[논문 리뷰] Elastic Priors to Dynamically Borrow Information from Historical Data in Clinical Trials

Liyun Jiang, Lei Nie외 1명|arXiv (Cornell University)|2020. 09. 13.

Statistical Methods in Clinical Trials참고 문헌 18인용 수 5

한 줄 요약

이 논문은 역사적 임상 시험 데이터에서 유연한 함수를 기반으로 한 탄성 사전분포를 제안한다. 이는 역사적 데이터와 시험 데이터 간의 유사성에 따라 정보를 동적으로 빌려오는 베이지안 방법으로, 사전에 설정된 제약 조건에 따라 빌려오는 양을 적응적으로 조정함으로써 유의수준 오류 제어와 함께 검정력 향상을 달성한다. 시뮬레이션 연구에서 기존 방법들을 능가한다.

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.

연구 동기 및 목표

• 역사적 데이터에서 신뢰할 수 있는 정보를 빌려오는 데 있어 타입 I 오류가 증가하지 않도록 문제를 해결하기 위해.
• 데이터 기반 추정이 아닌, 데이터 유사성에 기반해 정보 빌려오기의 양을 사전에 제어하는 방법을 개발하기 위해.
• 역사적 데이터와 시험 데이터가 유사하지 않을 경우에도 타입 I 및 타입 II 오류가 명목 수준에 유지되는 것을 보장하기 위해, 이를 '정보 빌려오기 일관성'이라 칭한다.
• 파rameter별 할인을 지원하고 다수의 역사적 데이터셋을 수용할 수 있는 유연하고 일반화 가능한 프레임워크를 제공하기 위해.
• 정보 빌려오기에서 검정력 향상과 타입 I 오류 증가 사이의 트레이드오프를 명확히 하고, 유틸리티 기반 접근을 통해 사전분포를 최적화하기 위해.

제안 방법

• 탄성 사전분포는 역사적 데이터 $D_h$와 대조군 시험 데이터 $D_c$ 간의 유사성 측도에 대한 단조 증가 함수인 탄성 함수를 사용하여 정보 빌려오기의 정도를 조절한다.
• 탄성 함수는 사전에 설정된 정보 빌려오기 제약 조건을 충족하도록 구성되며, 예를 들어 $D_h$와 $D_c$ 사이의 임상적으로 의미 있는 차이가 증가할수록 빌려오는 양을 줄이는 방식이다.
• 역사적 데이터는 사후분포 $\pi(\theta \mid D_h)$를 통해 통합되며, 불확실성을 반영하기 위해 분산을 확장함으로써 민감도가 높은 파라미터별 할인을 가능하게 한다.
• 정보 빌려오기 일관성 보장: $D_h$와 $D_c$가 유사하지 않을 경우 점차적으로 타입 I 및 타입 II 오류가 명목 수준에서 제어된다.
• 이 방법은 공명성 및 힘 사전분포로 일반화 가능하며, 다수의 역사적 데이터셋과 다양한 종속변수(이진, 정규, 생존)에 적용 가능하다.
• 이 방법은 적응형 설계로의 간편한 확장이 가능하며, 공변량을 통합함으로써 시뮬레이션에서 성능 향상을 이룬다.

실험 결과

연구 질문

• RQ1 현재 시험 데이터와의 유사성에 기반해 역사적 데이터에서 정보를 동적으로 조정하면서도 타입 I 오류 제어를 유지할 수 있는 방법은 무엇인가?
• RQ2 파워 사전분포 및 공명성 사전분포와 같은 기존의 동적 빌려오기 방법의 타입 I 오류 증가에 대한 한계는 무엇인가?
• RQ3 유사하지 않을 경우에도 명목 수준의 타입 I 및 타입 II 오류 제어를 보장하면서, 유사할 경우 검정력을 향상시킬 수 있는 사전분포를 구성할 수 있는가?
• RQ4 다양한 수준의 데이터 유사성에서 탄성 사전분포가 Mix50, Mix90, 校정된 파워 사전분포와 비교해 타입 I 오류와 검정력 측면에서 어떻게 성능을 보이는가?
• RQ5 공변량을 통합할 경우 탄성 사전분포의 임상 시험 환경에서의 성능에 어떤 영향을 미치는가?

주요 결과

• 유사한 상황(예: 시나리오 1–4)에서는 탄성 사전분포(EMAP1/EMAP2)가 Mix50 및 Mix90와 유사한 검정력을 확보하였으며, 타입 I 오류는 명목 수준인 5%로 제어되었다.
• 유사하지 않은 상황(예: 시나리오 5–6)에서는 EMAP1과 EMAP2가 각각 8.5%와 7.8%의 타입 I 오류를 보였으며, 이는 Mix50(14.1%) 및 Mix90(26.4%)보다 유의미하게 낮았다.
• 시나리오 7(유사하지 않지만 효과적인 치료)에서는 EMAP1이 Mix50보다 17.5% 높은 검정력, Mix90보다 25.9% 높은 검정력을 보였으며, EMAP2는 각각 23.3% 및 31.7%의 향상을 보였다.
• 시나리오 8(유사하지 않지만 높은 치료 효과)에서는 EMAP1과 EMAP2가 각각 75.3% 및 75.1%의 검정력을 확보하였고, Mix50와 Mix90는 각각 63.0% 및 47.8%였다.
• 공변량을 통합함으로써 탄성 사전분포의 성능이 향상되었으며, 타입 I 오류 제어를 유지하면서도 검정력이 증가하였다.
• 특히 데이터 유사성이 떨어지는 상황에서 정보 빌려오기의 검정력 향상과 타입 I 오류 증가 사이의 균형을 잘 잡고 있어, 기존 방법들보다 뛰어난 성능을 보였다.