自适应队列研究 — 自适应队列研究设计
- 提出者
- Extension of classic cohort methods; adaptive design principles formalised by regulatory and epidemiology communities in the 2000s–2010s
- 年份
- 2000s–2010s (systematic formalisation)
- 类型
- Observational / adaptive epidemiological design
- 类别
- Clinical / epidemiology
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
自适应队列研究是一种纵向观察设计,它在一段时间内跟踪一组特定的个体,以评估暴露-结局关系,同时纳入预先指定的适应规则,允许基于累积的期中数据对方案进行修改——例如样本量重新估计、亚组富集或测量时间表调整。修改是在不损害有效性的前提下进行的,并遵循数据收集开始前商定的统计分析计划。
方法背后的直觉
可以设想一下,标准的队列研究就像一列在固定轨道上运行的火车:招募参与者,跟踪他们多年,最后分析数据。自适应队列研究则增加了受控的岔路口:在预定义的检查点,我们会查看累积数据,并决定是否调整轨道——如果事件发生率低于预期,就招募更多参与者;如果某个亚组似乎受影响最大,就缩小研究范围;或者改变随访访问的频率。关键在于“预先指定”:何时以及如何进行调整的规则在看到数据之前就已经锁定在方案中,从而防止了临时决定的偏倚。
历史学
自适应队列研究源于两个汇合的传统:流行病学中长期的前瞻性队列方法——可追溯至1948年启动的弗雷明汉心脏研究——以及20世纪90年代和2000年代临床试验中适应性设计原则的正式化,这些原则被FDA(2019)和EMA(2007)的指导文件所编码。流行病学家在21世纪初开始系统地结合这些框架,以解决长期观察性研究的效率低下问题,特别是在药物流行病学和精准医学研究中。
何时使用
当暴露-结局关系尚未明确表征,并且对预期事件发生率、效应大小或哪个亚组最具信息量存在真正的疑问时,应使用自适应队列研究——这使得完全固定的设计效率低下或样本量不足。它在罕见病流行病学、药物流行病学和需要长期随访的研究中尤其有价值,因为这些研究中的情况可能会发生变化。当无法在数据收集前完全预先指定适应规则时,当研究团队无法实施盲法期中审查时,或者当适应逻辑本身会引入无法通过分析纠正的信息性删失时,不应使用。当样本量和事件发生率可提前可靠得知时,首选标准固定队列研究。
局限与注意事项
- 需要大量的技术专长来预先指定适应规则、α花费函数和期中审查治理——增加了方案的复杂性。
- 操作挑战:在观察性研究中实施盲法期中审查比在随机试验中更困难。
- 基于期中数据的适应性决策可能会引入偏倚,如果规则未严格遵守或适应性改变了参与者的行为。
- 报告标准不如标准队列研究成熟;审稿人和期刊可能不熟悉该设计。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 通过允许研究中期样本量重新估计来提高效率,减少了过度招募和样本量不足的研究。
- 能够在异质性人群中进行亚组富集,而不会产生事后亚组分析的推断惩罚。
- 当适应规则完全预先指定并遵循盲法审查程序时,可保持观察有效性。
- 非常适合先验信息稀疏且固定设计假设会是猜测性的环境。
- 在药物流行病学或药物监测的背景下使用时,符合有关适应性设计的监管指南。
应用
- 药物流行病学:监测上市后队列中的药物安全信号,并制定预先指定的规则,以便在事件发生率低于预期时延长随访。
- 罕见病流行病学:从多个登记处招募参与者,并制定期中规则,将资源集中在信息量最大的亚组上。
- 营养和环境流行病学:当期中数据显示新的暴露测量比原始代理指标信息量更大时,调整生物标志物测量时间表。
- 精准医学研究:一旦早期数据证实了某种基因组变异的相关性,就前瞻性地用携带该变异的参与者来丰富队列。
- 大流行病和疫情监测:根据关于疾病轨迹的新证据,延长初始队列的随访或增加测量波次。
使用方式
使用方式
在预先注册的方案和统计分析计划中定义队列人群、感兴趣的暴露、主要和次要结局、随访持续时间和所有适应规则。指定期中查看时间、每种可能调整的决策规则(样本量重新估计、亚组选择、访视计划更改)以及如何控制I类错误——通常通过预先指定的α花费函数或贝叶斯更新规则。
在基线时招募符合条件的参与者,收集暴露、协变量和结局状态的基线测量数据。如果期中分析将使用生物样本,则建立登记处或生物样本库。从目标人群中进行随机或代表性抽样至关重要;还必须在此阶段记录失访计划。
根据预定的测量波次跟踪参与者,在每个波次收集暴露、协变量和结局数据。在预先指定的查看时间点进行盲法或规则驱动的期中数据审查,以评估事件发生率、数据质量、退出模式以及是否满足适应的触发条件。
当期中审查标准得到满足时,应用预先指定的适应规则。允许的适应包括:根据观察到的方差或事件发生率增加或减少计划的样本量;将进一步的招募限制在显示更大效应的预定义亚组;调整随访间隔以提高效率;或在期中数据表明某种生物标志物测量具有预后相关性时增加该测量。所有适应及其理由都应在最终报告中记录和披露。
在随访结束时,根据预先指定的计划进行主要分析,使用适合调整后设计的统计方法——例如,逆概率加权、缺失值多重插补或贝叶斯后验估计。报告未调整和已调整的分析路径,并应用方案中约定的任何α校正,以维持推断的有效性。
常见陷阱
- 计划外的适应——任何未在期中数据检查前预先指定和记录的方案变更都是临时性修改,会引入偏倚并使推断无效。
- 忽略多重检验问题——每次期中分析都会增加I类错误,除非应用并报告了α花费或其他多重性校正。
- 将适应与数据挖掘混淆——期中亚组选择必须基于预先指定的生物学或临床假设,而不是基于碰巧显示最大观察效应的亚组。
- 文件记录不足——适应性必须在方法和结果部分完全披露;未能报告它们会使研究无法复现并损害信任。
- 将固定队列分析软件应用于自适应设计——标准生存或回归软件不会自动考虑自适应停止规则;需要专业软件或自定义代码。
常见问题
自适应队列研究与标准前瞻性队列研究有何不同?
标准前瞻性队列研究具有完全固定的方案:样本量、测量时间表和分析计划在开始时就已确定,并且不会更改。自适应队列研究还包括预先指定的规则,允许根据期中数据修改某些方案要素——例如样本量、亚组焦点或测量频率。这些调整是提前计划好的;它们不是事后更改。
是否需要预先注册?
强烈建议预先注册,并且在许多情况下是必需的。适应规则、期中查看时间和α花费策略必须在收集或检查任何数据之前进行记录。没有带有时间戳的预先注册方案,读者或审稿人无法区分合法的适应性修改和机会性的数据驱动更改。
我可以使用现有的登记数据进行自适应队列研究吗?
仅在有限的意义上。真正的 전瞻性自适应设计要求在数据收集之前就已指定适应规则。如果您使用的是现有数据,则无法前瞻性地应用期中适应规则;相反,您正在进行标准的回顾性或二次队列分析。某些自适应分析框架(例如,顺序检验)可以应用于历史数据,但根据前瞻性设计的意义,该研究不能称为自适应队列研究。
最终分析使用哪些统计方法?
选择取决于适应的类型。对于样本量重新估计,标准回归或生存方法通常适用,如果重新估计是盲法的,则无需校正。对于可能提前停止的顺序查看,使用α花费函数(例如,O'Brien-Fleming边界)。对于亚组富集,可能需要富集加权分析或贝叶斯自适应模型。预先指定的统计分析计划应在数据解盲前命名确切的方法。
适应性是否会引入偏倚?
如果规则是预先指定的,期中审查是盲法的或由独立委员会管理的,并且分析考虑了自适应设计,那么适应性本身不会引入偏倚。当适应性超出预先指定的规则——例如,在看到期中结果后更改主要结局——或者当分析将自适应研究视为固定设计时,就会产生偏倚。