[論文レビュー] SAM: Self-adapting Mixture Prior to Dynamically Borrow Information from Historical Data in Clinical Trials

Yang Peng, Yuansong Zhao+3 more|arXiv (Cornell University)|May 20, 2023

Statistical Methods in Clinical Trials被引用数 5

ひとこと要約

本稿では、尤度比検定統計量またはベイズ因子を用いて、臨床試験における情報的・非情報的事前分布間の混合重みを動的に調整する自己適応型混合（SAM）事前分布を導入する。SAM事前分布は、データ駆動型でキャリブレーションフリーな情報借用を実現し、より高いロバストネスと一貫性を達成し、シミュレーションにおいて固定重み混合事前分布を上回る性能を示す。

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.

研究の動機と目的

• 混合事前分布における事前指定された混合重みの問題に対処すること。これは臨床試験において重要ではあるが、しばしば事前に不明である。
• 事前分布とデータの不一致の証拠に基づいて、情報借用を自動的に調整する手法を開発すること。
• 有限標本および大標本の両方においてロバストネスと一貫性を確保するとともに、過剰借用や不十分借用によるバイアスを回避すること。
• キャリブレーションフリーで計算的に実行可能なアプローチを設計し、規制機関および臨床現場での採用を促進すること。
• 研究者および規制機関による実際の利用を容易にするために、RパッケージおよびWebアプリケーションを提供して実装を促進すること。

提案手法

• SAM事前分布は、尤度比検定統計量またはベイズ因子を用いて事前分布とデータの不一致を評価し、混合重みを動的に決定する。
• 事前分布とデータの不一致が低い場合には情報的事前分布が優先され、不一致が高い場合には非情報的事前分布が優先される。
• 手順は研究プロTOCOLにおいて完全に事前に指定可能であり、透明性と再現性を確保する。
• MAP、パワー、エラスティック事前分布などの、既存の情報的事前分布の構築手法と両立可能である。
• 臨床的に意味のある差（CSD）の指定におけるばらつきに対してロバストであるように設計されており、実用的有用性を高めている。
• Rパッケージ「SAMprior」とWebアプリケーションを提供し、試験設計への容易な統合と実装を可能にしている。

実験結果

リサーチクエスチョン

• RQ1 混合事前分布を、事前指定された混合重みを必要とせずに、事前分布とデータの不一致に適応可能にする方法は何か？
• RQ2 混合重み選択をデータ駆動型にすることで、臨床試験における情報借用のロバストネスと効率性が向上するか？
• RQ3 SAM事前分布は、多様なシナリオにおいて、第1種の過誤制御を維持し、情報借用の一貫性を達成するか？
• RQ4 SAM事前分布は、固定重み混合事前分布や他の既存手法と比較して、どのような操作特性を示すか？
• RQ5 臨床的に意味のある差（CSD）の指定における不確実性に対して、SAM事前分布はどの程度ロバストか？

主な発見

• SAM事前分布は、有限標本および大標本の両方において情報借用の一貫性を達成し、試験設計のあらゆる場面で信頼性の高い性能を示す。
• 数値的検証では、SAM事前分布が、特に不一致が生じた場合のバイアス低減において、固定重み混合事前分布を上回ることを示している。
• 臨床的に意味のある差（CSD）の指定におけるばらつきに対してもロバストであることが判明し、強い実用的安定性を示している。
• SAM事前分布はキャリブレーションフリーであり、データドリフト（データの過剰適合）を必要とせず、過剰適合や誤用のリスクを低減している。
• 計算的にも効率的であり、第1種の過誤制御を損なわず、動的借用を実現している。
• Rパッケージ「SAMprior」と、www.trialdesign.org に設置されたWebアプリケーションにより、研究者および規制機関による即時の導入が可能である。