[论文解读] Bayesian design and analysis of two-arm cluster randomised trials using assurance

Kevin J Wilson|arXiv (Cornell University)|Aug 26, 2022

Statistical Methods and Bayesian Inference被引用 4

一句话总结

本文提出了一种针对两组簇随机对照试验（cluster RCTs）连续结局的贝叶斯样本量确定方法，基于马尔可夫链蒙特卡洛（MCMC）后验推断的保证度（assurance）。该方法引入了双层蒙特卡洛方案，以在先验不确定性下评估保证度，表明与经典统计功效计算相比，当对临床意义效应的先验信念较强时，采用信息性先验可显著减少所需样本量。

ABSTRACT

We consider the design of a two-arm superiority cluster randomised controlled trial (RCT) with a continuous outcome. We detail Bayesian inference for the analysis of the trial using a linear mixed-effects model. The treatment is compared to control using the posterior distribution for the treatment effect. We develop the form of the assurance to choose the sample size based on this analysis, and its evaluation using a two loop Monte Carlo sampling scheme. We assess the proposed approach, considering the effect of different forms of prior distribution, and the number of Monte Carlo samples needed in both loops for accurate determination of the assurance and sample size. Based on this assessment, we provide general advice on each of these choices. We apply the approach to the choice of sample size for a cluster RCT into post-stroke incontinence, and compare the resulting sample size to those from a power calculation and assurance based on a Wald test for the treatment effect. The Bayesian approach to design and analysis developed in this paper can offer advantages in terms of an increase in the robustness of the chosen sample size to parameter mis-specification and reduced sample sizes if prior information indicates the treatment effect is likely to be larger than the minimal clinically important difference.

研究动机与目标

• 开发一种针对两组簇随机对照试验（连续结局）的贝叶斯样本量确定方法。
• 通过保证度将非处理效应参数（组内相关系数（ICC）、方差）和治疗效应的先验不确定性整合到样本量计算中。
• 将所提出的贝叶斯保证度方法与经典统计功效计算及基于Wald检验的混合方法进行比较。
• 评估不同分析先验分布和蒙特卡洛抽样策略对保证度估计精度与效率的影响。
• 将该方法应用于关于卒中后尿失禁的ICONS试验，展示其在样本量减少方面的实际优势。

提出的方法

• 采用具有固定治疗效应和随机簇效应的线性混合效应模型进行分析。
• 通过MCMC进行贝叶斯推断，以获得治疗效应的后验分布。
• 采用双层蒙特卡洛模拟：外层从设计先验中抽样，内层使用分析先验执行MCMC。
• 将保证度定义为：在最小临床重要差异（MCID）条件下，后验概率超过阈值的概率。
• 对方差分量使用共轭逆伽马先验，并评估超参数选择（如0.1，L=1000）的稳健性。
• 建议外层与内层各使用1000次蒙特卡洛抽样，并重复35次计算以稳定样本量估计。

实验结果

研究问题

• RQ1 在完全贝叶斯框架下，如何为簇随机对照试验重新定义保证度，其中最终分析基于后验推断而非假设检验？
• RQ2 不同分析先验分布对基于保证度的样本量计算精度与效率有何影响？
• RQ3 外层与内层蒙特卡洛抽样次数如何影响保证度估计的稳定性与精确度？
• RQ4 治疗效应设计先验的选择如何影响所需样本量，特别是在对疗效的先验信念超过MCID时？
• RQ5 与传统功效计算或使用贝叶斯设计但结合频率学派分析的混合方法相比，完全贝叶斯设计方法是否能减少样本量？

主要发现

• 当对治疗效应高于MCID的先验信念较强时，完全贝叶斯方法相比标准功效计算可显著减少所需样本量。
• 当治疗效应设计先验均值≥3.5且先验标准差<1.8时，贝叶斯方法的样本量小于功效法与混合方法。
• 使用1000次外层与1000次内层蒙特卡洛抽样可确保保证度估计的准确与高效。
• 重复35次样本量计算并选取众数结果，可极大提高识别正确样本量的概率。
• 当结合保证度时，贝叶斯分析方法相比使用频率学派推断的混合方法可实现进一步的样本量减少。
• 该方法表明，在ICC与方差分量中纳入先验不确定性可提高对参数误设的稳健性。