[論文レビュー] Elastic Priors to Dynamically Borrow Information from Historical Data in Clinical Trials

Liyun Jiang, Lei Nie+1 more|arXiv (Cornell University)|Sep 13, 2020

Statistical Methods in Clinical Trials参考文献 18被引用数 5

ひとこと要約

本論文は、歴史的臨床試験データと試験データの類似性に基づくエラスティック関数を用いて、動的に情報の借用を行うベイジアン手法、エラスティック事前分布を提案する。事前に定めた制約に従って借用を適応的に調整することで、第1種エラーの制御とパワーの向上を実現し、シミュレーション研究において既存手法を上回る性能を示した。

ABSTRACT

Use of historical data and real-world evidence holds great potential to improve the efficiency of clinical trials. One major challenge is how to effectively borrow information from historical data while maintaining a reasonable type I error. We propose the elastic prior approach to address this challenge and achieve dynamic information borrowing. Unlike existing approaches, this method proactively controls the behavior of dynamic information borrowing and type I errors by incorporating a well-known concept of clinically meaningful difference through an elastic function, defined as a monotonic function of a congruence measure between historical data and trial data. The elastic function is constructed to satisfy a set of information-borrowing constraints prespecified by researchers or regulatory agencies, such that the prior will borrow information when historical and trial data are congruent, but refrain from information borrowing when historical and trial data are incongruent. In doing so, the elastic prior improves power and reduces the risk of data dredging and bias. The elastic prior is information borrowing consistent, i.e. asymptotically controls type I and II errors at the nominal values when historical data and trial data are not congruent, a unique characteristics of the elastic prior approach. Our simulation study that evaluates the finite sample characteristic confirms that, compared to existing methods, the elastic prior has better type I error control and yields competitive or higher power.

研究の動機と目的

• 臨床試験における歴史的データからの情報の信頼性ある借用を可能にするとともに、第1種エラーの増加を防ぐこと。
• データの類似性に基づいて情報借用を能動的に制御する手法を開発し、借用パラメータのデータ駆動的推定に依存しないこと。
• 歴史的データと試験データが類似性がない場合に、第1種および第2種エラーが名目水準に保たれるようにすること。この性質を「情報借用の一貫性」と呼ぶ。
• パラメータごとの割引を可能とする柔軟で一般化可能なフレームワークを提供すること。
• 情報借用におけるパワーの向上と第1種エラーの増加のトレードオフを明確にし、ユーティリティに基づくアプローチを用いて事前分布を最適化すること。

提案手法

• エラスティック事前分布は、歴史的データ $D_h$ と対照群試験データ $D_c$ 間の類似性測度の単調関数であるエラスティック関数を用いて、情報借用を制御する。
• エラスティック関数は、$D_h$ と $D_c$ 間の臨床的有意差が大きくなると借用を減らすなどの事前に定めた情報借用制約を満たすように構築される。
• 歴史的データは、不確実性を反映するために分散を拡張した後方分布 $\pi(\theta \mid D_h)$ を通じて組み込まれ、柔軟でパラメータ別に異なる割引が可能になる。
• 情報借用の一貫性を満たす：$D_h$ と $D_c$ が類似性がない場合に、漸近的に第1種および第2種エラーが名目水準に制御される。
• このアプローチは共通性事前分布およびパワー事前分布に一般化可能であり、複数の歴史的データセットおよびさまざまな目的変数（二値、正規、生存時間）に適用可能である。
• 適応的デザインへの容易な拡張が可能であり、共変量の組み込みが可能で、シミュレーションにおいて性能が向上する。

実験結果

リサーチクエスチョン

• RQ1 現在の試験データとの類似性に基づいて、動的に情報借用を調整しつつ、第1種エラーの制御を維持する方法は何か？
• RQ2 パワー事前分布や共通性事前分布といった既存の動的借用手法には、第1種エラーの増加という限界があるのか？
• RQ3 類似性がない場合に、名目水準での第1種および第2種エラー制御（情報借用の一貫性）を保ちつつ、類似性がある場合にはパワーを向上させるような事前分布を構築可能か？
• RQ4 エラスティック事前分布は、Mix50、Mix90、キャリブレート済みパワー事前分布といった既存手法と比較して、データ類似性の異なるレベルにおいて、第1種エラーとパワーの両面でどのように差を示すか？
• RQ5 共変量の組み込みが、臨床試験設定におけるエラスティック事前分布の性能に与える影響は何か？

主な発見

• 類似性がある状況（例：シナリオ1～4）では、エラスティック事前分布（EMAP1/EMAP2）は Mix50 や Mix90 と同等のパワーを達成し、第1種エラーは名目水準の5%で制御された。
• 類似性がない状況（例：シナリオ5～6）では、EMAP1 と EMAP2 はそれぞれ 8.5% と 7.8% の第1種エラーを示し、Mix50（14.1%）や Mix90（26.4%）よりも顕著に低かった。
• シナリオ7（類似性がないが有効な治療効果）では、EMAP1 は Mix50 より 17.5%、Mix90 より 25.9% のパワー向上を示し、EMAP2 はそれぞれ 23.3% と 31.7% の向上を示した。
• シナリオ8（類似性がないが治療効果が強い）では、EMAP1 と EMAP2 はそれぞれ 75.3% と 75.1% のパワーを達成したのに対し、Mix50 と Mix90 はそれぞれ 63.0% と 47.8% であった。
• 共変量の組み込みにより、エラスティック事前分布の性能が向上し、第1種エラーの制御を維持しながらパワーが向上した。
• 特にデータ類似性の欠如する状況において、パワーの向上と第1種エラーの増加のバランスをとる点で、エラスティック事前分布は既存手法を上回った。