนวทางของหน่วยงานกำกับดูแล — โดยเฉพาะอย่างยิ่งแนวทางของ FDA ปี 2010 และ 2019 เกี่ยวกับการออกแบบแบบปรับได้ (adaptive designs) — ได้ทำให้ Bayesian adaptive RCTs ได้รับการยอมรับสำหรับการอนุมัติยา ซึ่งกระตุ้นให้เกิดการนำไปใช้ในด้านเนื้องอกวิทยา โรคหายาก และการทดลองแบบแพลตฟอร์ม (platform trials)

ควรใช้เมื่อใด

ใช้ Bayesian RCT เมื่อมีหลักฐานก่อนหน้าที่สำคัญ (เช่น จากระยะก่อนหน้าหรือยาที่เกี่ยวข้อง) และเหมาะสมทางวิทยาศาสตร์และจริยธรรมที่จะนำมาใช้; เมื่อคุณลักษณะแบบปรับได้ (การหยุดก่อนกำหนด การตัดแขนง การปรับขนาดตัวอย่าง) มีความสำคัญทางคลินิกหรือเชิงพาณิชย์; เมื่อเป้าหมายคือการให้ข้อความความน่าจะเป็นโดยตรงเกี่ยวกับประโยชน์ของการรักษา แทนที่จะเป็นค่า p-value; หรือเมื่อโรคที่ศึกษาเป็นโรคหายาก ทำให้การใช้ผู้เข้าร่วมแต่ละรายอย่างมีประสิทธิภาพเป็นสิ่งสำคัญ อย่าใช้เมื่อหน่วยงานกำกับดูแลต้องการการวิเคราะห์เชิงความถี่ล้วนๆ โดยไม่มี prior (การยื่นเอกสารยืนยันในระยะที่สามบางรายการ) เมื่อข้อมูลก่อนหน้ามีความหลากหลายมากเกินไปที่จะรวมกันอย่างน่าเชื่อถือ หรือเมื่อไม่สามารถตกลง prior ที่กำหนดไว้ล่วงหน้าระหว่างนักวิจัยและผู้มีส่วนได้ส่วนเสียก่อนที่จะเปิดเผยข้อมูล

ข้อจำกัดและข้อควรพิจารณา

  • การยอมรับจากหน่วยงานกำกับดูแลสำหรับการทดลองยืนยันยังไม่เป็นสากล; หน่วยงานบางแห่งต้องการลักษณะการดำเนินงานเชิงความถี่ที่สมบูรณ์แม้สำหรับการออกแบบแบบเบย์
  • ผลลัพธ์มีความอ่อนไหวต่อการกำหนด prior; prior ที่ให้ข้อมูลซึ่งเลือกไม่ดีอาจมีอิทธิพลเหนือฟังก์ชันความควรจะเป็นและทำให้ข้อสรุปคลาดเคลื่อน
  • ความต้องการในการคำนวณ (MCMC หรือ variational Bayes) สูงกว่าการวิเคราะห์เชิงความถี่แบบดั้งเดิม ต้องใช้ความเชี่ยวชาญทางสถิติ
  • การสุ่มแบบปรับตามการตอบสนองอาจนำไปสู่ความซับซ้อนด้านการดำเนินงาน และในการจำลองบางกรณี อาจเพิ่มอัตราข้อผิดพลาดประเภทที่หนึ่ง (type-I error) หากไม่ได้รับการปรับเทียบอย่างระมัดระวัง
  • การรายงานทางเลือก prior และการวิเคราะห์ความไวอย่างโปร่งใสเป็นสิ่งจำเป็น แต่จะเพิ่มความยาวและความซับซ้อนให้กับสิ่งพิมพ์

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ให้ผลลัพธ์ที่ตีความได้โดยตรง: ความน่าจะเป็นภายหลังที่ประโยชน์ของการรักษาเกินเกณฑ์ที่สำคัญทางคลินิก
  • รวมหลักฐานก่อนหน้าจากการศึกษาระยะก่อนหน้าอย่างเป็นทางการ ลดขนาดตัวอย่างที่จำเป็นเมื่อมีข้อมูลก่อนหน้าที่แข็งแกร่ง
  • กฎการหยุดแบบปรับได้สามารถยุติการทดลองก่อนกำหนดเพื่อประสิทธิภาพหรือประโยชน์ที่คาดว่าจะไม่มี ซึ่งช่วยปกป้องผู้เข้าร่วมและประหยัดทรัพยากร
  • การสุ่มแบบปรับตามการตอบสนองจะจัดสรรผู้เข้าร่วมไปยังแขนงที่ให้ผลดีกว่า ซึ่งน่าสนใจทางจริยธรรมในโรคที่ร้ายแรง
  • ช่วงความน่าเชื่อถือ (Credible intervals) มีการตีความตามธรรมชาติ (มีความน่าจะเป็น 95% ที่ผลกระทบจะอยู่ในช่วงนี้) ซึ่งมักถูกตีความผิดไปจากช่วงความเชื่อมั่น (confidence intervals) เชิงความถี่

การประยุกต์ใช้

  • การทดลองหาขนาดยาและการขยายผลในการรักษามะเร็ง (เช่น การออกแบบ Bayesian optimal interval สำหรับระยะที่ I/II)
  • การทดลองแบบแพลตฟอร์มและโปรโตคอลหลัก (RECOVERY, I-SPY) ที่ตัดแขนงที่ไม่มีประสิทธิภาพออกและเพิ่มแขนงใหม่โดยใช้ความน่าจะเป็นภายหลัง
  • การทดลองโรคหายากซึ่งประชากรผู้มีสิทธิ์เข้าร่วมมีจำนวนน้อย ทำให้ขนาดตัวอย่างแบบดั้งเดิมไม่สามารถทำได้
  • การทดลองอุปกรณ์และการวินิจฉัยซึ่งมีการรวบรวมหลักฐานจากโลกแห่งความเป็นจริง (real-world evidence) มาใช้โดยรวมผ่าน prior ที่ให้ข้อมูล
  • การทดลองประสิทธิภาพวัคซีนที่ต้องการการตัดสินใจระหว่างการทดลองอย่างรวดเร็วด้วยเกณฑ์ความน่าจะเป็นที่ชัดเจน
  • การศึกษาการเพิ่มขนาดยาแบบปรับได้โดยใช้วิธีการประเมินต่อเนื่อง (continual reassessment methods - CRM) หรือการเพิ่มขนาดยาพร้อมการควบคุมขนาดยาเกินขนาด (escalation with overdose control - EWOC)

วิธีการทำงาน

วิธีการทำงาน

1

ก่อนเริ่มการทดลอง จะมีการกำหนดการแจกแจงความน่าจะเป็นก่อนหน้า (prior probability distribution) สำหรับพารามิเตอร์ผลของการรักษา priors ที่ให้ข้อมูล (informative priors) จะรวมผลการศึกษาในระยะก่อนหน้า วรรณกรรมที่ตีพิมพ์ หรือความรู้ทางคลินิกของผู้เชี่ยวชาญ ส่วน priors ที่ไม่ให้ข้อมูล (non-informative priors) จะใช้เมื่อหลักฐานก่อนหน้ามีจำกัด หรือเพื่อตอบสนองความคาดหวังของหน่วยงานกำกับดูแลเกี่ยวกับอิทธิพลก่อนหน้าที่น้อยที่สุด การเลือก prior จะต้องถูกกำหนดไว้ล่วงหน้าในระเบียบวิธีวิจัยและมีเหตุผลรองรับ

2

ผู้เข้าร่วมจะถูกสุ่มจัดสรรเข้ากลุ่มการรักษา เช่นเดียวกับการทดลองแบบ RCT เชิงความถี่ การสุ่มสามารถทำได้แบบคงที่ (อัตราส่วนการจัดสรรเท่ากัน) หรือแบบปรับตามการตอบสนอง (อัตราส่วนการจัดสรรจะได้รับการปรับปรุงให้เอื้อประโยชน์ต่อกลุ่มที่ให้ผลดีกว่า) การปิดบัง (blinding) การปกปิด (concealment) และมาตรฐานการรายงานแบบ CONSORT จะยังคงนำมาใช้โดยไม่คำนึงถึงกรอบการทำงานทางสถิติ

3

เมื่อข้อมูลผลลัพธ์สะสมสำหรับผู้เข้าร่วมแต่ละราย ฟังก์ชันความควรจะเป็น (likelihood function) จะวัดว่าข้อมูลที่สังเกตได้มีความน่าจะเป็นเท่าใดภายใต้ค่าต่างๆ ของพารามิเตอร์ผลของการรักษา ฟังก์ชันความควรจะเป็นจะถูกรวมกับ prior เพื่อสร้างความเชื่อที่อัปเดตแล้ว — ขั้นตอนนี้สอดคล้องกับทฤษฎีบทของเบย์ (Bayes' theorem) และจะดำเนินการในการวิเคราะห์ระหว่างการทดลองที่วางแผนไว้ล่วงหน้าแต่ละครั้ง

4

การแจกแจงภายหลัง (posterior distribution) P(theta | data) จะถูกคำนวณโดยการคูณ prior ด้วยฟังก์ชันความควรจะเป็นและปรับให้เป็นมาตรฐาน จากการแจกแจงนี้ ทีมวิจัยจะอ่านค่าที่สำคัญ: ความน่าจะเป็นภายหลังที่ประโยชน์ของการรักษาเกินเกณฑ์ที่มีนัยสำคัญ ค่าเฉลี่ยภายหลังและช่วงความน่าเชื่อถือ (credible interval) สำหรับขนาดผลกระทบ และความน่าจะเป็นในการทำนายผลลัพธ์ที่สำเร็จหากการทดลองดำเนินต่อไปจนถึงขนาดตัวอย่างสูงสุด

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

กฎการตัดสินใจที่กำหนดไว้ล่วงหน้าจะแปลงความน่าจะเป็นภายหลังให้เป็นการดำเนินการทดลอง กฎทั่วไป ได้แก่: หยุดเพื่อประสิทธิภาพหาก P(delta > delta_min | data) > 0.95; หยุดเพื่อประโยชน์ที่คาดว่าจะไม่มีหากความน่าจะเป็นในการทำนายความสำเร็จสุดท้ายต่ำกว่า 0.05; ดำเนินการต่อไปในกรณีอื่น ผลลัพธ์สุดท้ายจะถูกรายงานเป็นความน่าจะเป็นภายหลังและช่วงความน่าเชื่อถือ โดยเสริมด้วยลักษณะการดำเนินงานเชิงความถี่ (frequentist operating characteristics) ตามที่ร้องขอสำหรับการยื่นเอกสารต่อหน่วยงานกำกับดูแล

ข้อผิดพลาดที่พบบ่อย

  • การเลือก prior หลังจากเห็นข้อมูล — prior จะต้องถูกกำหนดไว้ล่วงหน้าและล็อคไว้ก่อนที่จะมีการตรวจสอบข้อมูลที่ไม่ได้ปิดบังใดๆ; การเลือก prior หลังการทดลอง (post-hoc) จะทำให้ตรรกะแบบเบย์เป็นโมฆะและนำไปสู่ความเอนเอียง
  • การละเลยความขัดแย้งระหว่าง prior และข้อมูล — เมื่อ prior และข้อมูลที่สะสมมีความขัดแย้งกันอย่างมาก posterior อาจให้บทสรุปที่ทำให้เข้าใจผิด; การวินิจฉัยความขัดแย้งควรเป็นส่วนหนึ่งของแผนการติดตามผล
  • การละเลยลักษณะการดำเนินงานเชิงความถี่ — แม้ในการทดลองแบบเบย์ การยื่นเอกสารต่อหน่วยงานกำกับดูแลมักต้องการการประมาณค่าอัตราข้อผิดพลาดประเภทที่หนึ่งและกำลังการทดสอบ (power) จากการจำลองภายใต้สมมติฐานว่างและสมมติฐานทางเลือก; การไม่จัดเตรียมสิ่งเหล่านี้จะทำให้การอนุมัติต่อหน่วยงานกำกับดูแลตกอยู่ในความเสี่ยง
  • การสับสนระหว่างช่วงความน่าเชื่อถือกับช่วงความเชื่อมั่น — ช่วงความน่าเชื่อถือแบบเบย์ต้องการ prior; การรายงานว่าเป็นช่วงความเชื่อมั่นเชิงความถี่จะเป็นการนำเสนอที่ผิดพลาดเกี่ยวกับกรอบการทำงานทางสถิติ

คำถามที่พบบ่อย

ฉันจำเป็นต้องมีวรรณกรรม prior จำนวนมากเพื่อทำการทดลอง Bayesian RCT หรือไม่?

ไม่ เมื่อข้อมูลก่อนหน้ามีจำกัดหรือไม่เป็นที่ยอมรับ สามารถใช้ prior ที่ให้ข้อมูลน้อย (weakly informative) หรือ prior ที่ไม่ให้ข้อมูล (non-informative) ได้ ข้อแลกเปลี่ยนคือ เมื่อ prior คลุมเครือ posterior แบบเบย์จะคล้ายคลึงกับผลลัพธ์เชิงความถี่มาก ดังนั้นข้อได้เปรียบหลักจะอยู่ที่กฎการหยุดแบบปรับได้ แทนที่จะเป็นการยืมข้อมูล prior ควรมีการรายงานการวิเคราะห์ความไว (sensitivity analyses) ในช่วงของ prior ต่างๆ เสมอ

FDA หรือ EMA จะยอมรับ Bayesian RCT สำหรับการอนุมัติยาหรือไม่?

ทั้งสองหน่วยงานได้ออกแนวทางที่สนับสนุนการออกแบบแบบปรับได้ของเบย์ แต่การยอมรับขึ้นอยู่กับบริบท แนวทางของ FDA ปี 2019 ครอบคลุมการออกแบบแบบปรับได้ของเบย์สำหรับยาและอุปกรณ์อย่างชัดเจน ข้อกำหนดที่สำคัญ ได้แก่: การกำหนด prior และกฎการตัดสินใจไว้ล่วงหน้า การศึกษาจำลองที่แสดงให้เห็นอัตราข้อผิดพลาดประเภทที่หนึ่งและกำลังการทดสอบที่ยอมรับได้ และการรายงานที่โปร่งใส ขอแนะนำอย่างยิ่งให้มีการปรึกษาหารือกับหน่วยงานที่เกี่ยวข้องตั้งแต่เนิ่นๆ

Bayesian RCT แตกต่างจาก Adaptive RCT อย่างไร?

Adaptive RCT เป็นประเภทของการออกแบบที่กว้าง ซึ่งปรับเปลี่ยนพารามิเตอร์ของการทดลอง (ขนาดตัวอย่าง การจัดสรร แขนง) ตามข้อมูลที่สะสม; สามารถวิเคราะห์ได้ด้วยวิธีเชิงความถี่หรือแบบเบย์ Bayesian RCT ใช้การอนุมานแบบเบย์โดยเฉพาะ — การแจกแจงก่อนหน้า ฟังก์ชันความควรจะเป็น และความน่าจะเป็นภายหลัง — ซึ่งสนับสนุนกฎการตัดสินใจแบบปรับได้อย่างเป็นธรรมชาติ Bayesian RCT สมัยใหม่ส่วนใหญ่ก็เป็นแบบปรับได้เช่นกัน แต่ป้ายกำกับทั้งสองอ้างอิงถึงแง่มุมที่แตกต่างกันของการออกแบบ

ฉันสามารถใช้ซอฟต์แวร์ใดสำหรับการวิเคราะห์ Bayesian RCT?

Stan (ผ่าน RStan หรือ CmdStanR) และ JAGS เป็นแพลตฟอร์มที่ใช้กันอย่างแพร่หลายที่สุดสำหรับการคำนวณ posterior ผ่าน MCMC แพ็กเกจ R เช่น RBesT (Bayesian evidence synthesis), bayesDP และ trialr ใช้สำหรับการออกแบบการทดลองเฉพาะ แพ็กเกจซอฟต์แวร์เชิงพาณิชย์ EAST Bayes และ FACTS มีประวัติการทำงานกับหน่วยงานกำกับดูแลสำหรับการจำลองและการวิเคราะห์การทดลองแบบเบย์แบบปรับได้

ขนาดตัวอย่างขั้นต่ำสำหรับ Bayesian RCT คือเท่าใด?

ไม่มีค่าต่ำสุดสากล ขนาดตัวอย่างที่ต้องการขึ้นอยู่กับความแข็งแกร่งของ prior ขนาดผลกระทบเป้าหมาย เกณฑ์ความน่าจะเป็นภายหลังที่เลือก และลักษณะการดำเนินงานเชิงความถี่ที่ต้องการ การศึกษาจำลอง — โดยทั่วไป 10,000 ครั้งหรือมากกว่าภายใต้สถานการณ์ต่างๆ — ใช้เพื่อกำหนดขนาดตัวอย่างสูงสุดและขอบเขตการหยุดแบบปรับได้ก่อนเริ่มการทดลอง

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

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

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว