[論文レビュー] Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints

Cong Shen, Zhiyang Wang+2 more|arXiv (Cornell University)|Jun 9, 2020

Statistical Methods in Clinical Trials参考文献 36被引用数 6

ひとこと要約

本稿では、毒性安全性制約を厳密に守りながら累積効果を最大化する新しい適応型臨床試験アルゴリズムであるSEEDAを提案する。マルチアームバンディットフレームワークを用い、分子標的薬剤における単峰性の効果パターンを活用することで、合成および実臨床データの両方のシミュレーションにおいて、最先端の手法と比較して高い成功確率と患者負担の低減を達成する。

ABSTRACT

Phase I dose-finding trials are increasingly challenging as the relationship between efficacy and toxicity of new compounds (or combination of them) becomes more complex. Despite this, most commonly used methods in practice focus on identifying a Maximum Tolerated Dose (MTD) by learning only from toxicity events. We present a novel adaptive clinical trial methodology, called Safe Efficacy Exploration Dose Allocation (SEEDA), that aims at maximizing the cumulative efficacies while satisfying the toxicity safety constraint with high probability. We evaluate performance objectives that have operational meanings in practical clinical trials, including cumulative efficacy, recommendation/allocation success probabilities, toxicity violation probability, and sample efficiency. An extended SEEDA-Plateau algorithm that is tailored for the increase-then-plateau efficacy behavior of molecularly targeted agents (MTA) is also presented. Through numerical experiments using both synthetic and real-world datasets, we show that SEEDA outperforms state-of-the-art clinical trial designs by finding the optimal dose with higher success rate and fewer patients.

研究の動機と目的

• 既存の第I相試験設計が毒性のみを重視し、安全性制約下での効果最適化を無視するというギャップを解消すること。
• 理論的裏付けを有する適応的投与量割り当て手法を開発し、高い確率での安全性を保証するとともに、累積的患者利益を最大化すること。
• 増加後に plateau に達する効果プロファイルを示す分子標的薬剤（MTA）に適用可能なアプローチを拡張し、単峰性構造を活用して性能を向上させること。
• 臨床試験設定における安全性制約違反確率、割り当て成功確率、および標本効率に関する理論的保証を提供すること。
• 合成および実臨床臨床データセットの両方を用いて、最先端の設計と比較して優れた性能を示すこと。

提案手法

• SEEDAは、毒性閾値を満たす投与量のみを割り当て対象とする安全性制約付きのマルチアームバンディット問題として投与量決定を定式化する。
• 蓄積される毒性データに基づいて、安全な投与量の許容集合を動的に更新することで、探索が安全範囲内に保たれるようにする。
• 特定の効果モデルを仮定しない投与量-有害性ロジスティックモデルを用いることで、多様な薬物反応パターンに柔軟に対応可能である。
• MTAの増加後に plateau に達する効果プロファイルを想定した拡張版であるSEEDA-Plateauを提案し、単峰性構造を活用してリグレットを低減する。
• 運用指標として、有害性違反確率、累積的効果、推奨成功、および標本効率を用いて性能を評価する。
• 理論的分析により、安全性制約の満たされる確率と最適投与量割り当てへの収束に関する確率的保証が得られる。

実験結果

リサーチクエスチョン

• RQ1 毒性制約下で、累積的効果を最大化すると同時に、高い確率での安全性を保証できる投与量決定アルゴリズムは可能か？
• RQ2 SEEDAの性能は、成功確率および被験者効率の観点で、最先端の適応的設計と比較してどの程度優れているか？
• RQ3 MTAの増加後に plateau に達する効果パターンの単峰性を活用することで、投与量決定の正確性はどの程度向上し、リグレットはどの程度低減されるか？
• RQ4 SEEDAでは、安全性制約に違反する確率は理論的にどの程度であり、既存の手法と比較してどのように異なるか？
• RQ5 実臨床および合成データセットにおいて、SEEDAは有害な投与量への露出を最小限に抑えながら、高い割り当ておよび推奨成功確率を維持できるか？

主な発見

• SEEDAは、合成および実臨床データの両方において、最先端の臨床試験設計を上回り、最適投与量をより高い成功確率で同定する。
• SEEDAは、既存の手法と比較して顕著に低い有害性制約違反確率を維持しながら、より高い累積的効果を達成する。
• SEEDA-Plateauは、分子標的薬剤の効果の単峰性構造を活用することで、標準的なSEEDAと比較してリグレットを低減する。
• 実臨床データの実験では、SEEDAおよびSEEDA-Plateauは大多数のケースで正しい投与量を推奨したが、不適切な推奨は主にMTDよりわずかに低い投与量を標的にしていた。
• 割り当てパターンから、SEEDAはベースライン手法よりも安全かつ効果的な投与量をより一貫して優先していたため、倫理的および運用的効率が向上した。
• 理論的分析により、SEEDAは高い確率での安全性制約を維持しており、有害性違反確率に対する厳密な境界が保証されていることが確認された。