[論文レビュー] Applying Meta-Analytic-Predictive Priors with the R Bayesian evidence synthesis tools

Sebastian Weber, Yue Li+3 more|arXiv (Cornell University)|Jul 1, 2019

Statistical Methods in Clinical Trials参考文献 60被引用数 10

ひとこと要約

本稿では、階層ベイズモデルを用いて歴史的コントロールデータを借用するメタアナリティック・プロディクティブ（MAP）事前分布を実装するRパッケージRBesTを紹介する。この手法はMCMCサンプリングとパラメトリック混合近似を用い、頑健で情報豊富な事前分布を導出し、制御群のサイズを削減しつつ、効率的な臨床試験設計と、オペレーティング特性および成功確率の正確な評価を可能にする。

ABSTRACT

Use of historical data in clinical trial design and analysis has shown various advantages such as reduction of within-study placebo-treated number of subjects and increase of study power. The meta-analytic-predictive (MAP) approach accounts with a hierarchical model for between-trial heterogeneity in order to derive an informative prior from historical (often control) data. In this paper, we introduce the package RBesT (R Bayesian Evidence Synthesis Tools) which implements the MAP approach with normal (known sampling standard deviation), binomial and Poisson endpoints. The hierarchical MAP model is evaluated by MCMC. The numerical MCMC samples representing the MAP prior are approximated with parametric mixture densities which are obtained with the expectation maximization algorithm. The parametric mixture density representation facilitates easy communication of the MAP prior and enables via fast and accurate analytical procedures to evaluate properties of trial designs with informative MAP priors. The paper first introduces the framework of robust Bayesian evidence synthesis in this setting and then explains how RBesT facilitates the derivation and evaluation of an informative MAP prior from historical control data. In addition we describe how the meta-analytic framework relates to further applications including probability of success calculations.

研究の動機と目的

• 歴史的コントロールデータをベイズ的手法を用いて臨床試験設計に統合するための実用的でアクセスしやすいツールの開発。
• 異種の歴史的試験から一貫性があり、頑健な事前分布を効率的に導出し、かつそれらの間の試験間異質性を考慮する課題への対処。
• MCMCで得られた事後分布の解析的近似を用いて、臨床試験のオペレーティング特性および成功確率の正確かつ迅速な評価を可能にする。
• 事前分布とデータの不一致に備えるための頑健化技術を統合し、統計的推論の頑健性を高めること。
• パラメトリック混合表現を用いて、非統計的専門家に対しても複雑な事前分布を効果的に説明可能にする。

提案手法

• 試験間の異質性を考慮して、歴史的コントロールデータを統合するための階層的ランダム効果メタアナリシスモデルを用いる。
• 新しい研究の予測分布の数値的サンプルを生成するために、マルコフ連鎖モンテカルロ（MCMC）サンプリングを採用する。
• MCMCサンプルをパラメトリック混合密度（例：ベータ分布や正規分布の混合）で近似するために期待最大化（EM）アルゴリズムを適用する。
• 事後分布およびパワー計算の解析的解を用いることで、臨床試験設計の迅速かつ正確な評価を可能にする。
• oc2Sおよびpos2Sなどの関数を提供し、さまざまなパrameter仮定下でのオペレーティング特性および成功確率の計算を可能にする。
• 予期しない乖離が生じた場合の事前分布とデータの不一致に備えるために、頑健な事前分布分布の使用による頑健化を組み込む。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、歴史的コントロールデータを体系的かつ頑健に、新しい臨床試験の情報豊富な事前分布に統合できるか？
• RQ2 MAP事前分布を用いることで、ベイズ的臨床試験設計における第一種過誤率と検出力にどのような影響を与えるか？
• RQ3 MAP事前分布の有効サンプルサイズをどのように定量化し、新しい試験におけるサンプルサイズ削減の指針に活用できるか？
• RQ4 MCMCで得られた事後分布の解析的近似は、臨床試験のオペレーティング特性の迅速な評価を可能にする一方で、正確性をどの程度保持するか？
• RQ5 MAP事前分布フレームワークを用いて、真の治療効果に不確実性がある状況下での成功確率をどのように評価できるか？

主な発見

• MCMCで得られ、パラメトリック混合で近似されたMAP事前分布は、臨床試験のオペレーティング特性の正確かつ迅速な評価を可能にする。
• MAP事前分布の97.5パーセンタイルは約0.48であった。これは、この値を上回る反応率は極めてまれであることを示している。
• 非頑健なベイズ的設計では、真の反応率が0.25の場合に第一種過誤率が0.020に上昇し、0.75では0.598にまで上昇し、過誤率の制御が不十分であることが示された。
• 頑健化された設計では、真の反応率が0.25のとき第一種過誤率が0.018、0.75のとき0.173に低下し、事前分布とデータの不一致に伴う過誤率制御の改善が確認された。
• RBesTパッケージは、解析的手法を用いて迅速にオペレーティング特性および成功確率を計算可能であり、設計の検討や意思決定支援に適している。
• decision2S_boundaryなどの関数により、臨床チームや関係者とのコミュニケーションを支援するための重要な意思決定境界の可視化が可能である。