[논문 리뷰] Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints

Cong Shen, Zhiyang Wang외 2명|arXiv (Cornell University)|2020. 06. 09.

Statistical Methods in Clinical Trials참고 문헌 36인용 수 6

한 줄 요약

이 논문은 다중 손잡이 밴딧 프레임워크를 사용하여 독성 안전 기준을 엄격히 준수하면서 누적 유효성을 최대화하는 새로운 적응형 임상 시험 알고리즘인 SEEDA를 제안한다. 분자 표적제제에서의 단일 최적화 효능 패턴을 활용하여 안전한 복합제제의 집합을 동적으로 업데이트함으로써, 합성 및 실제 임상 시뮬레이션에서 최신 기술 대비 더 높은 성공률과 환자 부담 감소를 달성한다.

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.

연구 동기 및 목표

• 기존 1a상 임상 시험 설계에서 독성만을 우선시하고 안전 기준 하에 효능 최적화를 간과하는 격차를 해소하기 위해.
• 이론적으로 탄탄한, 적응적인 복합제제 배분 방법을 개발하여 고확률 안전성을 보장하면서 누적 환자 이득을 최대화하기 위해.
• 증가 후 평준선을 보이는 효능 프로파일을 가지는 분자 표적제제(MTAs)를 위한 접근을 확장하여, 단일 최적화 구조를 활용해 성능을 향상시키기 위해.
• 임상 시험 환경에서 안전 기준 위반 확률, 배분 성공률, 샘플 효율성에 대한 이론적 보장을 제공하기 위해.
• 합성 및 실제 임상 데이터 세트를 모두 활용하여 최신 기술 대비 뛰어난 성능을 입증하기 위해.

제안 방법

• SEEDA는 독성 임계치를 충족하는 복합제제만 할당 대상으로 고려하는 안전 기준이 있는 다중 손잡이 밴딧 문제로 복합제제 결정을 공식화한다.
• 누적 독성 데이터를 바탕으로 허용 가능한 복합제제 집합을 적응적으로 업데이트하여 탐색이 안전 범위 내에서 유지되도록 한다.
• 특정 효능 모델을 가정하지 않는 복합제제-독성 로지스틱 모델을 사용하여 다양한 약물 반응 패턴에 유연성을 확보한다.
• 분자 표적제제에서 증가 후 평준선을 보이는 효능을 가지는 경우를 위해 SEEDA-Plateau라는 확장 기법을 제안하며, 단일 최적화 구조를 활용해 위험도를 감소시킨다.
• 운영 지표인 독성 위반 확률, 누적 효능, 추천 성공률, 샘플 효율성 등을 사용하여 성능을 평가한다.
• 이론적 분석을 통해 안전 기준 준수의 확률적 보장과 최적 복합제제 배분으로의 수렴성을 제공한다.

실험 결과

연구 질문

• RQ1 독성 기준 하에서 동시에 누적 효능을 최대화하고 고확률 안전성을 보장할 수 있는 복합제제 결정 알고리즘이 존재하는가?
• RQ2 성공률과 환자 효율성 측면에서 SEEDA는 최신 기술 대비 어떻게 성능을 냈는가?
• RQ3 분자 표적제제의 증가 후 평준선 효능 패턴을 이용한 단일 최적화 구조의 활용이 복합제제 결정 정확도 향상과 위험도 감소에 얼마나 기여하는가?
• RQ4 SEEDA 하에서 안전 기준 위반의 이론적 확률은 얼마이며, 기존 방법과 비교해 어떻게 다를까?
• RQ5 실제 및 합성 데이터 세트에서 SEEDA는 유해 복합제제에 대한 노출를 최소화하면서도 높은 배분 및 추천 성공률을 유지할 수 있는가?

주요 결과

• SEEDA는 합성 및 실제 임상 데이터 세트 양측에서 최신 기술 대비 더 높은 성공률로 최적 복합제제를 식별함으로써 최신 기술 대비 뛰어난 성능을 보였다.
• 기존 방법 대비 유의미하게 낮은 독성 기준 위반 확률을 유지하면서도 더 높은 누적 효능을 달성했다.
• SEEDA-Plateau는 분자 표적제제의 효능에서 단일 최적화 구조를 활용함으로써 표준 SEEDA 대비 위험도를 감소시켰다.
• 실제 임상 데이터 실험에서 SEEDA 및 SEEDA-Plateau는 대부분의 경우 정확한 복합제제를 추천했으며, 부적절한 추천는 주로 MTD 이하의 복합제제를 대상으로 하였다.
• 배분 패턴 분석 결과, SEEDA는 기준 방법 대비 안전하고 효과적인 복합제제를 더 일관되게 우선 배분하여 윤리적 및 운영적 효율성을 향상시켰다.
• 이론적 분석 결과, SEEDA는 고확률 안전 기준을 유지하며 독성 위반 확률에 대한 엄격한 경계를 제공함을 확인했다.