[논문 리뷰] Response-adaptive randomization in clinical trials: from myths to practical considerations

D. S. Robertson, Kim May Lee외 2명|arXiv (Cornell University)|2020. 05. 01.

Statistical Methods in Clinical Trials인용 수 5

한 줄 요약

이 논문은 임상 시험에서 반응 적응형 랜덤화(RAR)에 대한 종합적이고 균형 잡힌 리뷰를 제공하며, 오랫동안 지속된 오해와 실무적 과제를 다룹니다. RAR의 윤리적 및 통계적 이점—특히 환자 배정과 시험 효율성 측면에서의 이점—을 주장하면서도, 추론, 시뮬레이션 설계, 소프트웨어 가용성 분야의 방법론적 격차를 강조합니다.

ABSTRACT

Response-Adaptive Randomization (RAR) is part of a wider class of data-dependent sampling algorithms, for which clinical trials are typically used as a motivating application. In that context, patient allocation to treatments is determined by randomization probabilities that change based on the accrued response data in order to achieve experimental goals. RAR has received abundant theoretical attention from the biostatistical literature since the 1930's and has been the subject of numerous debates. In the last decade, it has received renewed consideration from the applied and methodological communities, driven by well-known practical examples and its widespread use in machine learning. Papers on the subject present different views on its usefulness, and these are not easy to reconcile. This work aims to address this gap by providing a unified, broad and fresh review of methodological and practical issues to consider when debating the use of RAR in clinical trials.

연구 동기 및 목표

• 임상 시험에서 반응 적응형 랜덤화(RAR) 사용에 관해 생물통계학 문헌에서 갈등하는 견해를 조율하기 위해.
• 최신의 통합된 리뷰를 통해 RAR에 대한 오랫동안 지속된 오해와 오해를 풀어내기 위해, 방법론적 및 실무적 고려사항을 다룹니다.
• 다중 무기 및 바이오마커 기반 분류 시험에서 특히 중요한, RAR의 간과된 이점—예를 들어 환자 복리 향상과 통계적 효율성 향상—을 강조하기 위해.
• RAR 절차에 대한 추론, 시뮬레이션 설계, 소프트웨어 구현 분야의 주요 열린 연구 질문을 특정하기 위해.
• 표준 운영 특성 이외의 넓은 평가 프레임워크를 통해 연구자들이 RAR 방법을 선택하고 평가하도록 안내하기 위해.

제안 방법

• 1930년대부터 현재까지 RAR 문헌에 대한 체계적 리뷰를 수행하여 방법론적 발전과 실무적 응용에 집중합니다.
• 다양한 지표(예: 검정력, 표본 크기 불균형, 환자 복리)를 기반으로 RAR 절차를 비교하기 위해 새로운 시뮬레이션 연구(3.1절)를 도입합니다.
• 베이지안 RAR(BRAR, 또는 톰슨 샘플링), RPW 규칙, 뉴먼 할당 방식 등 다양한 RAR 가족을 다양한 파라미터 조건 하에서 평가합니다.
• 최적 또는 이상화된 설정 외의 다양한 시나리오에서 RAR 절차를 평가하는 것이 중요하다고 강조합니다.
• 일방적인 결론을 피하기 위해, 시뮬레이션 연구에서 추정 정확도, 표본 크기 불균형, 유형 I 오류 통제와 같은 지표를 포함해야 한다고 제안합니다.
• RAR 알고리즘을 구현하고 실무에서 유효한 통계적 추론을 수행하기 위해 사용자 친화적인 소프트웨어가 필요하다고 강조합니다.

실험 결과

연구 질문

• RQ1 머신러닝 분야의 실제 응용에도 불구하고, 이론적 개발이 수십 년에 걸쳐 이루어졌음에도 불구하고 RAR는 왜 임상 시험에서 여전히 활용되지 않았는가?
• RQ2 다양한 시험 시나리오에서 RAR 절차의 통계적 검정력, 환자 복리, 유형 I 오류 통제 측면에서의 비교는 어떻게 이루어질 수 있는가?
• RQ3 작은 표본 크기 또는 시간 추세 하에서 RAR의 추론 분야에서의 주요 방법론적 격차는 무엇인가?
• RQ4 RAR 방법의 더 균형 잡히고 종합적인 평가를 위해 시뮬레이션 연구는 어떻게 향상시킬 수 있는가?
• RQ5 임상 시험에서 RAR를 구현하는 데 있어 실질적 장벽은 무엇이며, 소프트웨어 및 방법론적 발전을 통해 어떻게 이를 해결할 수 있는가?

주요 결과

• 베이지안 RAR(BRAR) 및 떨어진 자를 버리는 규칙과 같은 RAR 절차는 효과적인 치료에 더 많은 환자를 할당함으로써 환자 복리를 크게 향상시킬 수 있다.
• 표준 운영 특성만으로는 RAR를 평가하기에 부족하며, 표본 크기 불균형과 추정 정확도와 같은 지표는 필수적이지만 여전히 부족하게 보고되고 있다.
• RAR에서 할당 비율의 점근적 분포는 반응 확률의 합에 따라 달라지며, 예를 들어 RPW 규칙의 경우 p₀ + p₁ > 3/2일 때 영향을 미친다.
• 뉴먼 할당은 검정력을 최대화하지만, p₀ + p₁ > 1일 경우 열등한 치료군에 더 많은 환자를 배정할 수 있으므로, 다양한 시나리오 평가가 필요하다.
• RAR에서 유효한 추론은 여전히 도전 과제이며, 특히 작은 표본 크기나 시간 추세 하에서는 기존의 랜덤화 기반 추론 방법이 종종 검정력이 낮아 문제가 된다.
• 시간에 따라 변화하는 치료 효과를 가진 신규의 유행병적 맥락에서 특히, 유한 표본 RAR 설계에 대해 새로운 강력하고 효율적인 추론 방법이 절실하게 필요하다.