自适应随机临床试验
- 提出者
- Donald Berry and colleagues; formalized by FDA guidance in 2010 and 2019
- 年份
- Late 1990s–2000s (widespread adoption post-2010)
- 类型
- Experimental clinical trial 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?
自适应随机临床试验(adaptive RCT)是一种前瞻性实验研究,它使用预先规定的规则,根据试验过程中收集到的累积数据来修改试验的一个或多个方面——例如样本量、分配比例或治疗组——同时保持研究的统计有效性和完整性。
方法背后的直觉
在传统的随机对照试验(RCT)中,方案在第一名患者入组前就已固定,无论涌现的数据如何显示,都不会改变。而自适应随机对照试验则内置了决策检查点:随着中期数据的累积,预先规划的规则允许试验做出响应——剔除表现不佳的组、将更多患者分配给有前景的治疗,或在证据确凿时提前终止。这种灵活性可以减少暴露于效果较差治疗的患者数量,并缩短开发周期,但它需要极其谨慎的前期规划,以避免增加假阳性率。
历史学
自适应试验设计的概念基础可以追溯到 20 世纪 40 年代 Abraham Wald 的序贯分析工作以及 20 世纪 70 年代的“play-the-winner”随机化提议。Donald Berry 在 20 世纪 90 年代末和 21 世纪初提出的有影响力的贝叶斯自适应试验方法,以及 2010 年启动的 I-SPY 2 乳腺癌试验等里程碑式试验,将自适应设计引入了主流临床研究。美国食品药品监督管理局(FDA)在 2010 年发布了指导草案,并在 2019 年发布了修订后的最终指导,正式认可了精心设计的自适应试验用于监管申报,巩固了其在药物和生物制品开发中的合法性。
何时使用
当需要回答一个确证性疗效问题,同时又需要保持响应累积证据的灵活性时,应使用自适应随机对照试验——例如,当设计阶段的效应量估计不确定时,当需要选择多个剂量或组时,或者当伦理或效率论证倾向于尽量减少患者暴露于效果较差的治疗时。它在肿瘤学、罕见病和药物开发中尤其有价值,因为在这些领域,固定的样本量设计往往难以实现。当无法可靠地预先规定自适应规则时,当缺乏独立中期监测的基础设施时,当结局测量相对于招募率非常延迟(使得实时调整不切实际)时,或者当增加的操作和统计复杂性不能被科学问题所证明时,则不应使用。
局限与注意事项
- 需要大量的初步统计规划和模拟;试验前设计错误无法在试验中期纠正。
- 操作复杂性远高于标准随机对照试验——制造、供应链和 DSMB 基础设施都必须适应自适应决策。
- 当结局测量相对于招募率缓慢时,中期数据可能过于稀疏,无法驱动有意义的调整。
- 监管审查非常严格;机构要求对每一个预先规定的调整规则进行详细的论证,并提供模拟证据。
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
- 通过提前终止或剔除无效组,可以减少所需的总患者数量。
- 将更多患者分配给表现更好的治疗,从而改善试验的伦理状况。
- 允许无缝的 II/III 期设计,缩短整体药物开发周期。
- 预先规定的调整规则确保了在设计灵活性下仍能保持统计严谨性。
- 对于固定样本量设计通常不可行的罕见病和肿瘤学研究尤其强大。
应用
- 无缝的 II/III 期肿瘤学试验,在中间步骤中选择最佳剂量,然后不间断地进行确证性测试。
- 需要快速确定剂量和确证疗效的传染病爆发试验,尤其是在时间压力下(例如,COVID-19 平台试验,如 RECOVERY 和 ACTT)。
- 罕见病研究,其中固定的招募目标难以实现,并且提前因疗效而终止是符合伦理的必要条件。
- 心血管医学中的多组多阶段(MAMS)设计,同时比较多种干预措施并预先规划组的剔除。
- 早期肿瘤学中的剂量递增和剂量优化研究,使用基于模型的自适应规则,如 CRM(持续重新评估法)。
- 儿科药物开发,其中尽量减少患者暴露于效果较差的剂量是监管和伦理的优先事项。
使用方式
使用方式
在开始招募患者之前,统计学家和临床医生会在方案中定义所有调整:哪些参数可以改变(分配比例、样本量、组数、剂量水平),哪些中期分析触发了这些改变,以及决策规则将如何实施。预先规定是强制性的——事后调整会使试验无效。
患者被招募并使用初始分配比例随机分配到治疗组。随机化可以最初固定,然后由自适应规则修改(响应自适应随机化),或者设计可以从一开始就使用分层或贝叶斯自适应随机化。
一个独立的数据安全监测委员会(DSMB)在预先规定的时间点或在预先规定的结局事件数量之后进行中期分析。DSMB 审查未盲的累积数据与预先规定的停止或调整边界,以保护试验的完整性。
基于中期分析结果和预先定义的规则,应用一个或多个调整:剔除效果较差的组(自适应无缝设计),如果早期疗效估计小于预期则增加样本量(样本量重新估计),将分配转向表现更好的治疗,或因疗效或无效而提前终止。
最终分析使用考虑了设计自适应性质的方法——通常是 alpha 消耗函数、条件功效计算或贝叶斯后验概率的组合——以产生有效、预先规定的主要终点估计和置信区间或可信区间。
常见陷阱
- 计划外或事后调整——任何未在方案中预先规定的修改都会破坏试验的统计有效性,并且不会被监管机构接受。
- 忽略操作滞后——如果大多数患者在可以分析中期数据时已经入组,调整就无法提供实际益处。
- 响应自适应随机化偏倚——试验中期将分配比例逐渐倾向于某个组,可能导致随时间变化的混杂因素失衡,如果患者特征或标准治疗在招募期间发生变化。
- 多重性膨胀——在没有严格的 alpha 消耗或贝叶斯控制的情况下增加调整决策点,会使家族为单位的 I 类错误率膨胀到不可接受的范围。
常见问题
自适应随机对照试验是否仍被视为随机对照试验?
是的。随机化在整个自适应随机对照试验中得以保留;调整修改的是分配比例或样本量等参数,但并未消除随机化或对照。只要自适应规则是完全预先规定的,试验仍然是实验性的,并继续支持因果推断。
自适应随机对照试验与带有中期分析的标准随机对照试验有何不同?
带有中期分析的标准随机对照试验仅在中期查看时考虑因安全性或压倒性疗效而提前终止——基本试验参数保持不变。自适应随机对照试验更进一步:预先规定的规则可以根据中期发现主动修改分配比例、剔除组、更改样本量或重构设计。
FDA 是否接受自适应随机对照试验的结果用于药物批准?
是的,前提是自适应设计是预先规定的,统计方法能恰当控制 I 类错误率,并且申办方已尽早与 FDA 接触(最好通过 C 类会议)以就设计达成一致。FDA 2019 年关于自适应设计的指导提供了关于易于理解和新颖自适应设计的详细标准。
设计和模拟自适应随机对照试验使用什么软件?
常用工具包括 EAST (Cytel)、ADDPLAN 和自定义 R 包,如 rpact、adaptDesign 和 RMediation。贝叶斯自适应设计通常使用 BUGS、Stan 或专有的贝叶斯模拟平台。需要进行广泛的试验前模拟来验证在各种可能场景下的操作特性。
响应自适应随机化是否会引入偏倚?
是的,如果招募时间长且患者人群或背景治疗随时间变化,分配比例逐渐向某一治疗组倾斜可能导致随时间变化的混杂因素失衡。分层、协变量自适应随机化和谨慎的调整时机被用来减轻这种风险。