自适应随机对照试验 — 自适应RCT
- 提出者
- Donald Berry and others; foundational adaptive trial methods developed through 1980s–2000s biostatistics literature
- 年份
- 1980s–2000s (formalized; earlier sequential testing roots from Wald, 1947)
- 类型
- Experimental design — adaptive variant of RCT
- 类别
- Experimental design
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?
自适应随机对照试验(adaptive RCT)是一种实验设计,其中预先设定的规则允许在试验进行过程中修改试验——例如,根据累积的期中数据更改分配比例、剔除表现不佳的组别或因疗效或无效性而提前终止试验。这些调整在试验开始前就已计划好,并受统计规则的约束,以保持I类错误的控制和有效性。
方法背后的直觉
在标准的RCT中,每个受试者接受每种治疗的固定概率,而与先前受试者的反应无关。自适应RCT更像一个学习系统:随着数据的累积,试验会根据预先商定的规则更新某些设计特征。例如,它可以将更多的受试者导向最有希望的组别,或者在一种治疗明显优越时提前终止试验。关键在于,所有可能的调整都在第一名受试者入组前就已确定,从而防止事后操纵。
历史学
自适应设计背后的序贯检验原理可以追溯到Abraham Wald的序贯概率比检验(1947年)。“自适应设计”一词在临床试验中通过Donald Berry及其同事在20世纪80年代和90年代进行的贝叶斯自适应方法研究而广为人知。2010年具有里程碑意义的肺癌BATTLE试验和I-SPY 2乳腺癌试验展示了自适应平台设计的可行性。此后,包括FDA 2019年关于药物和生物制品临床试验自适应设计的指南在内的主要监管指南,已将自适应RCT的要求正式化。
何时使用
当伦理上或实际上需要将较少受试者分配给效果较差的治疗时,当试验开始前样本量不确定时,或者当有多个候选组别需要有效评估时,应使用自适应RCT。它在罕见病研究、早期剂量查找和测试多种干预措施的平台试验中尤其有价值。当结局数据相对于招募速度延迟很长(导致期中结果无法及时提供以供调整参考)时,当缺乏实时数据监测的基础设施时,当司法管辖区的监管要求尚不接受自适应设计时,或者当预先设定所有决策规则的复杂性无法得到充分资源支持时,不应使用自适应RCT。
局限与注意事项
- 方案开发需要大量的初步模拟和统计专业知识,大大增加了试验前的成本和时间。
- 操作复杂性要求实时数据系统、运行中的DSMB以及快速的结局确定。
- 如果结局数据相对于招募速度明显滞后,反应适应性随机化几乎没有实际益处。
- 监管接受度因司法管辖区而异;一些机构要求额外的文件或验证。
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
- 可以将更多受试者分配给表现更好的治疗,从而改善试验的伦理状况。
- 允许因疗效或无效性而提前终止,减少对无效治疗的暴露,并节省资源。
- 样本量重新估计可以在不使试验无效的情况下纠正初始功效计算错误。
- 多组自适应设计以低于单独进行序贯试验的总成本同时评估多种治疗。
- 预先设定的调整规则使试验透明且可复现。
应用
- 同时评估多种靶向疗法与共享对照组的肿瘤学平台试验。
- 使用反应适应性随机化以有效识别最佳剂量的II期剂量查找试验。
- 由于患者群体小而使固定样本量RCT不切实际的罕见病研究。
- 需要期中疗效监测以在建立保护时提前终止的疫苗疗效试验。
- 大流行病应对试验(例如,RECOVERY、SOLIDARITY试验),测试多种再利用药物对抗不断变化的对照条件。
使用方式
使用方式
在开始招募受试者之前,研究人员会在试验方案中明确所有可能的调整,包括期中分析的时间点、触发每次调整的统计决策规则(例如,反应适应性随机化、样本量重新估计、组别剔除),以及用于控制总体I类错误率的方法。通常需要进行模拟研究来展示在现实场景下的操作特性。
受试者根据初始分配方案被随机分配到治疗组。在反应适应性设计中,随机化概率在预先设定的期中点进行更新;在固定分配的自适应设计中,随机化比例保持不变,但其他试验特征可能会发生变化。所有随机化都对受试者和评估者保密,以达到盲法策略要求的程度。
在每次预先设定的期中分析中,数据安全和监测委员会(DSMB)或统计学家会评估累积的结局数据。监测的统计量——疗效、安全性、无效性——与预先设定的决策边界进行比较,以确定是否需要进行调整。
如果期中分析满足触发条件,则实施预先设定的调整:分配比例可能被更新,某个组别可能被剔除,样本量可能基于观察到的无用参数估计而向上修正,或者试验可能被提前终止。任何调整都严格按照方案中预先设定的规则进行,以保护试验的完整性。
试验完成后,将使用考虑了所有期中调整的方法进行最终分析——通常是封闭检验程序、组序边界(例如,O'Brien–Fleming)或贝叶斯后验推断。在没有考虑期中观察的情况下,对标准检验进行朴素应用会膨胀I类错误,是不可接受的。
常见陷阱
- 事后调整——任何未在方案中预先设定的修改都会破坏I类错误控制并使推断无效。每次调整都必须在试验开始前锁定。
- 不充分的模拟——未能在一系列合理场景下描述试验的操作特性,会导致决策边界校准不当。
- 忽略多次观察的膨胀——使用标准固定样本检验分析期中数据而不进行重复检验校正会大大膨胀假阳性率。
- 结局确定缓慢——在结局需要数月才能评估的试验中,在期中数据可用之前,试验可能已经过度招募,从而抵消了自适应的优势。
- 与计划外修改混淆——自适应RCT严格指预先设定的调整;计划外的方案更改是方案偏差,而非调整。
常见问题
自适应RCT是否会损害随机化或盲法?
否——随机化和盲法贯穿始终。调整改变了使用的随机化概率或哪些组别保持活跃,但受试者和结局评估者在适用时仍对治疗分配保密。关键在于决策规则是预先设定的,并由独立的DSMB操作,而不是由与受试者互动的研究人员操作。
自适应RCT与序贯试验有何区别?
两者都涉及期中观察累积数据,但序贯试验通常测试一个预先设定的单一假设,并带有停止规则(进行/不进行),而自适应RCT可能还会改变分配比例、增加或剔除组别,或重新估计样本量。序贯设计是更广泛的自适应设计家族的一个子集。
自适应RCT是否被FDA和EMA等监管机构接受?
是的,但有条件。FDA(2019年指南)和EMA(2007年反思文件,后续更新)都接受自适应设计,前提是调整是预先设定的,总体I类错误得到控制,并且统计方法在方案中有所记录。强烈建议在确认性试验中承诺采用自适应设计之前,尽早与监管机构沟通。
何时应选择标准(固定)RCT而非自适应RCT?
当结局数据相对于招募速度缓慢时,当监管或机构基础设施无法支持实时数据监测时,当增加的方案复杂性无法获得资源支持时,或者当研究问题涉及单一简单比较且样本量估计已确立时,倾向于选择标准RCT。自适应方法主要在设计参数不确定性高或最小化对效果较差治疗暴露的伦理压力强时增加价值。
反应适应性随机化是否总是能减少总样本量?
不一定。反应适应性随机化减少了分配给效果较差组别的受试者预期数量,但有时会比平衡RCT增加总样本量,因为它降低了每名受试者的统计功效。个体获益(较少受试者分配到效果差的组别)与试验效率(所需总受试者数量)之间的权衡必须通过试验前模拟来评估。
相关方法
参考文献
Chow, S.-C., & Chang, M. (2008). Adaptive Design Methods in Clinical Trials. Chapman & Hall/CRC.
ISBN:978-1584887690已复制。Berry, D. A. (2006). Bayesian clinical trials. Nature Reviews Drug Discovery, 5(1), 27–36.
打开 DOI 文献已复制。