[論文レビュー] Bayesian design and analysis of two-arm cluster randomised trials using assurance

Kevin J Wilson|arXiv (Cornell University)|Aug 26, 2022

Statistical Methods and Bayesian Inference被引用数 4

ひとこと要約

本稿では、連続アウトカムを有する二群比較クラスターランダム化試験（cluster RCTs）に対して、マルコフ連鎖モンテカルロ法（MCMC）を用いた事後推論に基づくアシュランス（assurance）を用いたベイジアン標本サイズ決定法を提案する。事前分布の不確実性を考慮する二重ループ・モンテカルロスキームを導入し、特に臨床的に意味のある効果に関する事前の信念が強い場合には、頻度主義的パワー計算と比較して必要な標本サイズを削減できることを示している。

ABSTRACT

We consider the design of a two-arm superiority cluster randomised controlled trial (RCT) with a continuous outcome. We detail Bayesian inference for the analysis of the trial using a linear mixed-effects model. The treatment is compared to control using the posterior distribution for the treatment effect. We develop the form of the assurance to choose the sample size based on this analysis, and its evaluation using a two loop Monte Carlo sampling scheme. We assess the proposed approach, considering the effect of different forms of prior distribution, and the number of Monte Carlo samples needed in both loops for accurate determination of the assurance and sample size. Based on this assessment, we provide general advice on each of these choices. We apply the approach to the choice of sample size for a cluster RCT into post-stroke incontinence, and compare the resulting sample size to those from a power calculation and assurance based on a Wald test for the treatment effect. The Bayesian approach to design and analysis developed in this paper can offer advantages in terms of an increase in the robustness of the chosen sample size to parameter mis-specification and reduced sample sizes if prior information indicates the treatment effect is likely to be larger than the minimal clinically important difference.

研究の動機と目的

• 連続アウトカムを有する二群比較クラスターランダム化試験（cluster RCTs）に対するベイジアン標本サイズ決定法の開発。
• ノイズパラメータ（ICC、分散）および治療効果の事前不確実性を、アシュランスを介して標本サイズ計算に統合すること。
• 提案されたベイジアンアシュランス手法と頻度主義的パワー計算、およびワルド検定を用いたハイブリッド手法の比較。
• 異なる分析事前分布およびモンテカルロサンプリング戦略が、アシュランスの正確性と効率性に与える影響の評価。
• インサイトス試験（ICONS trial）における後立性の後発性を対象として、本手法の実用的利点（標本サイズの削減）を示す応用。

提案手法

• 分析に線形混合効果モデルを用い、固定効果として治療効果とランダムクラスタ効果を含む。
• MCMCを用いたベイジアン推論により、治療効果の事後分布を取得する。
• 二重ループのモンテカルロシミュレーションを採用：外側のループは設計事前分布からサンプリングし、内側のループは分析事前分布を用いてMCMCを実行する。
• アシュランスを、最小臨床的有意差（MCID）を前提としたもとで、治療効果の事後確率が閾値を超える確率として定義する。
• 分散成分には共役逆ガンマ事前分布を用い、ハイパーパrameterの選択（例：0.1, L=1000）の妥当性を検証する。
• 安定した標本サイズ推定を得るため、外側および内側のループにそれぞれ1000サンプル、繰り返し計算を35回行うことを推奨する。

実験結果

リサーチクエスチョン

• RQ1 最終的な分析が仮説検定ではなく事後推論に基づくクラスターランダム化試験において、完全ベイジアン枠組み内でアシュランスを再定義する方法は何か？
• RQ2 異なる分析事前分布が、アシュランスに基づく標本サイズ計算の正確性と効率性に与える影響は何か？
• RQ3 外側および内側のループにおけるモンテカルロサンプル数が、アシュランス推定の安定性と精度に与える影響は何か？
• RQ4 治療効果の設計事前分布の選択が、特に事前の信念がMCIDを超える場合に必要な標本サイズに与える影響は何か？
• RQ5 完全ベイジアン設計アプローチは、従来のパワー計算や、ベイジアン設計に頻度主義的分析を組み合わせたハイブリッド手法と比較して、標本サイズを削減できるか？

主な発見

• 治療効果がMCIDを超えるという事前の信念が強い場合、標準的なパワー計算と比較して、完全ベイジアンアプローチにより必要な標本サイズを削減できる。
• 治療効果の設計事前分布の平均が≥3.5で、標準偏差が<1.8である場合、ベイジアン手法はパワー計算およびハイブリッド手法の両方と比較して、より小さい標本サイズを要する。
• 外側および内側のループにそれぞれ1000サンプルを用いることで、正確かつ効率的なアシュランス推定が可能になる。
• 標本サイズ計算を35回繰り返し、中央値（モード）を採用することで、正しい標本サイズを特定する確率が高くなる。
• アシュランスと組み合わせたベイジアン分析アプローチは、頻度主義的推論を用いたハイブリッド手法と比較して、さらなる標本サイズの削減をもたらす可能性がある。
• ICCおよび分散成分における事前不確実性の組み込みにより、パラメータの誤指定に対するロバストネスが向上することが示された。