Bayesçi Rastgele Kontrollü Klinik Araştırma
- Ortaya koyan
- Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
- Yıl
- 1980s–2000s (formal methodology consolidated ~2004–2006)
- Tür
- Randomized experimental study with Bayesian inference
- Aile
- Clinical / epidemiology
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Bir Bayesçi rastgele kontrollü klinik araştırma (Bayesçi RKK), tedavi atamasının rastgeleleştirilmesinin titizliğini Bayesçi istatistiksel çıkarımla birleştirerek, araştırmacıların önsel kanıtları dahil etmelerine ve araştırma verileri biriktikçe inançlarını sürekli olarak güncellemelerine olanak tanır.
Klasik sıklıkçı RKK'nın aksine, tedavi etkileri hakkında doğrudan olasılık ifadeleri üretir ve son olasılıklara dayalı olarak önceden belirlenmiş uyarlanabilir durdurma kurallarını destekler.
Yöntemin mantığı
Standart bir RKK'da tüm veriler toplanana kadar beklersiniz ve ardından sonuçların sıfır hipotezini reddetmek için yeterince aşırı olup olmadığını sorarsınız. Bir Bayesçi RKK bunun yerine şunu sorar: araştırmanın başlamasından önce bildiğimiz her şey ve mevcut verilerin gösterdiği göz önüne alındığında, tedavinin klinik olarak anlamlı bir miktarda daha iyi olma olasılığı nedir? Bu olasılık, her yeni gözlemle güncellenir, tıpkı hava durumu tahmininin yeni okumalar geldikçe güncellenmesi gibi. İnançlar sürekli olarak güncellendiği için, araştırma keyfi ara bakışlar yerine önceden belirlenmiş olasılık eşiklerine dayalı olarak etkinlik, faydasızlık veya güvenlik için erken durdurulabilir.
Tarih
Bayesçi yöntemlerin klinik araştırmalara uygulanması, 1980'lerin sonlarından itibaren, posterior olasılıkların uyarlanabilir onkoloji araştırmalarına nasıl rehberlik edebileceğini gösteren Donald Berry (MD Anderson Cancer Center) gibi istatistikçiler tarafından desteklenmiştir. Spiegelhalter, Abrams ve Myles, 2004 tarihli Wiley monografilerinde çerçeveyi kodlamışlardır ve Berry'nin 2006 tarihli Nature Reviews Drug Discovery makalesi, klinik araştırmacılar için yaygın olarak atıfta bulunulan bir giriş noktası haline gelmiştir. Düzenleyici rehber belgeleri — özellikle FDA'nın 2010 ve 2019 tarihli uyarlanabilir tasarımlara ilişkin rehberleri — Bayesçi uyarlanabilir RKK'ları ilaç onayı için meşrulaştırmış, onkoloji, nadir hastalıklar ve platform araştırmalarında benimsenmelerini teşvik etmiştir.
Ne zaman kullanılır?
Anlamlı önsel kanıtların mevcut olduğu (örneğin, önceki fazlardan veya ilgili ajanlardan) ve bunları dahil etmenin bilimsel ve etik olarak uygun olacağı durumlarda bir Bayesçi RKK kullanın; uyarlanabilir özelliklerin (erken durdurma, kol düşürme, örneklem büyüklüğü ayarlaması) klinik veya ticari olarak önemli olduğu durumlarda; p-değerinden ziyade tedavi faydası hakkında doğrudan olasılık ifadelerinin hedeflendiği durumlarda; veya hastalık alanının nadir olduğu, her katılımcının verimli kullanımının gerekli olduğu durumlarda. Düzenleyicilerin önsel olmadan tamamen sıklıkçı bir analiz gerektirdiği durumlarda (bazı teyit edici Faz III başvuruları), önsel veriler güvenilir bir şekilde birleştirilemeyecek kadar heterojen olduğunda veya önceden belirlenmiş bir önsel üzerinde araştırmacılar ve paydaşlar arasında körleme öncesinde anlaşma sağlanamadığında kullanmayın.
Sınırlar ve dikkat edilmesi gerekenler
- Teyit edici araştırmalar için düzenleyici kabul evrensel değildir; bazı kurumlar Bayesçi tasarımlar için bile tam sıklıkçı işletimsel özellikler gerektirir.
- Sonuçlar önsel belirlemeye duyarlıdır; kötü seçilmiş bilgilendirici bir önsel, olabilirlik üzerinde baskın olabilir ve sonuçları yanıltabilir.
- Hesaplama talepleri (MCMC veya varyasyonel Bayes), klasik sıklıkçı analizlerden daha yüksektir ve istatistiksel uzmanlık gerektirir.
- Yanıt-uyarlanabilir rastgeleleştirme, lojistik karmaşıklık getirebilir ve bazı simülasyonlarda dikkatli bir şekilde kalibre edilmezse tip-I hatayı artırabilir.
- Önsel seçimlerin ve duyarlılık analizlerinin şeffaf raporlanması zorunludur ancak yayınlara uzunluk ve karmaşıklık katar.
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Doğrudan yorumlanabilir sonuçlar üretir: tedavi faydasının klinik olarak önemli bir eşiği aştığı son olasılık.
- Önceki fazlardan gelen önsel kanıtları resmi olarak içerir, güçlü önsel bilgi mevcut olduğunda gereken örneklem büyüklüğünü azaltır.
- Uyarlanabilir durdurma kuralları, katılımcıları koruyarak ve kaynakları tasarruf ederek araştırmayı etkinlik veya faydasızlık için erken sonlandırabilir.
- Yanıt-uyarlanabilir rastgeleleştirme, daha iyi performans gösteren kola daha fazla katılımcı atar, bu da ciddi hastalıklarda etik olarak çekicidir.
- Güven aralıkları doğal bir yoruma sahiptir (etkinin bu aralıkta olma olasılığı %95'tir), bu genellikle sıklıkçı güven aralıklarına yanlış yorumlanır.
Uygulama alanları
- Onkoloji doz bulma ve genişletme araştırmaları (örneğin, faz I/II için Bayesçi optimal aralık tasarımları).
- Son olasılıkları kullanarak etkisiz kolları düşüren ve yenilerini ekleyen platform ve ana protokol araştırmaları (RECOVERY, I-SPY).
- Klasik örneklem büyüklüklerinin uygulanamaz olduğu nadir hastalık araştırmaları.
- Bilgilendirici bir önsel aracılığıyla resmi olarak gerçek dünya kanıtları biriktiren cihaz ve tanı araştırmaları.
- Açık olasılık eşikleriyle hızlı ara kararlar gerektiren aşı etkinliği araştırmaları.
- Sürekli yeniden değerlendirme yöntemleri (CRM) veya aşırı doz kontrolü ile artırma (EWOC) kullanan uyarlanabilir doz artırma çalışmaları.
Nasıl çalışır?
Nasıl çalışır?
Araştırma başlamadan önce, tedavi etkisi parametresi için önsel bir olasılık dağılımı belirtilir. Bilgilendirici önsel dağılımlar, önceki faz çalışmalarından, yayınlanmış literatürden veya uzman klinik bilgisinden elde edilen sonuçları içerir; önsel kanıtların sınırlı olduğu veya minimum önsel etkinin düzenleyici beklentilerini karşılamak için bilgilendirici olmayan (belirsiz) önsel dağılımlar kullanılır. Önsel seçimi protokolde önceden belirtilmeli ve gerekçelendirilmelidir.
Katılımcılar, sıklıkçı bir RKK'da olduğu gibi, tedavi kollarına rastgele atanır. Rastgeleleştirme sabit (eşit atama) veya yanıta-uyarlanabilir (daha iyi performans gösteren kol lehine güncellenen atama oranları) olabilir. Körleme, gizleme ve CONSORT tarzı raporlama standartları istatistiksel çerçeveden bağımsız olarak geçerlidir.
Her katılımcı için sonuç verileri biriktikçe, olabilirlik fonksiyonu, gözlemlenen verilerin tedavi etkisi parametresinin farklı değerleri altında ne kadar olası olduğunu ölçer. Olabilirlik, önsel ile birleştirilerek güncellenmiş inançlar üretilir - bu adım Bayes teoremi'ne karşılık gelir ve her önceden planlanmış ara analizde gerçekleştirilir.
Son olasılık dağılımı P(theta | veri), önseli olabilirlikle çarparak ve normalleştirerek hesaplanır. Bu dağılımdan araştırma ekibi temel nicelikleri okur: tedavi faydasının anlamlı bir eşiği aştığı son olasılık, etki büyüklüğü için son ortalama ve güven aralığı ve araştırmanın maksimum örneklem büyüklüğüne devam etmesi durumunda başarılı bir sonuç için öngörücü olasılık.
Formül
P(theta | data) propto P(data | theta) * P(theta)
Önceden belirlenmiş karar kuralları, son olasılıkları araştırma eylemlerine dönüştürür. Yaygın kurallar şunları içerir: etkinlik için durdurma, eğer P(delta > delta_min | veri) > 0.95 ise; faydasızlık için durdurma, eğer nihai başarı için öngörücü olasılık 0.05'in altına düşerse; aksi takdirde devam et. Nihai sonuçlar, düzenleyici başvuru için istenen herhangi bir sıklıkçı işletimsel özelliklerle desteklenen son olasılıklar ve güven aralıkları olarak raporlanır.
Sık yapılan hatalar
- Verileri gördükten sonra önseli seçmek — önsel tamamen önceden belirlenmeli ve körlenmemiş veriler incelenmeden önce kilitlenmelidir; post-hoc önsel seçimi Bayesçi mantığı geçersiz kılar ve yanlılık getirir.
- Önsel-veri çakışmasını göz ardı etmek — önsel ve biriken veriler güçlü bir şekilde çeliştiğinde, son olasılık yanıltıcı özetler verebilir; çakışma tanıları izleme planının bir parçası olmalıdır.
- Sıklıkçı işletimsel özelliklerini ihmal etmek — bir Bayesçi araştırmada bile, düzenleyici başvurular tipik olarak sıfır ve alternatif hipotezler altında tip-I hata ve gücün simülasyon tabanlı tahminlerini gerektirir; bunları sağlamamak düzenleyici onayı tehlikeye atar.
- Güven aralıklarını güven aralıklarıyla karıştırmak — Bayesçi güven aralıkları bir önsel gerektirir; bunları sıklıkçı güven aralıkları gibi raporlamak istatistiksel çerçeveyi yanlış temsil eder.
Sık sorulan sorular
Bir Bayesçi RKK yürütmek için büyük bir ön literatüre ihtiyacım var mı?
Hayır. Önsel bilgi sınırlı veya tartışmalı olduğunda, zayıf bilgilendirici veya bilgilendirici olmayan bir önsel kullanılabilir. Belirsiz bir önsel ile Bayesçi son olasılık, sıklıkçı bir sonuca çok benzeyecektir, bu nedenle ana avantaj, önsel ödünç almaktan ziyade uyarlanabilir durdurma kuralları olacaktır. Bir dizi önsel üzerindeki duyarlılık analizleri her zaman raporlanmalıdır.
FDA veya EMA bir Bayesçi RKK'yı ilaç onayı için kabul edecek mi?
Her iki kurum da Bayesçi uyarlanabilir tasarımları destekleyen rehberler yayınlamıştır, ancak kabul bağlama bağlıdır. FDA'nın 2019 rehberi, ilaçlar ve cihazlar için Bayesçi uyarlanabilir tasarımları açıkça kapsamaktadır. Temel gereksinimler şunları içerir: önsel ve karar kurallarının önceden belirlenmesi, kabul edilebilir tip-I hata ve gücü gösteren simülasyon çalışmaları ve şeffaf raporlama. İlgili kurumla erken etkileşim şiddetle tavsiye edilir.
Bayesçi bir RKK, uyarlanabilir bir RKK'dan nasıl farklıdır?
Uyarlanabilir bir RKK, biriken verilere dayanarak araştırma parametrelerini (örneklem büyüklüğü, atama, kollar) değiştiren geniş bir tasarım kategorisidir; hem sıklıkçı hem de Bayesçi yöntemlerle analiz edilebilir. Bir Bayesçi RKK, özellikle Bayesçi çıkarım — önsel dağılımlar, olabilirlikler ve son olasılıklar — kullanır, bu da uyarlanabilir karar kurallarını doğal olarak destekler. Modern Bayesçi RKK'ların çoğu aynı zamanda uyarlanabilirdir, ancak iki etiket tasarımın farklı yönlerine atıfta bulunur.
Bayesçi RKK analizi için hangi yazılımı kullanabilirim?
Stan (RStan veya CmdStanR aracılığıyla) ve JAGS, MCMC aracılığıyla son hesaplama için en yaygın kullanılan platformlardır. R paketleri RBesT (Bayesçi kanıt sentezi), bayesDP ve trialr belirli araştırma tasarımlarını uygular. EAST Bayes ve FACTS, uyarlanabilir Bayesçi araştırma simülasyonu ve analizi için düzenleyici geçmişe sahip ticari yazılım paketleridir.
Bir Bayesçi RKK için minimum örneklem büyüklüğü nedir?
Evrensel bir minimum yoktur; gereken örneklem büyüklüğü, önselin gücüne, hedeflenen etki büyüklüğüne, seçilen son olasılık eşiğine ve istenen sıklıkçı işletimsel özelliklere bağlıdır. Simülasyon çalışmaları — tipik olarak bir dizi senaryo altında 10.000 veya daha fazla tekrarlama — araştırmanın başlamasından önce maksimum örneklem büyüklüğünü ve uyarlanabilir durdurma sınırlarını belirlemek için kullanılır.
İlgili yöntemler
Kaynaklar
Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.
ISBN: 978-0471499756Kopyalandı.Berry, D. A. (2006). Bayesian clinical trials. Nature Reviews Drug Discovery, 5(1), 27–36.
DOI kaynağını açKopyalandı.