İçeriğe atla
Arama sonuçlarına dön

Uyarlanabilir Deney — Uyarlanabilir Deneysel Tasarım

Ortaya koyan
Abraham Wald (sequential analysis foundation); expanded by Robbins, Armitage, and others
Yıl
1940s–1970s (sequential foundations); formalised in clinical and behavioural research by 1980s–2000s
Tür
Experimental research design
Aile
Experimental design

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Uyarlanabilir bir deney, birikmiş ara veriye dayanarak, istatistiksel geçerliliği korurken, protokolün — daha iyi performans gösteren kollara katılımcıların yeniden tahsis edilmesi, etkinlik veya faydasızlık nedeniyle erken durdurulması veya örneklem büyüklüğünün değiştirilmesi gibi — değiştirilmesine izin veren önceden belirlenmiş kurallara sahip bir deneysel tasarımdır.

Uyarlanabilir tasarımlar, çıkarımsal titizlikten ödün vermeden verimliliği ve etiği iyileştirmek için klinik deneylerde, davranışsal ekonomide ve çevrimiçi platform testlerinde yaygın olarak kullanılmaktadır.

Yöntemin mantığı

Dört öğretim müdahalesini aynı anda test ettiğinizi hayal edin. Geleneksel bir deney, erken sonuçlara bakılmaksızın dördünü de tamamlanana kadar yürütür. Uyarlanabilir bir deney, biriktikçe sonuçları izler: eğer kayıtların %30'u tamamlandıktan sonra bir kol açıkça yetersiz performans gösteriyorsa, tasarım kaynakları ondan uzaklaştırabilirken kalan kolları karşılaştırmaya devam edebilir. Bu rastgele bir kurcalama değildir — karar kuralları (ne zaman ve nasıl uyarlanacağı) çalışma başlamadan önce kilitlenir, bu nedenle nihai istatistiksel analiz geçerli kalır. Sonuç, daha hızlı yanıtlar, katılımcıların yetersiz koşullara daha az maruz kalması ve kaynakların daha akıllıca kullanılmasıdır.

Tarih

Uyarlanabilir deneylerin istatistiksel temelleri, Abraham Wald'ın sıralı analizine (1947) ve Kiefer-Wolfowitz stokastik yaklaştırma çalışmalarına (1952) dayanmaktadır. Herbert Robbins, 1952'de çok kollu haydut problemini biçimlendirerek yanıt-uyarlanabilir tahsis için bir çerçeve sağladı. Peter Armitage, 1950'ler-60'larda klinik deneyler için sıralı yöntemler geliştirdi. Grup-sıralı deneme çerçevesi Pocock (1977) ve O'Brien ve Fleming (1979) tarafından biçimlendirildi. Düzenleyici ilgi 2000'lerde hızlandı ve uyarlanabilir klinik deneyler için bir çerçeve oluşturan FDA rehber belgeleriyle (2010, 2019) doruğa ulaştı. Uyarlanabilir tasarımlar artık teknoloji şirketlerindeki çevrimiçi deney platformları için de merkezi öneme sahiptir.

Ne zaman kullanılır?

Bir uyarlanabilir deney kullanın: (1) ara veriler çalışma bitmeden gözlemlenebilir ve tasarım ayarlamalarını bilgilendirebilir; (2) hangi tedavi kollarının en umut verici olduğu konusunda gerçek bir belirsizlik vardır, bu da tüm süreç boyunca sabit eşit tahsisi sürdürmeyi israf veya etik dışı hale getirir; (3) örneklem büyüklüğü varsayımları belirsizdir ve çalışma ortası yeniden değerlendirmesi gücü artıracaktır. En yaygın olarak klinik deneylerde kullanılır, ancak çevrimiçi A/B testlerinde, davranışsal bilimlerde ve politika değerlendirmelerinde giderek daha fazla kullanılmaktadır. Uyarlanabilir bir tasarım kullanmayın: sonuç çalışma bittikten sonra gözlemlenebilir (anlamlı ara veri yok); uyarlama kuralları önceden belirlenemez; veya düzenleyici veya kurumsal bağlam sabit bir tasarım yaklaşımı gerektirir. Uyarlanabilir tasarımlar, sabit tasarımlardan daha fazla ön istatistiksel uzmanlık gerektirir — eğer ekip uyarlama kurallarını önceden kaydedilmiş bir protokole kilitleyemezse, geleneksel bir RCT daha uygundur.

Sınırlar ve dikkat edilmesi gerekenler

  • Tüm uyarlama kurallarının veri toplama öncesinde önceden belirlenmesini gerektirir — herhangi bir sapma Tip I hata kontrolünü tehlikeye atar.
  • İstatistiksel analiz, sabit tasarımlara göre önemli ölçüde daha karmaşıktır; özel yazılım ve uzmanlık gereklidir.
  • Yanıt-uyarlanabilir rastgeleleştirme, körlük kusurluysa veya uyarlama katılımcılar veya personel tarafından gözlemlenebilirse operasyonel yanlılık getirebilir.
  • Düzenleyici kabul değişkenlik gösterir; klinik bağlamlarda uyarlama planı, deneme başlamadan önce düzenleyicilerle müzakere edilmelidir.
  • Lojistik karmaşıklık artar — ara veri temizleme, bağımsız izleme ve hızlı protokol güncellemeleri altyapı gerektirir.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Verimliliği artırır — erken sonuçlar bilgilendirici olduğunda aynı sonuca ulaşmak için sabit bir tasarımdan daha az katılımcı gerektirebilir.
  • Etik avantaj — yetersiz performans gösteren kollardan tahsisi uzaklaştırarak katılımcıların yetersiz koşullara maruz kalmasını azaltır.
  • Esneklik — örneklem büyüklüğü yeniden değerlendirmesi, belirsiz başlangıç varsayımlarından kaynaklanan yetersiz güçlü veya aşırı uzun çalışmaları engeller.
  • Çok kollu yetenek — kanıt biriktikçe kol ekleyen veya çıkaran aşama II/III veya platform deneme yapılarını destekler.
  • Aşırı etkinlik veya faydasızlık nedeniyle erken durdurulabilir, zaman ve kaynak tasarrufu sağlar.

Uygulama alanları

  • Yanıt-uyarlanabilir rastgeleleştirme kullanarak daha iyi performans gösteren kollara tahsisi kaydıran, birden fazla ilaç dozu veya tedavi kolunu karşılaştıran klinik deneyler.
  • Dönüşüm veya etkileşim sonuçlarına göre gerçek zamanlıya yakın güncellenen tahsis ağırlıklarının olduğu çevrimiçi platform A/B ve çok kollu testler.
  • Gözlemlenen toksisite ve etkinlik verilerine göre dozu artıran veya azaltan Faz I/II onkoloji denemelerinde doz bulma çalışmaları.
  • Erken sonuç verileri biriktikçe umut verici bir politika müdahalesine artan tahsis alan davranışsal ekonomi alan deneyleri.
  • Temel etki büyüklüğü tahminlerinin belirsiz olduğu durumlarda ara noktada örneklem büyüklüğünü yeniden değerlendiren eğitim müdahale çalışmaları.
  • Aday tedaviler mevcut hale geldikçe yeni kollar ekleyen halk sağlığı acil durumlarındaki (örneğin, COVID-19 tedavi denemeleri) platform denemeleri.

Nasıl çalışır?

Nasıl çalışır?

1

Herhangi bir veri toplanmadan önce araştırmacı şunları belirtir: birincil tahmin edilebilir, uyarlama kuralları (örneğin, yanıt-uyarlanabilir rastgeleleştirme ağırlıkları, ara bakış çizelgesi, etkinlik veya faydasızlık için durdurma sınırları) ve tüm ara analizlerde Tip I hatayı kontrol etme yöntemi. Önceden belirlenme pazarlık edilemez — planlanmamış çalışma ortası değişiklikleri çıkarımsal garantileri geçersiz kılar.

2

Bir veya daha fazla önceden belirlenmiş ara noktada, biriken sonuç verileri bağımsız bir veri izleme komitesi veya otomatik bir kural tarafından analiz edilir. Ara analiz, önceden belirlenmiş karar kurallarına tam olarak uyar — önceden planlanmış olanın ötesinde araştırmacı takdirini içermez.

3

Ara sonuçlara dayanarak, izin verilen uyarlamalar uygulanır: kol tahsis olasılıkları güncellenebilir (yanıt-uyarlanabilir rastgeleleştirme), yetersiz performans gösteren bir kol düşürülebilir, örneklem büyüklüğü yeniden tahmin edilebilir veya deneme erken başarı veya faydasızlık için durdurulabilir. Tüm uyarlamalar protokolde önceden belirlenmiş kapsam dahilinde olmalıdır.

4

Çalışma, körlüğü ve rastgeleleştirme bütünlüğünü koruyarak uyarlanmış tasarımla devam eder — muhtemelen farklı kol ağırlıkları, değiştirilmiş bir örneklem büyüklüğü veya azaltılmış bir kol seti ile. Zaten kaydedilmiş katılımcılar tipik olarak orijinal tahsis altında tutulur.

5

Son gözlemden sonra, birincil analiz, tasarımın uyarlanabilir doğasını hesaba katan yöntemler kullanır (örneğin, koşullu hata oranı yöntemleri, Bayesçi ardıl özetler veya grup-sıralı test istatistikleri). Nokta tahminleri ve güven aralıkları, verilerin sıralı doğasını göz ardı etmekten kaynaklanan yanlılığı önlemek için uyarlanabilir örnekleme yoluna göre ayarlanmalıdır.

Sık yapılan hatalar

  • Planlanmamış uyarlamalar — tasarımı çalışma ortasında önceden belirlenmiş protokolde yer almayan şekillerde değiştirmek Tip I hata kontrolünü geçersiz kılar ve protokol ihlali olarak kabul edilebilir.
  • Nihai analizde uyarlanabilir yolu göz ardı etmek — sıralı uyarlamalardan sonra standart bir sabit tasarım testi uygulamak Tip I hata oranını şişirir; her zaman uyarlanabilir yapıyı hesaba katan analiz yöntemleri kullanın.
  • Operasyonel körlüğün kaldırılması — biriken atama olasılıkları katılımcılara veya kör olmayan personele görünür hale gelirse, yanlılık oluşur; sağlam operasyonel prosedürler uyarlama kararlarını deneme ekibinden korumalıdır.
  • Verimlilik kazancını abartmak — uyarlanabilir tasarımlar, ara bilgilerin güçlü olduğu ve uyarlama kurallarının iyi kalibre edildiği durumlarda en faydalıdır; zayıf ara sinyallerle ek karmaşıklık buna değmeyebilir.
  • Uyarlanabilirliğin yeterli başlangıç tasarımının yerini aldığı varsaymak — kötü belirlenmiş birincil sonuç veya tahmin edilebilir, uyarlanabilir özellikler ekleyerek kurtarılmaz.

Sık sorulan sorular

Uyarlanabilir bir deney, sıralı bir deneme ile aynı şey midir?

Sıralı analiz temel istatistiksel çerçevedir; uyarlanabilir deneyler, sıralı durdurma kurallarını içeren ancak aynı zamanda yanıt-uyarlanabilir rastgeleleştirme, kol düşürme ve örneklem büyüklüğü yeniden tahminini kapsayan daha geniş bir sınıftır. Tüm sıralı denemeler minimal bir anlamda uyarlanabilir, ancak tüm uyarlanabilir tasarımlar kendilerini erken durdurmayla sınırlamaz.

Birden fazla ara analizde Tip I hata oranını nasıl kontrol ederim?

Ara bakış çizelgesini önceden belirleyin ve O'Brien-Fleming veya Pocock sınırı veya alfa harcama fonksiyonu yaklaşımı (Lan-DeMets) gibi çokluğa göre ayarlanmış bir durdurma sınırı yöntemi kullanın. Bayesçi uyarlanabilir tasarımlar için, deneme başlamadan önce Tip I hata oranını ve gücü elde etmek için karar eşiklerini simülasyon yoluyla kalibre edin.

Klinik deneyler dışındaki sosyal bilim araştırmalarında uyarlanabilir tasarımlar kullanabilir miyim?

Evet. Yanıt-uyarlanabilir rastgeleleştirme, çok kollu haydut algoritmaları ve grup-sıralı durdurma kuralları eğitim araştırmaları, davranışsal ekonomi ve çevrimiçi deneylerde uygulanmıştır. Temel gereksinim aynı kalır: uyarlama kuralları önceden belirlenmeli ve nihai analiz uyarlanabilir örnekleme yolunu hesaba katmalıdır.

Ne kadar örneklem büyüklüğüne ihtiyacım var?

Örneklem büyüklüğü, belirli uyarlama stratejisine, birincil tahmin edilebilir, ara bakış çizelgesine ve istenen güce bağlıdır. Nihai örneklem büyüklüğü kendisi uyarlanabilir bir nicelik olabileceğinden (örneklem büyüklüğü yeniden değerlendirme tasarımlarında), standart bir kapalı formül yerine simülasyon tabanlı güç analizi tipik olarak gereklidir.

Uyarlanabilir bir tasarım düzenleyici ön onay gerektirir mi?

Düzenlenmiş klinik deneylerde (ilaç, cihaz, biyolojik ürünler), evet — uyarlanabilir tasarım planı, çalışma başlamadan önce ilgili düzenleyici otorite (FDA, EMA vb.) ile anlaşılmalıdır. Düzenlenmemiş araştırma bağlamlarında resmi bir onay gereksinimi yoktur, ancak şeffaflığı ve tekrarlanabilirliği sağlamak için uyarlama kurallarının kamuya açık bir sicilde (örneğin, ClinicalTrials.gov, AsPredicted, OSF) önceden kaydedilmesi şiddetle tavsiye edilir.

İlgili yöntemler

Kaynaklar

  1. Chow, S. C., & Chang, M. (2008). Adaptive Design Methods in Clinical Trials. Chapman and Hall/CRC.

    ISBN: 978-1584886761
    Kopyalandı.
  2. U.S. Food and Drug Administration. (2019). Adaptive Designs for Clinical Trials of Drugs and Biologics: Guidance for Industry. FDA.

    Yayın kaynağını aç
    Kopyalandı.