基于广义贝叶斯后验分布的时依结局自适应临床试验设计新方法

《Statistics in Medicine》：An Approach to Design Adaptive Clinical Trials With Time-to-Event Outcomes Based on a General Bayesian Posterior Distribution

本文提出了一种基于广义贝叶斯框架的自适应临床试验设计新方法，通过偏似然（partial likelihood）构建损失函数，无需明确定义基线风险函数（baseline hazard function）即可进行试验设计。该方法有效解决了传统设计中对数据生成过程（data-generating process）错误设定导致的统计功效（statistical power）下降和I类错误（Type I error）控制问题，在ORVAC疫苗临床试验（adaptive clinical trials）的重新设计中展现出优越的稳健性（robustness）和估计无偏性。

　　

引言

临床试验是医学研究的重要组成部分。与传统固定设计相比，自适应临床试验（adaptive clinical trials）具有显著优势：可在累积数据分析基础上提前终止无效试验、动态调整治疗方案分配概率，从而减少受试者数量、降低研究成本并提高伦理合理性。然而，自适应试验设计通常依赖于对数据生成过程的先验假设，若假设错误将导致统计功效降低或I类错误增加。本文针对婴儿胃肠炎疫苗临床试验（ORVAC试验）的时依结局（time-to-event outcomes），提出了一种基于广义贝叶斯后验分布的试验设计方法，无需明确定义数据生成过程即可实现稳健推断。

动机临床试验：ORVAC试验

ORVAC试验是一项双盲随机安慰剂对照的贝叶斯自适应试验，旨在评估第三剂轮状病毒疫苗对澳大利亚土著婴儿的保护效果。试验主要结局包括血清抗体阳转率和从随机化到因急性胃肠炎就诊的时间。本文聚焦后者，以风险比（hazard ratio）作为估计目标。原始设计采用威布尔分布（Weibull distribution）和指数分布（exponential distribution）假设基线风险函数，但实际疾病进程可能存在复杂变异，凸显了传统方法的局限性。

推断框架

研究采用广义贝叶斯推断框架，通过损失函数而非似然函数更新先验信息。对于时依结局，选择偏似然（Cox比例风险模型的核心组件）作为损失函数，其形式为l(β) = -Σ_i=1ⁿ [βx_i - log(Σ_j∈Ri exp(βx_j))]。该方法的优势在于：① 无需指定基线风险函数即可估计治疗效应β；② 后验分布具有频率学性质（渐近正态性和覆盖率）；③ 可通过拉普拉斯近似（Laplace approximation）实现高效计算。模拟研究显示，随着样本量增加，广义贝叶斯后验模（posterior mode）渐近无偏且方差收敛。

自适应临床试验设计方法

试验性能通过大规模模拟评估，流程包括：参与者入组、治疗分配、结局数据生成、期中分析决策规则评估。针对ORVAC试验设计了两类决策规则：

1. 1.
   有效性终止规则：当后验概率P(β < 0 | data) > 0.975时宣告治疗有效。期中分析时需对未观测结局进行积分，计算期望有效性指标。
2. 2.
   无效终止规则：当继续试验无法达到有效性标准的概率超过阈值时提前终止。该规则需同时考虑已入组未响应者和未入组者的不确定性。
   通过蒙特卡洛方法近似计算决策规则，其中未观测数据从截断后验预测分布生成。

广义贝叶斯后验分布的设计拓展

为实现"仅隐式定义数据生成过程"的设计理念，研究引入超模型（super model）概念：采用立方样条（cubic spline）灵活刻画基线风险函数h₀(t) = Σ_k=1^K γ_kB_k(t)，其中B_k(·)为样条基函数。超模型虽不参与最终推断，但能生成涵盖常数、单调、非单调等多种形态的风险函数，为模拟研究提供广泛的数据生成场景。

示例分析

通过样本量计算示例验证方法性能：在40个月试验周期内，比较两种设计策略（广义贝叶斯 vs. 参数模型）的统计功效和I类错误。结果显示：

• •
  当真实数据生成过程符合指数分布时，两种方法性能相当
• •
  当真实过程为超模型时，广义贝叶斯方法在样本量800时达到80%功效，而错误指定参数模型需1000例样本且功效降低
• •
  广义贝叶斯方法在所有场景下均能控制I类错误接近名义水平0.025

ORVAC试验重新设计

将广义贝叶斯方法应用于ORVAC试验重新设计，比较四种分析模型（指数/威布尔/广义贝叶斯/分段指数风险模型）在三种数据生成场景下的表现：

1. 1.
   治疗效应估计偏差：广义贝叶斯方法在所有场景下均保持最小偏差，威布尔模型在超模型场景下高估效应，指数和分段模型则系统性低估
2. 2.
   均方误差（MSE）：广义贝叶斯方法在超模型场景下MSE最低（0.0043-0.0045），参数模型误差随效应增大而加剧
3. 3.
   决策性能：广义贝叶斯方法在有效性终止比例（最高达0.754）、无效终止控制（比例0.052）和平均入组数（243.7例）间取得最佳平衡
4. 4.
   先验稳健性：即使扩展超模型先验范围，广义贝叶斯方法仍保持稳定性能

讨论与展望

本研究首次将广义贝叶斯框架应用于临床试验设计，主要贡献包括：

1. 1.
   方法学创新：通过偏似然损失函数解耦基线风险设定与治疗效应推断，提升设计稳健性
2. 2.
   实践价值：为ORVAC类复杂疾病进程的试验设计提供解决方案
3. 3.
   可扩展性：框架可拓展至多臂试验、响应自适应随机化等复杂场景
   局限性与未来方向包括：① 需保持比例风险假设，未来可探索时变效应模型；② 超模型设定需临床专家参与以确保生物学合理性；③ 可结合最大化最小（maximin）准则优化最差场景性能。
   该方法为时依结局的稳健试验设计开辟了新途径，特别适用于疾病自然史不确定的新型疗法评估。