[논문 리뷰] SAM: Self-adapting Mixture Prior to Dynamically Borrow Information from Historical Data in Clinical Trials

Yang Peng, Yuansong Zhao외 3명|arXiv (Cornell University)|2023. 05. 20.

Statistical Methods in Clinical Trials인용 수 5

한 줄 요약

이 논문은 임상 시험에서 정보성 및 비정보성 사전분포 간 혼합 가중치를 동적으로 조정하는 Self-adapting Mixture (SAM) 사전분포를 소개한다. 이 사전분포는 상대적 우도 검정 통계량 또는 베이즈 요인을 사용하여 사전-자료 갈등을 탐지한다. SAM 사전분포는 데이터 기반, 校정-free 정보 유용화를 실현하며, 더 높은 강건성과 일관성을 확보하여 시뮬레이션에서 고정 가중치 혼합 사전분포보다 뛰어난 성능을 보인다.

ABSTRACT

Mixture priors provide an intuitive way to incorporate historical data while accounting for potential prior-data conflict by combining an informative prior with a non-informative prior. However, pre-specifying the mixing weight for each component remains a crucial challenge. Ideally, the mixing weight should reflect the degree of prior-data conflict, which is often unknown beforehand, posing a significant obstacle to the application and acceptance of mixture priors. To address this challenge, we introduce self-adapting mixture (SAM) priors that determine the mixing weight using likelihood ratio test statistics or Bayes factor. SAM priors are data-driven and self-adapting, favoring the informative (non-informative) prior component when there is little (substantial) evidence of prior-data conflict. Consequently, SAM priors achieve dynamic information borrowing. We demonstrate that SAM priors exhibit desirable properties in both finite and large samples and achieve information-borrowing consistency. Moreover, SAM priors are easy to compute, data-driven, and calibration-free, mitigating the risk of data dredging. Numerical studies show that SAM priors outperform existing methods in adopting prior-data conflicts effectively. We developed an R package and web application that are freely available to facilitate the use of SAM priors.

연구 동기 및 목표

• 혼합 사전분포의 혼합 가중치를 사전에 지정하는 문제를 해결하기 위해, 이는 중요하지만 종종 사전에 알려져 있지 않은 바람직한 가중치이다.
• 사전-자료 갈등의 증거에 기반하여 정보 유용화를 자동으로 조정하는 방법을 개발하기 위해.
• 유의미한 표본 크기와 큰 표본 모두에서 편향을 줄이기 위해 과도한 유용화 또는 부족한 유용화를 방지하면서 강건성과 일관성을 확보하기 위해.
• 교정이 필요 없는, 계산적으로 실현 가능한 접근법을 개발하여 규제 및 임상적 도입을 지원하기 위해.
• 실제 적용을 위해 R 패키지와 웹 애플리케이션을 제공하여 실무적 구현을 촉진하기 위해.

제안 방법

• SAM 사전분포는 상대적 우도 검정 통계량 또는 베이즈 요인을 사용하여 사전-자료 갈등을 평가하고 혼합 가중치를 동적으로 결정한다.
• 사전-자료 갈등이 낮을 경우 정보성 사전분포를 우선시하고, 갈등이 높을 경우 비정보성 사전분포를 우선시한다.
• 절차는 연구 계획서에서 완전히 사전 지정 가능하여 투명성과 재현 가능성을 확보한다.
• MAP, 파wr, 또는 엘라스틱 사전분포와 같은 다양한 기존 방법을 활용한 정보성 사전분포 구축과 호환된다.
• 임상적으로 의미 있는 차이(CSD)의 특정화에 대한 변동성에 강건하도록 설계되어 실용적 유용성을 향상시킨다.
• 간편한 구현과 시험 설계에의 통합을 위해 R 패키지 'SAMprior'와 웹 애플리케이션을 제공한다.

실험 결과

연구 질문

• RQ1 혼합 사전분포를 사전에 지정된 혼합 가중치 없이 사전-자료 갈등에 적응적으로 만들 수 있는가?
• RQ2 혼합 가중치 선택에 대한 데이터 기반 접근법이 임상 시험에서 정보 유용화의 강건성과 효율성을 향상시킬 수 있는가?
• RQ3 SAM 사전분포는 다양한 시나리오에서 유의수준 제어를 유지하고 정보 유용화 일관성을 달성하는가?
• RQ4 운영 특성 측면에서 SAM 사전분포는 고정 가중치 혼합 사전분포 및 기타 기존 방법보다 어떻게 비교되는가?
• RQ5 SAM 사전분포는 임상적으로 의미 있는 차이(CSD) 특정화에 대한 불확실성에 얼마나 강건한가?

주요 결과

• SAM 사전분포는 유한 표본과 큰 표본 모두에서 정보 유용화 일관성을 확보하여 다양한 시험 설계에서 신뢰할 수 있는 성능을 보인다.
• 수치적 연구 결과에 따르면, SAM 사전분포는 사전-자료 갈등에 적응하는 데 있어 고정 가중치 혼합 사전분포보다 뛰어나며, 갈등이 존재할 경우 편향을 감소시키는 데서 특히 유리하다.
• 임상적으로 의미 있는 차이(CSD)의 특정화에 대한 변동성에 강건하여 강력한 실용적 안정성을 나타낸다.
• SAM 사전분포는 교정이 필요 없으며 데이터 드러깅이 필요 없어 과적합 또는 오용의 위험을 줄인다.
• 계산적으로 효율적이며, 신뢰수준 제어를 훼손하지 않으면서도 동적 유용화를 지원한다.
• R 패키지 'SAMprior'와 www.trialdesign.org 웹 애플리케이션을 통해 연구자 및 규제 기관에서 즉각적인 도입이 가능하다.