Skip to content
返回搜索结果

贝叶斯随机对照试验

提出者
Donald A. Berry and David J. Spiegelhalter (applied Bayesian inference formally to RCT design)
年份
1980s–2000s (formal methodology consolidated ~2004–2006)
类型
Randomized experimental study with Bayesian inference
类别
Clinical / epidemiology

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

贝叶斯随机对照试验(Bayesian RCT)结合了随机分配治疗的严谨性和贝叶斯统计推断,允许研究人员纳入先验证据,并随着试验数据的累积不断更新信念。与经典的频率学派RCT不同,它能直接给出关于治疗效果的概率陈述,并支持基于后验概率的预先设定的适应性停止规则。

方法背后的直觉

在标准的RCT中,您需要等到所有数据收集完毕,然后询问结果是否足够极端以拒绝零假设。而贝叶斯RCT则会问:鉴于试验开始前我们所知的一切以及当前数据显示的情况,治疗效果优于临床意义阈值的概率是多少?这个概率会随着每个新观察值的出现而更新,就像天气预报会随着新读数的到来而更新一样。由于信念是连续更新的,试验可以提前停止——无论是出于疗效、无效性还是安全性考虑——这是基于预定的概率阈值,而不是任意的中间检查。

历史学

从20世纪80年代末开始,包括MD安德森癌症中心的唐纳德·贝里(Donald Berry)在内的统计学家倡导将贝叶斯方法应用于临床试验,他展示了后验概率如何指导肿瘤学的适应性试验。Spiegelhalter、Abrams和Myles在其2004年的Wiley专著中规范了该框架,而Berry在2006年《Nature Reviews Drug Discovery》上的文章成为临床研究人员广泛引用的入门读物。监管指南文件——特别是FDA关于适应性设计的2010年和2019年指南——使贝叶斯适应性RCT在药物审批中合法化,并促进了其在肿瘤学、罕见病和平台试验中的应用。

何时使用

当存在有意义的先验证据(例如,来自早期阶段或相关药物)并且将其纳入在科学和伦理上是恰当时,应使用贝叶斯RCT;当适应性特征(早期停止、组别剔除、样本量调整)在临床或商业上很重要时;当目标是关于治疗获益的直接概率陈述而不是p值时;或者当疾病领域罕见,使得有效利用每位受试者至关重要时。当监管机构要求纯粹的频率学派分析且不使用先验时(某些确认性III期提交),当先验数据异质性太大而无法可信地合并,或者当试验者和利益相关者在揭盲前无法就预先设定的先验达成一致时,则不应使用。

局限与注意事项

  • 对于确认性试验,监管机构的接受度并非普遍;一些机构即使对于贝叶斯设计也要求完整的频率学派操作特征。
  • 结果对先验的设定敏感;一个选择不当的信息性先验可能会主导似然函数并误导结论。
  • 计算需求(MCMC或变分贝叶斯)高于经典的频率学派分析,需要统计学专业知识。
  • 响应适应性随机化可能会引入后勤复杂性,并且在某些模拟中,如果校准不当,可能会夸大I类错误。
  • 对先验选择的透明报告和敏感性分析是强制性的,但这会增加出版物的篇幅和复杂性。

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

  • 产生直接可解释的结果:治疗获益超过临床重要阈值的后验概率。
  • 正式纳入早期阶段的先验证据,在存在强先验信息时减少所需样本量。
  • 适应性停止规则可以因疗效或无效性而提前终止试验,从而保护受试者并节省资源。
  • 响应适应性随机化将更多受试者分配给表现更好的组,这在严重疾病中具有伦理吸引力。
  • 可信区间具有自然的解释(有95%的概率效应在此范围内),这常常被误读为频率学派置信区间。

应用

  • 肿瘤剂量探索和扩展试验(例如,I/II期贝叶斯最优区间设计)。
  • 平台和主方案试验(RECOVERY、I-SPY),这些试验使用后验概率剔除无效组别并增加新组别。
  • 罕见病试验,因为患者群体小使得经典样本量不可行。
  • 器械和诊断试验,其中累积的真实世界证据通过信息性先验正式纳入。
  • 疫苗有效性试验,需要快速的期中决策和明确的概率阈值。
  • 使用持续评估方法(CRM)或超剂量控制升级(EWOC)的适应性剂量升级研究。

使用方式

使用方式

1

在试验开始前,需要为治疗效果参数指定一个先验概率分布。信息性先验纳入了早期研究、已发表文献或专家临床知识的结果;非信息性(模糊)先验则在先验证据有限或为满足监管机构对最小先验影响的要求时使用。先验的选择必须在方案中预先指定并提供理由。

2

受试者被随机分配到治疗组,这与频率学派RCT完全相同。随机化可以是固定的(均等分配)或响应适应性的(分配比例根据表现更好的组进行更新)。无论采用何种统计框架,均需遵循盲法、隐藏和CONSORT风格的报告标准。

3

随着每个受试者结局数据的累积,似然函数量化了在治疗效果参数不同值下观察到数据的可能性。似然函数与先验结合,产生更新后的信念——这一步对应贝叶斯定理,并在每次预先计划的期中分析中执行。

4

通过将先验乘以似然函数并进行归一化,计算出后验分布 P(theta | data)。从该分布中,试验团队可以读取关键量:治疗获益超过有意义阈值的后验概率、效应大小的后验均值和可信区间,以及如果试验继续进行到最大样本量时的预测成功概率。

公式
P(theta | data) propto P(data | theta) * P(theta)
5

预先设定的决策规则将后验概率转化为试验行动。常见的规则包括:如果 P(delta > delta_min | data) > 0.95,则因疗效而停止;如果最终成功的预测概率低于 0.05,则因无效而停止;否则继续。最终结果以后验概率和可信区间报告,并辅以监管机构提交所需的任何频率学派操作特征。

常见陷阱

  • 在看到数据后选择先验——先验必须在检查任何未揭盲数据之前完全预先设定并锁定;事后选择先验会使贝叶斯逻辑无效并引入偏差。
  • 忽略先验-数据冲突——当先验和累积数据强烈不一致时,后验可能提供误导性总结;冲突诊断应作为监测计划的一部分。
  • 忽视频率学派操作特征——即使在贝叶斯试验中,监管提交通常也需要模拟估计零假设和备择假设下的I类错误和功效;未能提供这些可能会危及监管批准。
  • 混淆可信区间与置信区间——贝叶斯可信区间需要先验;将其报告为频率学派置信区间会歪曲统计框架。

常见问题

我需要大量的先验文献来运行贝叶斯RCT吗?

不。当先验信息有限或存在争议时,可以使用弱信息性或非信息性先验。权衡是,使用模糊先验时,贝叶斯后验将非常接近频率学派结果,因此主要优势将是适应性停止规则,而不是先验借用。应始终报告一系列先验的敏感性分析。

FDA或EMA会接受贝叶斯RCT用于药物审批吗?

两家机构都发布了支持贝叶斯适应性设计的指南,但接受度取决于具体情况。FDA的2019年指南明确涵盖了药物和器械的贝叶斯适应性设计。关键要求包括:先验和决策规则的预先设定、证明可接受的I类错误和功效的模拟研究,以及透明的报告。强烈建议与相关机构进行早期沟通。

贝叶斯RCT与适应性RCT有何不同?

适应性RCT是一个广泛的设计类别,它根据累积数据修改试验参数(样本量、分配、组别);它可以采用频率学派或贝叶斯方法进行分析。贝叶斯RCT专门使用贝叶斯推断——先验分布、似然函数和后验概率——这自然支持适应性决策规则。大多数现代贝叶斯RCT也是适应性的,但这两个标签指的是设计的不同方面。

我可以使用什么软件进行贝叶斯RCT分析?

Stan(通过RStan或CmdStanR)和JAGS是通过MCMC进行后验计算最广泛使用的平台。R包RBesT(贝叶斯证据综合)、bayesDP和trialr实现了特定的试验设计。EAST Bayes和FACTS是具有监管记录的商业软件,用于适应性贝叶斯试验模拟和分析。

贝叶斯RCT的最小样本量是多少?

没有普遍的最小值;所需的样本量取决于先验的强度、目标效应大小、选择的后验概率阈值以及所需的频率学派操作特征。模拟研究——通常在各种场景下进行10,000次或更多次重复——用于在试验开始前确定最大样本量和适应性停止边界。

相关方法

参考文献

  1. Spiegelhalter, D. J., Abrams, K. R., & Myles, J. P. (2004). Bayesian Approaches to Clinical Trials and Health-Care Evaluation. Wiley.

    ISBN:978-0471499756
    已复制。
  2. Berry, D. A. (2006). Bayesian clinical trials. Nature Reviews Drug Discovery, 5(1), 27–36.

    打开 DOI 文献
    已复制。