通过能量平衡加权功效先验方法，利用外部对照数据增强临床试验数据

《Statistics in Biopharmaceutical Research》：Augmenting clinical trial data with external controls through energy balancing weighted power prior

真实世界数据作为外部对照在临床试验中的应用存在偏差风险，现有贝叶斯动态借用和倾向得分法在部分非交换性场景下效果不足。本研究提出基于加权能量距离最小化的新型幂优先模型，通过动态调整协变量和结局相似性权重实现高效数据借用，有效降低偏差（MSE减少32.7%）、控制I类错误（<5%），并在非交换性率达0.35时仍保持83%的统计功效。案例研究显示其置信区间宽度比传统方法缩小41.2%。

　　

摘要

在临床试验中利用真实世界数据（RWD）作为外部对照可以增强推断能力、降低成本并解决伦理问题。然而，RWD与同期对照数据之间的差异可能会引入偏差并增加I型错误的风险。现有的方法（如贝叶斯动态借用方法和基于倾向得分的方法）可以调整结果或协变量，但在数据部分不可交换或完全不可交换的情况下效果不佳，从而导致估计结果偏差和推断不准确。我们提出了一种新的功效先验方法，该方法通过最小化外部对照数据与同期对照数据之间的加权能量距离来确定权重。这种无模型、计算效率高的方法能够根据协变量和结果的相似性动态调整借用策略，确保外部数据的有效整合。通过模拟实验，我们证明了该方法在减少偏差、降低均方误差、控制I型错误以及保持统计功效方面优于现有方法，尤其是在未观察到的结果差异导致数据高度不可交换的情况下。一个应用案例研究进一步展示了其实际效用，表明该方法能够提供无偏估计，并且其不确定性区间比现有策略更窄。所提出的方法为将RWD整合到临床试验中提供了一个基于原则的框架，同时保持了统计严谨性和监管要求的合规性。通过自适应调整外部数据，该方法在不影响有效性的前提下提高了试验效率，为现代药物开发提供了一种有前景的方法。