[论文解读] ASIED: A Bayesian Adaptive Subgroup-Identification Enrichment Design

Yanxun Xu, Florica J. Constantine+2 more|arXiv (Cornell University)|Oct 4, 2018

Statistical Methods in Clinical Trials参考文献 24被引用 3

一句话总结

本文提出 ASIED，一种贝叶斯自适应富集设计，用于识别预测性生物标志物，并根据治疗效应增强的亚组动态调整试验入组标准。利用多水平目标产品概况（LRV 和 TV），ASIED 采用完全贝叶斯随机划分模型（BayRP）指导中期富集决策，在异质性治疗效应下实现高亚组检测准确率与稳健的决策能力。

ABSTRACT

Developing targeted therapies based on patients' baseline characteristics and genomic profiles such as biomarkers has gained growing interests in recent years. Depending on patients' clinical characteristics, the expression of specific biomarkers or their combinations, different patient subgroups could respond differently to the same treatment. An ideal design, especially at the proof of concept stage, should search for such subgroups and make dynamic adaptation as the trial goes on. When no prior knowledge is available on whether the treatment works on the all-comer population or only works on the subgroup defined by one biomarker or several biomarkers, it is necessary to incorporate the adaptive estimation of the heterogeneous treatment effect to the decision-making at interim analyses. To address this problem, we propose an Adaptive Subgroup-Identification Enrichment Design, ASIED, to simultaneously search for predictive biomarkers, identify the subgroups with differential treatment effects, and modify study entry criteria at interim analyses when justified. More importantly, we construct robust quantitative decision-making rules for population enrichment when the interim outcomes are heterogeneous in the context of a multilevel target product profile, which defines the minimal and targeted levels of treatment effect. Through extensive simulations, the ASIED is demonstrated to achieve desirable operating characteristics and compare favorably against alternatives.

研究动机与目标

• 为解决在缺乏关于疗法对全部入组患者或特定生物标志物定义亚组是否有效的先验知识时，识别具有增强治疗反应的患者亚组的挑战。
• 开发一种决策框架，基于中期数据动态调整试验中的入组标准，尤其在存在异质性治疗效应的情况下。
• 将多水平目标产品概况（LRV 和 TV）整合到决策过程中，以平衡临床可行性与统计严谨性。
• 构建一个稳健、定量且一致的贝叶斯框架，用于亚组识别与富集决策，同时考虑治疗效应中的不确定性与变异性。
• 通过支持基于数据的自适应决策，提升早期药物研发效率，推动精准医学目标的实现，而无需依赖预设亚组。

提出的方法

• 提出一种贝叶斯随机划分（BayRP）模型，通过基于生物标志物谱型对患者进行分组，灵活识别具有增强治疗效应的亚组。
• 使用多水平目标产品概况（LRV = 低参考值，TV = 目标值）定义决策过程中治疗效应的最小与期望阈值。
• 采用分层贝叶斯模型估计亚组中的治疗效应，并在中期分析中计算治疗效应超过阈值的后验概率，以支持“继续”“停止”或“推进”决策。
• 基于治疗效应超过 LRV 和 TV 的后验概率制定决策规则，允许根据证据实现自适应富集或中止。
• 通过敏感性分析与基于模拟的评估，检验在各种情景下的运行特性。
• 通过超参数（ξ₁, ξ₂）调节决策阈值，以反映用户特定的风险容忍度（例如，误判“继续”或“停止”的风险）。

实验结果

研究问题

• RQ1 当缺乏关于疗法在总体人群中疗效的先验知识时，贝叶斯自适应设计能否有效识别预测性生物标志物及具有增强治疗效应的亚组？
• RQ2 如何将多水平目标产品概况（LRV 与 TV）正式整合到自适应临床试验的中期富集决策规则中？
• RQ3 在正确识别有效亚组或全部入组患者的同时，最小化假阳性与假阴性决策的前提下，ASIED 设计的运行性能如何？
• RQ4 在不同生物标志物配置下，BayRP 模型相较于预设亚组方法在检测异质性治疗效应方面的表现如何？
• RQ5 决策规则在多大程度上可被校准以反映药物研发中不同的风险偏好（例如，保守型或激进型的‘继续’决策）？

主要发现

• 在情景 2（有效亚组，β₀=0.25，β₁=2.55）中，ASIED 以 96% 的概率推荐该试验药物用于亚组，以 4% 的概率停止试验，表明其在亚组检测中具有高准确率。
• 当亚组中治疗效应提升至 β₁=2.83（情景 3）时，ASIED 在 6% 的模拟中正确转向推荐对全部入组患者使用该药物，体现了其自适应学习能力。
• 对于全部入组患者具有中等效应的情景 4（β₀=0.25，β₁=2.55），ASIED 在 95% 的模拟中推荐对全部患者使用该药物，显示出在检测广泛疗效方面的强劲表现。
• 在全部入组患者效应较强的情景 5（β₀=0.25，β₁=2.83）中，ASIED 以 100% 的概率推荐对全部患者使用该药物，证实了在高疗效情景下的稳健性。
• 当不存在有效亚组时（情景 1），ASIED 在 99% 的模拟中正确停止试验，表明其在无效性检测中具有极低的假阳性率。
• 该设计在所有情景中均表现出高特异性和高敏感性，最终推荐结果与不同情境下真实的治疗效应高度一致。