自适应试验设计
- 提出者
- Stephen Pocock, Christopher Jennison, and statistical methodologists; FDA formalized guidance 2019
- 年份
- 1990s-2000s
- 类型
- Research Design
- 类别
- trial 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?
自适应试验设计允许根据中期数据对试验进行预先指定的修改——例如样本量重新估计、因无效或有效而停止、剔除无效的试验臂,或将随机化比例转向表现更好的治疗。该方法由 Pocock 和 Jennison 等统计学家在 20 世纪 90 年代至 21 世纪初系统开发,并于 2019 年由 FDA 正式化,自适应设计能够加速药物开发,减少对无效治疗的暴露,并在正确执行的情况下提高效率,同时不增加假阳性率。
方法背后的直觉
传统的固定设计试验遵循严格的计划:招募 N 名参与者,以 1:1 的比例随机分配到治疗组或对照组,最后进行一次分析。自适应设计则在中期检查进展:“我们是否看到了明显的获益信号?是否有某个试验臂明显更差?”如果新兴数据显示有获益,则招募更多参与者以加强证据。如果某个试验臂明显无效,则停止招募该试验臂并转移资源。响应适应性随机化(Response-Adaptive Randomization, RAR)动态改变随机化比例:随着一种治疗显示出更好的结果,新参与者更有可能被随机分配到该治疗组,从而减少对较差试验臂的暴露,同时保持科学严谨性。关键在于预先指定:所有适应性规则必须在数据锁定前书写,并且必须通过序贯检验方法控制 I 类错误(假阳性率)。
历史学
自适应试验设计于 20 世纪 90 年代出现,当时统计学家开发了序贯检验理论和 alpha 消耗函数(Jennison & Turnbull 2000)。Pocock 的开创性论文正式化了中期分析和自适应设计方法学。响应适应性随机化(RAR)在 21 世纪初随着贝叶斯方法的发展而出现。FDA 于 2019 年发布了关于自适应设计的正式指南,加速了其在制药开发中的应用。标志性案例包括采用自适应设计来确定最佳剂量和疗效的肿瘤试验。COVID-19 大流行由于迫切需要快速证据,催生了自适应试验的应用(例如 SOLIDARITY 试验、RECOVERY 试验)。
何时使用
当出现以下情况时,应使用自适应设计:(1)预期会出现早期疗效/无效信号(例如,疗效可能在 6 个月内显现),(2)样本量不确定,可通过中期数据进行优化,(3)测试了多个治疗组,其中一些可能明显劣势,(4)伦理要求最大限度地减少对无效治疗的暴露,(5)开发时间至关重要(例如,孤儿药、肿瘤学),(6)资源有限(自适应设计可减少样本量或试验持续时间),(7)先验知识不确定(中期数据可优化效应大小、退出率等假设),(8)期望进行无缝的 II/III 期整合(结合剂量探索和疗效测试)。
局限与注意事项
- 复杂性:自适应设计需要复杂的统计规划、中期分析基础设施和仔细的执行。盲法和数据管理变得具有挑战性。
- 如果操作不当,I 类错误膨胀:事后适应性修改或对序贯检验方法的忽视会夸大假阳性。严格的预先指定是不可或缺的。
- 早期停止导致的效应大小膨胀:如果越过了疗效停止边界,此时观察到的效应大小很可能因随机变异而膨胀(乐观偏倚)。最终试验效应可能小于中期估计值。
- 适应性调整的可比性:如果剔除了试验臂或改变了随机化比例,新旧参与者之间的可比性可能会受到影响。需要进行亚组分析。
- 监管和运营开销:自适应设计需要预注册、详细的统计计划、中期分析专业知识以及与监管机构的沟通。并非所有机构都能支持。
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
- 效率:如果中期证据确凿,可减少样本量和缩短试验持续时间,节省时间和成本。
- 伦理:响应适应性随机化最大限度地减少了对劣势试验臂的暴露;无效性停止避免了在疗效可能性不大时进行长期招募。
- 灵活性:如果经过预先指定,适应性调整可以解决新兴的不确定性,而不会牺牲统计严谨性。
- 信息驱动:中期数据为资源分配和试验臂选择提供信息,动态改进试验设计。
- 监管接受度:FDA 和 EMA 在经过恰当的预先指定和 I 类错误控制后接受自适应设计;在现代药物开发中日益标准化。
应用
- 剂量探索和无缝的 II/III 期试验:招募早期参与者接受多剂量治疗,中期分析确定最佳剂量,然后无缝地过渡到使用该剂量和安慰剂对照进行疗效测试。
- 肿瘤试验:自适应设计允许因疗效优越或无效而提前停止;响应适应性随机化将更多患者分配给有益的方案。
- 罕见病药物开发:由于人群规模小,固定设计可能功效不足;自适应设计根据新兴的效应大小重新估计样本量,提高了可行性。
- 传染病疫情应对:在疫情期间,通过剔除无效试验臂并将资源转向表现最佳的治疗,自适应设计可以加速有效疗法的识别。
- 行为和心理健康干预:测试多种干预试验臂;自适应设计可及早剔除无效变体,将资源重新分配给有前景的试验臂。
使用方式
使用方式
设计阶段:指定试验方案,包括主要终点、中期观察时间点(例如,在目标事件或招募参与者的 50% 和 100% 时)、停止规则(疗效阈值、无效边界)和适应性规则(样本量重新估计、试验臂剔除、随机化比例变更)。使用 alpha 消耗函数(例如 O'Brien-Fleming 函数)在期中和最终分析之间分配 I 类错误,确保总 I 类错误保持在 0.05。如果适用,实施响应适应性随机化(RAR):随机化概率根据中期结果数据进行调整(例如,如果治疗 A 显示出更高的反应率,新参与者被随机分配到 A 的概率更高)。根据自适应算法招募和随机化参与者。在中期观察时间点监测中期数据。盲法:在分析前保持盲法(参与者、临床医生、统计学家)以了解分配的治疗和中期结果,以避免偏倚。
公式
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.
在每次中期分析时,遵循预先指定的方案:(1)使用截至目前为止的所有数据分析主要结局。(2)使用序贯检验调整计算效应估计值(风险比、均值差等)及其置信区间和 p 值。(3)评估停止边界:如果越过了疗效边界(有强烈的获益证据),则考虑提前停止。(4)如果继续进行,则应用适应性规则:根据观察到的效应重新估计所需的样本量;如果小于计划的样本量,则减少目标 N。反之,如果观察到的效应小于预期,则增加 N。(5)调整随机化比例(如果使用 RAR):计算每个试验臂优越性的后验概率;以这些后验概率为比例随机化新参与者。(6)剔除试验臂:如果某个试验臂显示出明显的劣势(无效),则考虑将其从招募中剔除,除非有伦理问题或需要方案修正。(7)控制 I 类错误:使用序贯检验的 p 值(而非标准 p 值)和预先指定的 alpha 消耗函数,确保累积 I 类错误 ≤ 0.05。
公式
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.
自适应试验的结果解释与标准随机对照试验(RCT)类似,但增加了透明度:报告所使用的适应性规则、进行的中期分析、中期和最终的效应估计值以及所做适应性的理由。最终的效应估计值是有效的(在正确的序贯检验下),并适用于整个试验人群。自适应设计的优点:(1)效率——如果早期证据有力,则减少样本量,加快完成。(2)伦理——通过剔除试验臂或 RAR,最大限度地减少了参与者被分配到无效试验臂的情况。(3)灵活性——设计可以响应新兴的不确定性,而不会牺牲统计严谨性,前提是经过预先指定。注意事项:(1)自适应设计必须预先指定并注册;事后适应性修改属于 p-hacking。(2)I 类错误控制需要遵守序贯检验方法;标准 p 值在中期观察时无效。(3)早期停止试验的效应估计值可能被夸大(过于乐观)。(4)如果试验臂或人群在适应过程中发生变化,则泛化性可能受限。
公式
At final analysis, apply sequential test corrections for multiple looks; interpret effect estimate in context of adaptation decisions; transparency on deviations from pre-specification.
常见陷阱
- 导致操作性偏倚的未盲中期分析:如果在中期分析时试验团队知晓治疗分配,决策可能会无意识地受到影响。应使用独立的药物监察委员会(DMC)并保持对可识别试验臂标签的盲法。
- 事后适应性修改:如果在揭盲前未预先指定并书写适应性规则,则属于 p-hacking。自适应设计的有效性取决于预先指定。
- 忽略多重检验:在未调整 p 值阈值的情况下进行中期观察会夸大 I 类错误。务必使用序贯检验方法(alpha 消耗、分组序贯设计)。
- 过度解读早期信号:中期点估计值具有噪声。中期时的宽置信区间应谨慎对待效应的方向或大小。不要基于不稳定的估计值过度依赖适应性调整。
- 剔除试验臂导致的泛化性丧失:如果在试验中期剔除某个试验臂,并且最终结果不包含该试验臂的参与者,则试验将失去代表性。需要仔细记录和敏感性分析。
常见问题
alpha 消耗函数如何在自适应试验中控制 I 类错误?
alpha 消耗函数是一条曲线,它将总的 I 类错误(α,通常为 0.05)分配给多次中期和最终分析。在每次中期观察时,累积分配到该点的 alpha 值决定了停止的 p 值阈值。例如,O'Brien-Fleming 函数分配给早期中期观察的 alpha 值非常少(p 值阈值高,难以提前停止),而分配给后期观察和最终分析的 alpha 值较多。这使得总的 I 类错误保持在 0.05,同时允许进行多次统计检验。如果您进行 2 次中期 + 1 次最终分析并使用 O'Brien-Fleming 消耗,那么在第一次中期、第二次中期和最终分析时的 p 值阈值可能分别为 0.001、0.01 和 0.05,累积消耗 0.05。
什么是响应适应性随机化(RAR),它与固定随机化有何不同?
在固定随机化(标准 RCT)中,所有参与者都以 1:1(或预先指定的比例)进行随机化,而与中期结果无关。在 RAR 中,随机化比例根据中期结果数据进行调整。例如:如果中期分析显示治疗 A 的反应率为 70%,治疗 B 的反应率为 50%,RAR 可能会以 60% 的概率将新参与者随机分配给 A,40% 分配给 B(偏向表现更好的试验臂)。理由:它最大限度地减少了对劣势治疗的暴露,具有伦理效益。挑战:RAR 使推断复杂化(需要序贯检验调整),并且如果处理不当可能会导致效应估计值产生偏倚。RAR 最有用的情况是:(1)结果观察迅速(非延迟),(2)目标是最大化个体获益(而不仅仅是最小化样本量),(3)对劣势治疗暴露的伦理担忧很高。
何时应因疗效提前停止自适应试验,何时因无效而停止?
在试验开始前,在统计分析计划中预先指定疗效和无效停止边界。疗效停止:如果中期数据显示的 p 值(经过序贯检验调整)越过了疗效边界——即有强烈的优越性证据——则停止。例如:如果在第一次中期观察时越过了 O'Brien-Fleming 边界,则停止并宣布疗效。无效停止:如果中期数据显示效应大小如此之小,以至于即使招募了所有剩余计划的参与者,您也可能无法达到统计学显著性,则停止。无效性通过条件功效来评估:“鉴于迄今为止观察到的效应,到最终分析时达到显著性的概率是多少?”如果条件功效 <20%,则考虑因无效而停止。在停止决策之前,务必要求独立的药物监察委员会(DMC)进行审查,以避免偏倚。
为什么早期停止的自适应试验的效应大小可能被夸大?
如果在中期观察时越过了疗效边界并提前停止招募,此时观察到的效应大小很可能由于随机变异而被夸大。想象一下抛硬币:平均而言,您期望 100 次抛掷得到 50 次正面。但如果您在得到 70 次正面时停止(这是一种罕见情况),并计算抛掷次数,您将观察到一个有偏倚的比例(70/100 = 70%)。同样,在试验中,如果您在中间效应估计值越过高阈值时停止,该估计值就会向上偏倚。对于临床决策,应通过(使用 p 值函数分析或条件功效计算等方法)向下调整中期估计值。序贯检验的 p 值仍然控制 I 类错误,但点估计值是乐观的。
相关方法
参考文献
Pocock, S. J. (2005). Current issues in the design and interpretation of clinical trials. BMJ, 330(7500), 1118–1121.
打开出版物文献已复制。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.
打开 DOI 文献已复制。FDA (2019). Adaptive Designs for Clinical Trials of Drugs and Biologics: Guidance for Industry. US Food and Drug Administration.
打开出版物文献已复制。