[论文解读] SAM: Self-adapting Mixture Prior to Dynamically Borrow Information from Historical Data in Clinical Trials

Yang Peng, Yuansong Zhao+3 more|arXiv (Cornell University)|May 20, 2023

Statistical Methods in Clinical Trials被引用 5

一句话总结

本文提出自适应混合（SAM）先验，通过似然比检验或贝叶斯因子动态调整临床试验中信息性先验与非信息性先验之间的混合权重，以检测先验-数据冲突。SAM先验实现数据驱动、无需校准的信息借用，具有更高的稳健性和一致性，在模拟中优于固定权重混合先验。

ABSTRACT

Mixture priors provide an intuitive way to incorporate historical data while accounting for potential prior-data conflict by combining an informative prior with a non-informative prior. However, pre-specifying the mixing weight for each component remains a crucial challenge. Ideally, the mixing weight should reflect the degree of prior-data conflict, which is often unknown beforehand, posing a significant obstacle to the application and acceptance of mixture priors. To address this challenge, we introduce self-adapting mixture (SAM) priors that determine the mixing weight using likelihood ratio test statistics or Bayes factor. SAM priors are data-driven and self-adapting, favoring the informative (non-informative) prior component when there is little (substantial) evidence of prior-data conflict. Consequently, SAM priors achieve dynamic information borrowing. We demonstrate that SAM priors exhibit desirable properties in both finite and large samples and achieve information-borrowing consistency. Moreover, SAM priors are easy to compute, data-driven, and calibration-free, mitigating the risk of data dredging. Numerical studies show that SAM priors outperform existing methods in adopting prior-data conflicts effectively. We developed an R package and web application that are freely available to facilitate the use of SAM priors.

研究动机与目标

• 为解决混合先验中预设混合权重的挑战，该问题在临床试验中至关重要但通常事先未知。
• 开发一种方法，根据先验-数据冲突的证据自动调整信息借用。
• 在有限样本和大样本中均确保稳健性和一致性，同时避免因过度借用或借用不足导致的偏倚。
• 提出一种无需校准、计算上可行的方法，支持监管和临床应用。
• 通过提供R包和网络应用程序，促进实际应用。

提出的方法

• SAM先验使用似然比检验统计量或贝叶斯因子评估先验-数据冲突，并动态确定混合权重。
• 当先验-数据冲突较低时，混合权重倾向于信息性先验；当冲突较高时，则倾向于非信息性先验。
• 该过程在研究方案中完全可预设，确保透明性和可复现性。
• 该方法与多种现有信息性先验构建方法兼容，如MAP、幂次或弹性先验。
• 该方法对临床有意义差异（CSD）设定的变异具有鲁棒性，增强了实际应用价值。
• 提供R包'SAMprior'和网络应用程序，便于实现并集成到试验设计中。

实验结果

研究问题

• RQ1 如何在无需预设混合权重的情况下，使混合先验对先验-数据冲突具有自适应性？
• RQ2 基于数据驱动的混合权重选择方法是否能提升临床试验中信息借用的稳健性和效率？
• RQ3 SAM先验在各种情景下是否能维持I类错误控制并实现信息借用的一致性？
• RQ4 与固定权重混合先验及其他现有方法相比，SAM先验在操作特性方面表现如何？
• RQ5 SAM先验在临床有意义差异（CSD）设定存在不确定性时，其稳健性如何？

主要发现

• SAM先验在有限样本和大样本中均实现信息借用的一致性，确保在各种试验设计中表现可靠。
• 数值研究显示，SAM先验在适应先验-数据冲突方面优于固定权重混合先验，尤其在冲突存在时能显著降低偏倚。
• 该方法对临床有意义差异（CSD）设定的变异具有鲁棒性，表明具有强大的实际稳定性。
• SAM先验无需校准，且不需数据挖掘，降低了过拟合或误用的风险。
• 该方法计算高效，支持动态借用，同时不损害I类错误控制。
• R包'SAMprior'和位于www.trialdesign.org的网络应用程序可使研究人员和监管机构立即采用该方法。