[论文解读] Decision rules for identifying combination therapies in open-entry, randomized controlled platform trials

Elias Laurin Meyer, Peter Mesenbrink+4 more|arXiv (Cornell University)|Mar 17, 2021

Statistical Methods in Clinical Trials参考文献 44被引用 26

一句话总结

本文提出了一套决策规则，用于在开放入组、随机对照平台试验中识别有效的联合疗法，采用贝叶斯与频率学派方法。研究显示，数据共享、决策规则设定以及对治疗有效性的先验假设，对统计功效、第一类错误率和试验效率等运行特性具有决定性影响，对药物研发中的试验设计与利益相关方协调具有重要意义。

ABSTRACT

Platform trials have become increasingly popular for drug development programs, attracting interest from statisticians, clinicians and regulatory agencies. Many statistical questions related to designing platform trials - such as the impact of decision rules, sharing of information across cohorts, and allocation ratios on operating characteristics and error rates - remain unanswered. In many platform trials, the definition of error rates is not straightforward as classical error rate concepts are not applicable. For an open-entry, exploratory platform trial design comparing combination therapies to the respective monotherapies and standard-of-care, we define a set of error rates and operating characteristics and then use these to compare a set of design parameters under a range of simulation assumptions. When setting up the simulations, we aimed for realistic trial trajectories, such that e.g. a priori we do not know the exact number of treatments that will be included over time in a specific simulation run as this follows a stochastic mechanism. Our results indicate that the method of data sharing, exact specification of decision rules and a priori assumptions regarding the treatment efficacy all strongly contribute to the operating characteristics of the platform trial. Furthermore, different operating characteristics might be of importance to different stakeholders. Together with the potential flexibility and complexity of a platform trial, which also impact the achieved operating characteristics via e.g. the degree of efficiency of data sharing, this implies that utmost care needs to be given to evaluation of different assumptions and design parameters at the design stage.

研究动机与目标

• 定义并评估在开放入组、探索性平台试验中比较联合疗法与单药治疗及标准治疗时的错误率和运行特性。
• 评估决策规则、数据共享策略以及对治疗有效性的假设如何影响试验表现。
• 指导在非酒精性脂肪性肝炎（NASH）等复杂治疗领域中，同时评估多种联合疗法的高效、可靠平台试验的设计。
• 通过在现实模拟条件下量化统计功效、第一类错误率与试验时长之间的权衡，支持监管与临床决策。

提出的方法

• 本研究采用贝叶斯分层模型，通过跨队列动态借用信息以估计治疗效应。
• 决策规则基于后验概率（例如，P(θ > 0) > γ）和非劣效性边界（δ < 0）进行成对比较。
• 在随机队列入组机制下进行模拟，队列数量与治疗组数量在事前未固定。
• 平台试验设计每轮包含四个治疗组：联合疗法、基础单药治疗（A）、加用药单药治疗（B）和标准治疗（SoC）。
• 在每个队列入组后进行中期分析，根据预设阈值决定是否因无效或有效而停止试验。
• 模拟框架可生成超过1亿条平台试验轨迹，并评估超过10,000种参数组合以评估运行特性。

实验结果

研究问题

• RQ1 不同的决策规则（贝叶斯 vs. 频率学派）如何影响平台试验中联合疗法的I类错误率与统计功效？
• RQ2 队列间的数据共享在多大程度上影响平台试验的运行特性，包括I类错误率与统计功效？
• RQ3 对治疗有效性的假设以及分配比例如何影响联合疗法识别的效率与可靠性？
• RQ4 队列入组动态与随机招募对最终样本量与试验时长有何影响？

主要发现

• 数据共享方式对运行特性有显著影响，当假设正确时，信息借用程度越高，统计功效越高，I类错误率越低。
• 基于后验概率的决策规则（如 P(θ > 0) > 0.95）相比简单的频率学派阈值，能更好地控制I类错误率并提高统计功效。
• 对治疗有效性的假设——尤其是单药治疗与联合疗法的真实应答率——对正确识别有效联合疗法的概率有强烈影响。
• 队列数量的增加会提高数据共享的复杂性，尤其在采用并行数据共享时，可能导致最终样本量上升。
• 当分配比例均衡且决策规则与预期治疗效应大小精细匹配时，试验设计最为高效。
• 模拟框架揭示，即使先验假设或决策规则阈值出现微小偏差，也会导致运行特性发生显著变化，凸显了在设计阶段进行稳健评估的必要性。