[论文解读] Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints

Cong Shen, Zhiyang Wang+2 more|arXiv (Cornell University)|Jun 9, 2020

Statistical Methods in Clinical Trials参考文献 36被引用 6

一句话总结

该论文提出SEEDA，一种新颖的自适应临床试验算法，通过多臂赌博机框架在严格遵守毒性安全约束的前提下最大化累积疗效。通过动态更新安全剂量集合并利用分子靶向药物的单峰疗效模式，SEEDA在合成数据和真实世界模拟中均展现出更高的成功率和更低的患者负担，优于现有最先进方法。

ABSTRACT

Phase I dose-finding trials are increasingly challenging as the relationship between efficacy and toxicity of new compounds (or combination of them) becomes more complex. Despite this, most commonly used methods in practice focus on identifying a Maximum Tolerated Dose (MTD) by learning only from toxicity events. We present a novel adaptive clinical trial methodology, called Safe Efficacy Exploration Dose Allocation (SEEDA), that aims at maximizing the cumulative efficacies while satisfying the toxicity safety constraint with high probability. We evaluate performance objectives that have operational meanings in practical clinical trials, including cumulative efficacy, recommendation/allocation success probabilities, toxicity violation probability, and sample efficiency. An extended SEEDA-Plateau algorithm that is tailored for the increase-then-plateau efficacy behavior of molecularly targeted agents (MTA) is also presented. Through numerical experiments using both synthetic and real-world datasets, we show that SEEDA outperforms state-of-the-art clinical trial designs by finding the optimal dose with higher success rate and fewer patients.

研究动机与目标

• 解决现有I期临床试验设计仅关注毒性而忽视在安全约束下疗效优化的缺陷。
• 开发一种理论基础扎实的自适应剂量分配方法，确保高概率安全的同时最大化累积患者获益。
• 针对具有先上升后平台期疗效特征的分子靶向药物（MTA），扩展该方法，通过利用单峰结构提升性能。
• 为临床试验场景下的安全约束违反概率、分配成功率和样本效率提供理论保证。
• 通过合成数据和真实世界临床数据集，证明该方法优于现有最先进设计。

提出的方法

• SEEDA将剂量发现建模为带安全约束的多臂赌博机问题，仅将满足毒性阈值的剂量视为可分配对象。
• 基于累积毒性数据自适应更新可接受剂量集合，确保探索始终在安全范围内进行。
• 算法采用剂量-毒性逻辑回归模型，不假设特定疗效模型，从而在多种药物反应模式下保持灵活性。
• 针对具有先上升后平台期疗效特征的MTA，提出扩展版本SEEDA-Plateau，通过利用单峰结构降低遗憾。
• 通过操作指标评估性能：毒性违反概率、累积疗效、推荐成功率和样本效率。
• 理论分析提供了安全约束满足概率和最优剂量分配收敛性的概率保证。

实验结果

研究问题

• RQ1 是否存在一种剂量发现算法，能够在满足毒性约束的前提下，同时最大化累积疗效并保证高概率安全？
• RQ2 与现有最先进自适应设计相比，SEEDA在成功率和患者效率方面的表现如何？
• RQ3 利用MTA的单峰、先上升后平台期疗效模式，在多大程度上能提升剂量发现的准确性并减少遗憾？
• RQ4 SEEDA下安全约束违反的概率是多少？与现有方法相比有何差异？
• RQ5 在真实世界和合成数据集中，SEEDA能否在最小化毒性剂量暴露的同时，保持高剂量分配和推荐成功率？

主要发现

• 在合成数据和真实世界数据集中，SEEDA均以更高的成功率识别出最优剂量，优于现有最先进临床试验设计。
• 与现有方法相比，SEEDA在保持显著更低的毒性约束违反概率的同时，实现了更高的累积疗效。
• 通过利用分子靶向药物疗效的单峰结构，SEEDA-Plateau相比标准SEEDA进一步降低了遗憾。
• 在真实世界数据实验中，SEEDA和SEEDA-Plateau在大多数情况下推荐了正确剂量，次优推荐主要集中在MTD略低的剂量上。
• 分配模式显示，与基线方法相比，SEEDA更一致地优先选择安全且有效的剂量，从而提升了伦理和操作效率。
• 理论分析证实，SEEDA能够维持高概率的安全约束，且对毒性违反概率提供了严格的概率边界。