[论文解读] Applying Meta-Analytic-Predictive Priors with the R Bayesian evidence synthesis tools

Sebastian Weber, Yue Li+3 more|arXiv (Cornell University)|Jul 1, 2019

Statistical Methods in Clinical Trials参考文献 60被引用 10

一句话总结

本文介绍了 R 包 RBesT，该包使用分层模型实现贝叶斯临床试验设计中的元分析预测（MAP）先验，以借用历史对照数据。该方法采用 MCMC 抽样和参数混合近似，推导出稳健且信息丰富的先验，从而实现高效试验设计，减少对照组样本量，并准确评估试验运行特征和成功概率。

ABSTRACT

Use of historical data in clinical trial design and analysis has shown various advantages such as reduction of within-study placebo-treated number of subjects and increase of study power. The meta-analytic-predictive (MAP) approach accounts with a hierarchical model for between-trial heterogeneity in order to derive an informative prior from historical (often control) data. In this paper, we introduce the package RBesT (R Bayesian Evidence Synthesis Tools) which implements the MAP approach with normal (known sampling standard deviation), binomial and Poisson endpoints. The hierarchical MAP model is evaluated by MCMC. The numerical MCMC samples representing the MAP prior are approximated with parametric mixture densities which are obtained with the expectation maximization algorithm. The parametric mixture density representation facilitates easy communication of the MAP prior and enables via fast and accurate analytical procedures to evaluate properties of trial designs with informative MAP priors. The paper first introduces the framework of robust Bayesian evidence synthesis in this setting and then explains how RBesT facilitates the derivation and evaluation of an informative MAP prior from historical control data. In addition we describe how the meta-analytic framework relates to further applications including probability of success calculations.

研究动机与目标

• 开发一种实用且易于访问的工具，用于使用贝叶斯方法将历史对照数据整合到临床试验设计中。
• 解决从异质性历史试验中高效推导并传达信息丰富先验的挑战，同时考虑试验间的异质性。
• 通过 MCMC 后验的解析近似方法，实现实时且准确的试验运行特征和成功概率评估。
• 通过整合稳健化技术，保护先验-数据冲突情况下的统计推断，实现稳健的统计推断。
• 通过参数混合表示法，促进将复杂先验分布向非统计人员进行有效沟通。

提出的方法

• 使用分层随机效应元分析模型整合历史对照数据，考虑试验间的异质性。
• 采用马尔可夫链蒙特卡洛（MCMC）抽样生成新研究预测分布的数值样本。
• 应用期望最大化算法，将 MCMC 样本近似为参数混合密度（如贝塔或正态分布的混合）。
• 利用后验和统计功效计算的解析解，实现实时且准确的试验设计评估。
• 提供如 oc2S 和 pos2S 等函数，用于在不同参数假设下计算运行特征和成功概率。
• 通过使用稳健先验分布实现稳健化，以防范在出现意外偏离时的先验-数据冲突。

实验结果

研究问题

• RQ1 如何系统且稳健地将历史对照数据整合为新临床试验的信息丰富先验？
• RQ2 在贝叶斯临床试验设计中，使用 MAP 先验对第一类错误率和统计功效有何影响？
• RQ3 如何量化 MAP 先验的有效样本量，并用于指导新试验的样本量缩减？
• RQ4 对 MCMC 衍生后验的解析近似在保持准确性的同时，能在多大程度上实现试验运行特征的快速评估？
• RQ5 在真实治疗效果不确定的情况下，如何利用 MAP 先验框架评估成功概率？

主要发现

• 通过 MCMC 推导并近似为参数混合的 MAP 先验，可实现对试验运行特征的准确且快速评估。
• MAP 先验的 97.5% 分位数约为 0.48，表明高于该值的反应率被视为极不寻常。
• 非稳健贝叶斯设计在真实反应率为 0.25 时第一类错误率为 0.020，升至 0.75 时达 0.598，表明错误率控制失效。
• 稳健化设计将第一类错误率分别降低至 0.25 时的 0.018 和 0.75 时的 0.173，表明在先验-数据冲突下错误率控制得到改善。
• RBesT 包通过解析方法实现运行特征和成功概率的快速计算，适用于设计探索和决策支持。
• 像 decision2S_boundary 这类函数可可视化关键决策边界，有助于与临床团队和利益相关方沟通。