COCA：一种整合剂量优化与组分贡献评估的贝叶斯随机化组合疗法设计

为解决癌症联合疗法开发中样本量大、组分贡献验证与剂量优化难以兼顾的难题，研究人员提出两阶段随机化II期设计COCA。该方案通过贝叶斯逻辑回归模型（Bayesian logistic regression）结合钉板先验（spike-and-slab prior），动态整合两阶段数据，在确定最优组合剂量（stage 1）的同时评估各组分贡献（stage 2）。仿真研究表明，该设计可节省样本量并实现双重目标，为早期临床试验提供高效解决方案。

　　

在癌症治疗领域，联合疗法（combination therapies）的开发面临双重挑战：既要验证每种药物组分的贡献（component contribution），又需在早期临床试验阶段优化组合剂量（dose optimization）。传统方法需要大样本量，极大增加了研发难度。

为此，研究者创新性提出COCA设计——一种两阶段随机化II期方案。第一阶段通过风险-收益权衡分析（risk–benefit tradeoff），从候选组合剂量中筛选最优方案；第二阶段启动多臂随机化试验（multi-arm randomized phase），精准量化各药物组分的治疗贡献。为提高效率，采用贝叶斯逻辑回归模型（Bayesian logistic regression）结合钉板先验（spike-and-slab prior），动态融合两阶段疗效数据。通过新型校准程序（calibration procedure）确定样本量与决策阈值，确保试验具有理想的运行特征（operating characteristics）。

仿真实验证实，该设计不仅能同步完成剂量优化与贡献评估，相较传统方案更可显著节约样本量。这一突破为加速联合疗法的临床转化提供了方法论支持。