[论文解读] Elastic Priors to Dynamically Borrow Information from Historical Data in Clinical Trials

Liyun Jiang, Lei Nie+1 more|arXiv (Cornell University)|Sep 13, 2020

Statistical Methods in Clinical Trials参考文献 18被引用 5

一句话总结

本文提出弹性先验（elastic prior），一种贝叶斯方法，通过基于历史数据与试验数据之间一致性程度的弹性函数，动态地从历史临床试验数据中借用信息。该方法通过根据预设约束条件自适应调整借用程度，确保了第一类错误控制并提升了检验效能，在模拟研究中优于现有方法。

ABSTRACT

Use of historical data and real-world evidence holds great potential to improve the efficiency of clinical trials. One major challenge is how to effectively borrow information from historical data while maintaining a reasonable type I error. We propose the elastic prior approach to address this challenge and achieve dynamic information borrowing. Unlike existing approaches, this method proactively controls the behavior of dynamic information borrowing and type I errors by incorporating a well-known concept of clinically meaningful difference through an elastic function, defined as a monotonic function of a congruence measure between historical data and trial data. The elastic function is constructed to satisfy a set of information-borrowing constraints prespecified by researchers or regulatory agencies, such that the prior will borrow information when historical and trial data are congruent, but refrain from information borrowing when historical and trial data are incongruent. In doing so, the elastic prior improves power and reduces the risk of data dredging and bias. The elastic prior is information borrowing consistent, i.e. asymptotically controls type I and II errors at the nominal values when historical data and trial data are not congruent, a unique characteristics of the elastic prior approach. Our simulation study that evaluates the finite sample characteristic confirms that, compared to existing methods, the elastic prior has better type I error control and yields competitive or higher power.

研究动机与目标

• 为解决在临床试验中可靠借用历史数据信息的同时不增加第一类错误的问题。
• 开发一种基于数据一致性程度主动控制信息借用的方法，而非依赖于借用参数的数据驱动估计。
• 确保当历史数据与试验数据不一致时，第一类与第二类错误保持在名义水平，这一特性称为“信息借用一致性”。
• 提供一种灵活且可推广的框架，支持参数特定的折扣处理及多个历史数据集。
• 阐明信息借用中效能增益与第一类错误膨胀之间的权衡，并通过基于效用的方法优化先验。

提出的方法

• 弹性先验使用弹性函数——即历史数据 $D_h$ 与对照试验数据 $D_c$ 之间一致性度量的单调函数——来调节信息借用。
• 弹性函数的构建满足预设的信息借用约束，例如当 $D_h$ 与 $D_c$ 之间的临床显著差异增大时，减少借用程度。
• 通过后验分布 $\pi(\theta \mid D_h)$ 纳入历史数据，同时通过增大方差来反映不确定性，从而实现灵活且参数特定的折扣处理。
• 具备信息借用一致性：当 $D_h$ 与 $D_c$ 不一致时，渐近地将第一类与第二类错误控制在名义水平。
• 该方法可推广至共轭先验与幂先验，并可应用于多个历史数据集及各类终点（二值、正态、生存）。
• 该方法可简便扩展至自适应设计，并可整合协变量，在模拟中表现更优。

实验结果

研究问题

• RQ1 如何在保持第一类错误控制的前提下，基于与当前试验数据的一致性程度，动态调整从历史数据借用信息的方式？
• RQ2 现有动态借用方法（如幂先验与共轭先验）在第一类错误膨胀方面存在哪些局限性？
• RQ3 能否构建一种先验，以确保信息借用一致性——即在不一致情况下实现名义水平的第一类与第二类错误控制，同时在一致情况下仍能获得效能增益？
• RQ4 在不同数据一致程度下，弹性先验与 Mix50、Mix90 及校准幂先验相比，在第一类错误与效能方面表现如何？
• RQ5 在临床试验环境中，整合协变量对弹性先验性能有何影响？

主要发现

• 在一致场景（如场景 1–4）中，弹性先验（EMAP1/EMAP2）的效能与 Mix50 和 Mix90 相当，且第一类错误控制在名义的 5% 水平。
• 在不一致场景（如场景 5–6）中，EMAP1 和 EMAP2 的第一类错误分别为 8.5% 和 7.8%，显著低于 Mix50（14.1%）与 Mix90（26.4%）。
• 在场景 7（不一致但有效治疗）中，EMAP1 的效能比 Mix50 高 17.5%，比 Mix90 高 25.9%；EMAP2 分别高出 23.3% 和 31.7%。
• 在场景 8（不一致但治疗效应较高）中，EMAP1 和 EMAP2 的效能分别为 75.3% 和 75.1%，而 Mix50 和 Mix90 分别为 63.0% 和 47.8%。
• 整合协变量后，弹性先验的性能得到提升，同时保持了第一类错误控制并提高了效能。
• 在数据不一致的情境下，弹性先验在效能增益与第一类错误膨胀之间的平衡上优于现有方法。