Uyarlanabilir Deneme Tasarımı
- Ortaya koyan
- Stephen Pocock, Christopher Jennison, and statistical methodologists; FDA formalized guidance 2019
- Yıl
- 1990s-2000s
- Tür
- Research Design
- Aile
- trial design
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Bir uyarlanabilir deneme tasarımı, ara veriler temelinde denemede önceden belirlenmiş değişikliklere izin verir—örneğin, örneklem büyüklüğü yeniden tahmini, faydasızlık veya etkinlik için durdurma, etkisiz kolları düşürme veya daha iyi performans gösteren tedavilere doğru randomize etme oranlarını kaydırma. 1990'lar-2000'lerde Pocock ve Jennison gibi istatistikçiler tarafından sistematik olarak geliştirilmiş ve 2019'da FDA tarafından biçimlendirilmiş uyarlanabilir tasarımlar, ilaç geliştirmeyi hızlandırır, etkisiz tedavilere maruz kalmayı azaltır ve doğru uygulandığında yanlış pozitif oranlarını şişirmeden verimliliği artırır.
Yöntemin mantığı
Geleneksel sabit tasarımlı denemeler katı bir planı izler: N katılımcı kaydet, tedavi veya kontrol grubuna 1:1 randomize et, sonunda bir kez analiz et. Uyarlanabilir tasarımlar deneme ortasında ilerlemeyi kontrol eder: 'Fayda konusunda net bir sinyal görüyor muyuz? Bir kol açıkça daha mı kötü?' Ortaya çıkan veriler fayda gösteriyorsa, kanıtları güçlendirmek için daha fazla katılımcı kaydet. Bir kol açıkça etkisizse, ona kayıt olmayı bırak ve kaynakları kaydır. Yanıt-Uyarlamalı Randomizasyon (RAR), randomize etme oranını dinamik olarak değiştirir: bir tedavi daha iyi sonuçlar gösterdikçe, yeni katılımcıların ona randomize edilme olasılığı artar, bilimsel titizliği korurken yetersiz kollara maruz kalmayı azaltır. Anahtar nokta önceden belirlenmesidir: tüm uyarlama kuralları veri kilitlemeden önce yazılmalı ve Tip I hata (yanlış pozitif oranı) sıralı test yöntemleriyle kontrol edilmelidir.
Tarih
Uyarlanabilir deneme tasarımları, istatistikçilerin sıralı test teorisi ve alfa harcama fonksiyonları geliştirdiği 1990'larda ortaya çıktı (Jennison & Turnbull 2000). Pocock'un temel makaleleri ara analiz ve uyarlanabilir tasarım metodolojisini biçimlendirdi. Yanıt-Uyarlamalı Randomizasyon (RAR), Bayesci yöntemler olgunlaştıkça 2000'lerde gelişti. FDA, 2019'da uyarlanabilir tasarımlar hakkında resmi kılavuz yayınlayarak ilaç geliştirmedeki benimsenmesini hızlandırdı. Önemli örnekler arasında optimal dozları ve etkinliği belirlemek için uyarlanabilir tasarımlar kullanan onkoloji denemeleri yer almaktadır. COVID-19 pandemisi, hızlı kanıt ihtiyacı nedeniyle uyarlanabilir deneme benimsenmesini (örn. SOLIDARITY denemesi, RECOVERY denemesi) katalize etti.
Ne zaman kullanılır?
Uyarlanabilir tasarımları şu durumlarda kullanın: (1) etkinlik/faydasızlık konusunda erken sinyallerin beklendiği (örn. 6 ay içinde etkinlik ortaya çıkabilir), (2) örneklem büyüklüğünün belirsiz olduğu ve ara verilerle iyileştirilebileceği, (3) birden fazla tedavi kolunun test edildiği ve bazılarının açıkça yetersiz olabileceği, (4) etiğin etkisiz tedavilere maruz kalmayı en aza indirmeyi gerektirdiği, (5) geliştirme sürelerinin kritik olduğu (örn. nadir görülen ilaçlar, onkoloji), (6) kaynakların sınırlı olduğu (uyarlanabilir tasarımlar örneklem büyüklüğünü veya süresini azaltır), (7) önceki bilginin belirsiz olduğu (ara veriler etki büyüklüğü, bırakma oranı vb. hakkındaki varsayımları iyileştirir), (8) aşama II/III'ün kesintisiz entegrasyonunun istendiği (doz bulmayı etkinlik testiyle birleştirme).
Sınırlar ve dikkat edilmesi gerekenler
- Karmaşıklık: uyarlanabilir tasarımlar karmaşık istatistiksel planlama, ara analiz altyapısı ve dikkatli yürütme gerektirir. Körleme ve veri yönetimi zorlaşır.
- Yanlış yapılırsa Tip I hatanın şişmesi: post-hoc uyarlamalar veya sıralı test yöntemlerinin göz ardı edilmesi yanlış pozitifleri şişirir. Titiz önceden belirleme pazarlık edilemez.
- Erken durdurmadan etki büyüklüğü şişmesi: etkinlik durdurma sınırı geçilirse, o noktadaki gözlemlenen etki büyüklüğü muhtemelen şişirilmiştir (iyimserlik yanlılığı). Nihai deneme etkisi ara tahminden daha küçük olabilir.
- Uyarlamalar arası karşılaştırılabilirlik: kollar düşürülürse veya randomize etme oranları değişirse, yeni ve orijinal katılımcılar arasındaki karşılaştırılabilirlik tehlikeye girebilir. Alt grup analizleri gereklidir.
- Yasal ve operasyonel ek yük: uyarlanabilir tasarımlar ön kayıt, ayrıntılı istatistiksel planlar, ara analiz uzmanlığı ve düzenleyicilerle iletişim gerektirir. Tüm ortamlar bunu destekleyemez.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Verimlilik: ara kanıt kesinse azaltılmış örneklem büyüklüğü ve daha kısa deneme süresi, zaman ve maliyet tasarrufu.
- Etik: Yanıt-Uyarlamalı Randomizasyon yetersiz kollara maruz kalmayı en aza indirir; faydasızlık durdurma, etkinlik olasılığı düşük olduğunda uzatılmış kaydı önler.
- Esneklik: uyarlamalar, önceden belirlenmişse istatistiksel titizliği feda etmeden ortaya çıkan belirsizlikleri ele alabilir.
- Bilgi odaklı: ara veriler kaynak tahsisini ve kol seçimini bilgilendirir, deneme tasarımını dinamik olarak iyileştirir.
- Yasal kabul: FDA ve EMA, uygun şekilde önceden belirlenmiş ve Tip I hata kontrolü yapılmış uyarlanabilir tasarımları kabul eder; modern ilaç geliştirmede giderek daha standart hale gelmektedir.
Uygulama alanları
- Doz bulma ve kesintisiz aşama II/III: erken katılımcıları birden fazla dozda kaydet, ara analiz optimal dozu belirler, ardından bu doz ve plasebo kontrolü ile etkinlik testine kesintisiz olarak geçin.
- Onkoloji denemeleri: uyarlanabilir tasarımlar üstün etkinlik veya faydasızlık için erken durdurmaya izin verir; Yanıt-Uyarlamalı Randomizasyon, daha fazla hastayı faydalı rejimlere yönlendirir.
- Nadir hastalık ilaç geliştirme: daha küçük popülasyon sabit tasarımları güçsüz bırakır; uyarlanabilir tasarım, ortaya çıkan etki büyüklüğüne göre örneklem büyüklüğünü yeniden tahmin ederek fizibiliteyi artırır.
- Bulaşıcı hastalık salgını müdahalesi: salgınlar sırasında, uyarlanabilir tasarımlar etkisiz kolları düşürerek ve en iyi performans gösteren tedavilere kaydırarak etkili terapötiklerin belirlenmesini hızlandırır.
- Davranışsal ve ruh sağlığı müdahaleleri: birden fazla müdahale kolu test edilir; uyarlanabilir tasarım etkisiz varyantları erken düşürür, kaynakları umut vadedenlere yeniden tahsis eder.
Nasıl çalışır?
Nasıl çalışır?
Tasarım aşaması: birincil sonlanım noktası, ara bakma zamanları (örn. hedeflenen olayların veya kaydedilen katılımcıların %50'sinde ve %100'ünde), durdurma kuralları (etkinlik eşiği, faydasızlık sınırı) ve uyarlama kuralları (örneklem büyüklüğü yeniden tahmini, kol düşürme, randomize etme oranı değişiklikleri) dahil olmak üzere deneme protokolünü belirtin. Tip I hatayı (yanlış pozitif oranı) ara ve nihai analizler arasında paylaştırmak için alfa harcama fonksiyonları (örn. O'Brien-Fleming) kullanın, toplam Tip I hatanın 0.05'te kalmasını sağlayın. Yanıt-Uyarlamalı Randomizasyon (RAR) uygulanabilirse uygulayın: randomize etme olasılıkları ara sonuç verilerine göre değişir (örn. Tedavi A daha yüksek yanıt oranı gösterirse, yeni katılımcıların A'ya randomize edilme olasılığı daha yüksek olur). Körleme: yanlılığı önlemek için analizlere kadar atanan tedaviye ve ara sonuçlara körlemeyi (katılımcılar, klinisyenler, istatistikçiler) koruyun.
Formül
Plan pre-specified interim analyses at fixed information levels (e.g., 50% and 100% of target events); implement Response-Adaptive Randomization (RAR) if warranted; enroll participants and randomize according to protocol.
Her ara analizde, önceden belirlenmiş protokole uyun: (1) O zamana kadar toplanan tüm verileri kullanarak birincil sonucu analiz edin. (2) Etki tahminini (tehlike oranı, ortalamalar arasındaki fark vb.) güven aralığı ve p-değeri ile sıralı test ayarlaması kullanarak hesaplayın. (3) Durdurma sınırlarını değerlendirin: etkinlik sınırı geçilirse (fayda konusunda güçlü kanıt), erken durdurmayı düşünün. Faydasızlık sınırı geçilirse (yetersiz etki büyüklüğü), faydasızlık için durdurmayı düşünün. (4) Devam ediliyorsa, uyarlama kuralları uygulayın: gözlemlenen etkiye göre gerekli örneklem büyüklüğünü yeniden tahmin edin; planlanandan küçükse, hedef N'yi azaltın. Tersine, gözlemlenen etki beklenenden küçükse, N'yi artırın. (5) Randomizasyon oranını ayarlayın (RAR ise): her kolun üstünlüğünün sonsal olasılığını hesaplayın; yeni katılımcıları bu sonsal olasılıklarla orantılı olasılıklarla randomize edin. (6) Kolları düşürün: bir kol açıkça yetersizlik gösterirse (faydasızlık), etik endişeler veya protokol değişiklikleri gerekmedikçe kayıt olmayı bırakmayı düşünün. (7) Tip I hatayı kontrol edin: kümülatif Tip I hatanın ≤ 0.05 olmasını sağlamak için sıralı test p-değerlerini (standart p-değerlerini değil) ve önceden belirlenmiş alfa harcama fonksiyonlarını kullanın.
Formül
At each interim: analyze pooled data, compute effect size, assess futility and efficacy; adjust sample size, randomization ratio, or arms as pre-specified; control Type I error via sequential testing or alpha-spending function.
Uyarlanabilir denemelerden elde edilen sonuçlar standart RCT'lere benzer şekilde yorumlanır, ancak ek şeffaflıkla: kullanılan uyarlama kuralını, yapılan ara analizleri, ara ve nihai etki tahminlerini ve yapılan uyarlamaların gerekçesini bildirin. Nihai etki tahmini geçerlidir (doğru sıralı testler altında) ve tüm deneme popülasyonu için geçerlidir. Uyarlanabilir tasarım faydaları: (1) Verimlilik—erken kanıt güçlüyse azaltılmış örneklem büyüklüğü, daha hızlı tamamlama. (2) Etik—etkisiz kollara maruz kalan katılımcılar kol düşürme veya RAR yoluyla en aza indirilir. (3) Esneklik—tasarım, istatistiksel titizliği feda etmeden ortaya çıkan kanıtlara yanıt verebilir, önceden belirlenmişse. Dikkat edilmesi gerekenler: (1) Uyarlanabilir tasarımlar önceden belirlenmeli ve kaydedilmelidir; post-hoc uyarlamalar p-hacking'dir. (2) Tip I hata kontrolü, sıralı test yöntemlerine uyumu gerektirir; standart p-değerleri ara bakışlarda geçersizdir. (3) Erken durdurulan denemelerden elde edilen etki büyüklüğü tahminleri şişirilmiş (aşırı iyimser) olabilir. (4) Uyarlama sırasında kollar veya popülasyonlar değişirse genelleştirilebilirlik sınırlı olabilir.
Formül
At final analysis, apply sequential test corrections for multiple looks; interpret effect estimate in context of adaptation decisions; transparency on deviations from pre-specification.
Sık yapılan hatalar
- Körlenmemiş ara analizler operasyonel yanlılığa yol açar: deneme ekibi ara analizde tedavi atamalarını bilirse, kararlar bilinçaltında etkilenebilir. Bağımsız Veri İzleme Komiteleri (DMC) kullanın ve tanımlanabilir kol etiketlerine körlemeyi koruyun.
- Post-hoc uyarlamalar: uyarlama kuralları önceden belirlenmemiş ve körleme öncesinde yazılmamışsa, bu p-hacking'dir. Uyarlanabilir tasarımın geçerliliği önceden belirlemeye dayanır.
- Çoklu testlerin göz ardı edilmesi: p-değeri eşiklerini ayarlamadan ara bakışlar yapmak Tip I hatayı şişirir. Her zaman sıralı test yöntemlerini (alfa harcama, grup-sıralı tasarım) kullanın.
- Erken sinyallerin aşırı yorumlanması: ara nokta tahminleri değişkendir. Ara analizdeki geniş güven aralıkları, etki yönü veya büyüklüğü konusundaki güveni azaltmalıdır. Kararsız tahminlere dayalı uyarlamalara aşırı bağlı kalmayın.
- Kol düşürmeden genelleştirilebilirlik kaybı: bir kol deneme ortasında düşürülürse ve nihai sonuçlar katılımcılarını dışarıda bırakırsa, deneme temsil edici olmaktan çıkar. Dikkatli dokümantasyon ve hassasiyet analizleri gereklidir.
Sık sorulan sorular
Alfa harcama fonksiyonları uyarlanabilir denemelerde Tip I hatayı nasıl kontrol eder?
Bir alfa harcama fonksiyonu, toplam Tip I hatayı (α, tipik olarak 0.05) birden fazla ara ve nihai analiz arasında paylaştıran bir eğridir. Her ara bakışta, o noktaya kadar tahsis edilen kümülatif alfa, durdurma için p-değeri eşiğini belirler. Örneğin, O'Brien-Fleming fonksiyonu, erken ara bakışlara çok az alfa (yüksek p-değeri eşikleri, erken durdurmak zor) ve daha sonraki bakışlara ve nihai analize daha fazla alfa tahsis eder. Bu, toplamda Tip I hatayı 0.05'te tutarken birden fazla istatistiksel teste izin verir. Eğer 2 ara + 1 nihai analiz yaparsanız ve O'Brien-Fleming harcamasını kullanırsanız, p-değeri eşikleri sırasıyla ara 1, ara 2 ve nihai analizde 0.001, 0.01 ve 0.05 olabilir ve kümülatif olarak 0.05 harcanır.
Yanıt-Uyarlamalı Randomizasyon (RAR) nedir ve sabit randomizasyondan nasıl farklıdır?
Sabit randomizasyonda (standart RCT), tüm katılımcılar ara sonuçlardan bağımsız olarak 1:1 (veya önceden belirlenmiş oranda) randomize edilir. RAR'da, randomizasyon oranı ara sonuç verilerine göre ayarlanır. Örnek: ara analiz Tedavi A'nın %70 yanıt oranına ve Tedavi B'nin %50 yanıt oranına sahip olduğunu gösterirse, RAR yeni katılımcıları %60 A ve %40 B ile randomize edebilir (daha iyi performans gösteren kolu tercih ederek). Gerekçe: yetersiz tedaviye maruz kalmayı en aza indirir, etik fayda sağlar. Zorluk: RAR çıkarımı karmaşıklaştırır (sıralı test ayarlaması gerekir) ve dikkatli yapılmazsa etki tahminlerini yanlı hale getirebilir. RAR en çok şu durumlarda kullanışlıdır: (1) sonuçlar hızlı bir şekilde gözlemlenir (gecikmeli değil), (2) amaç bireysel faydayı en üst düzeye çıkarmaktır (sadece örneklem büyüklüğünü en aza indirmek değil), (3) yetersiz kollara maruz kalma konusundaki etik endişeler yüksektir.
Bir uyarlanabilir denemeyi ne zaman etkinlik için erken durdurmalıyım, ne zaman faydasızlık için?
Deneme başlamadan önce istatistiksel analiz planında etkinlik ve faydasızlık durdurma sınırlarını önceden belirleyin. Etkinlik durdurma: ara veriler, etkinlik sınırını geçen (üstünlüğe dair güçlü kanıt) bir p-değeri (sıralı test için ayarlanmış) gösterirse durdurun. Örnek: O'Brien-Fleming sınırı ilk ara analizde geçilirse, durdurun ve etkinliği bildirin. Faydasızlık durdurma: ara veriler etki büyüklüğünün o kadar küçük olduğunu gösterirse ki, kalan tüm planlanan katılımcıları kaydetmiş olsanız bile istatistiksel anlamlılığa ulaşmanız olası değildir. Faydasızlık, koşullu güç kullanılarak değerlendirilir: 'Şimdiye kadar gözlemlenen etkiye dayanarak, nihai analize kadar anlamlılığa ulaşma olasılığı nedir?' Koşullu güç <%20 ise, faydasızlık için durdurmayı düşünün. Yanlılığı önlemek için durdurma kararlarından önce her zaman bağımsız bir Veri İzleme Komitesi (DMC) incelemesi gereklidir.
Erken durdurulan uyarlanabilir denemelerden elde edilen etki büyüklükleri neden şişirilmiş olabilir?
Bir etkinlik sınırı ara analizde geçilirse ve kayıt erken durdurulursa, o noktadaki gözlemlenen etki büyüklüğü muhtemelen rastgele değişim nedeniyle şişirilmiştir. Bir madeni para atmayı hayal edin: ortalama olarak 100 atışta 50 yazı bekleyebilirsiniz. Ancak 70 yazıya ulaştığınızda (nadir bir durum) durursanız ve atışları sayarsanız, yanlı bir oran gözlemlersiniz (70/100 = %70). Benzer şekilde, denemelerde, ara etki tahmini yüksek bir eşiği geçtiğinde durursanız, bu tahmin yukarı doğru yanlıdır. Klinik karar verme için, ara tahminleri aşağı doğru ayarlayın (p-değeri fonksiyon analizi veya koşullu güç hesaplamaları gibi yöntemler kullanarak). Sıralı test p-değeri Tip I hatayı kontrol etmeye devam eder, ancak nokta tahmini iyimserdir.
İlgili yöntemler
Kaynaklar
Pocock, S. J. (2005). Current issues in the design and interpretation of clinical trials. BMJ, 330(7500), 1118–1121.
Yayın kaynağını açKopyalandı.Pallmann, P., Bedding, A. W., Choodari-Oskooei, B., Dimairo, M., Flight, L., Hampson, L. V., ... & Wason, J. (2018). Adaptive designs in clinical trials: why use them, and how to run and report them. BMC Medicine, 16(1), 29.
DOI kaynağını açKopyalandı.FDA (2019). Adaptive Designs for Clinical Trials of Drugs and Biologics: Guidance for Industry. US Food and Drug Administration.
Yayın kaynağını açKopyalandı.