[論文レビュー] A Latent Gaussian Process Model with Application to Monitoring Clinical Trials

Yanxun Xu, Yuan Ji|arXiv (Cornell University)|Mar 31, 2014

Gaussian Processes and Bayesian Inference参考文献 33被引用数 3

ひとこと要約

本論文は、再発・寛解を繰り返すような反復的で周期的な二値アウトカム（例：疾患の再発と寛解）を有する臨床試験をモニタリングするため、潜在的な連続的疾患進行をモデル化することにより、ベイジアン潜在ガウス過程（LGP）モデルを提案する。この手法により、無効性による早期試験中止が可能となり、個別患者の反応が予測可能となり、ハイブリッド・モンテカルロ推論と事後一致性の保証を用いて治療効果を比較できる。

ABSTRACT

In many clinical trials treatments need to be repeatedly applied as diseases relapse frequently after remission over a long period of time (e.g., 35 weeks). Most research in statistics focuses on the overall trial design, such as sample size and power calculation, or on the data analysis after trials are completed. Little is done to improve the efficiency of trial monitoring, such as early termination of trials due to futility. The challenge faced in such trial monitoring is mostly caused by the need to properly model repeated outcomes from patients. We propose a Bayesian trial monitoring scheme for clinical trials with repeated and potentially cyclic binary outcomes. We construct a latent Gaussian process (LGP) to model discrete longitudinal data in those trials. LGP describes the underlying latent process that gives rise to the observed longitudinal binary outcomes. The posterior consistency property of the proposed model is studied. Posterior inference is conducted with a hybrid Monte Carlo algorithm. Simulation studies are conducted under various clinical scenarios, and a case study is reported based on a real-life trial.

研究の動機と目的

• 疾患の再発や寛解といった反復的で周期的な二値アウトカムを有する臨床試験に対する、適応的モニタリング手法の不足を補う。
• 離散的で二値の縦断的観察の背後にある連続的疾患進行プロセスをモデル化する。
• 無効性や有効性の欠如による早期中止を許容する、中間モニタリングに適したベイジアンフレームワークを開発する。
• 観察された周期的パターンに基づいて、将来的な患者反応の個別化された予測を可能にする。
• 集団レベルのトレンドと被験者固有の周期的ダイナミクスの両方をモデル化することで、治療効果を比較する。

提案手法

• 観察された二値アウトカムを、閾値による潜在変数へのマッピングによって定義される潜在連続ガウス過程の実現とみなす。
• 潜在プロセスを集団レベルの治療効果 $\mu(t)$ と被験者固有の周期的成分 $\tau_j(t)$ に分解し、それぞれをガウス過程としてモデル化する。
• ハイパーパrameterに非情報的事前分布を用いた階層ベイジアンモデルを採用し、柔軟でデータ駆動の推論を可能にする。
• 高次元パラメータ空間を効率的に探索するため、ハイブリッド・モンテカルロ（HMC）アルゴリズムを用いて事後分布推論を実装する。
• 標本サイズが増加するにつれてモデルが真の潜在プロセスに収束することを保証するため、事後一致性理論を組み込む。
• 観察された結果と予測された結果の乖離に基づく検定統計量を構築し、モデル適合度の評価と無効性モニタリングの支援を行う。

実験結果

リサーチクエスチョン

• RQ1 潜在ガウス過程モデルは、長期臨床試験における二値アウトカムの周期的かつ反復的性質を効果的に捉えることができるか？
• RQ2 離散的縦断的二値データに適用された潜在ガウス過程モデルに対して、どのようにして事後一致性を確立できるか？
• RQ3 初期段階での観察に基づいて、モデルが将来的な患者反応をどの程度正確に予測できるか？
• RQ4 モデルは、無効性による早期中止を許容する適応的モニタリングスキームを支援できるか？
• RQ5 異なる治療群における治療効果と被験者固有の周期的ダイナミクスは、どのように比較できるか？

主な発見

• 提案された潜在ガウス過程モデルは、事後一致性を示しており、観察数が増加するにつれて推定された潜在プロセスが真の潜在プロセスに収束することを保証する。
• シミュレーションスタディの結果、モデルは二値アウトカムの周期的パターンを正確に捉え、将来的な反応に対する信頼性の高い個別化予測を提供することが示された。
• 従来の手法よりも治療効果の欠如を早期に検出できるため、モデルは効果的な無効性モニタリングを可能にし、不必要な試験期間の延長を回避する。
• ハイブリッド・モンテカルロアルゴリズムにより、高次元パラメータ空間における効率的な事後分布サンプリングと安定した収束が実現された。
• 実臨床試験に基づく事例研究により、長期にわたるフォローアップ期間における治療反応の監視において、モデルの実用的有用性が確認された。
• 非線形的かつ周期的な疾患進行のパターンを捉える点で、標準のロジスティック回帰や線形ステートスケープモデルに比べ、モデルは優れた性能を示した。