基于贝叶斯动态功效先验的生存分析对照组增强方法及其在肿瘤学中的应用

为解决真实世界数据(RWD)与随机对照试验(RCT)间异质性导致的偏倚问题，研究人员创新性地将倾向评分(PS)协变量调整与贝叶斯动态借用量方法结合，开发了适用于生存分析(HR为估计目标)的实证贝叶斯-贝叶斯 bootstrap算法。该研究通过模拟和CheckMate-057非小细胞肺癌(NSCLC)案例验证，实现了高效计算log-HR总方差，为肿瘤学及其他疾病领域提供通用解决方案。

　　

在肿瘤临床试验设计中，如何巧妙利用真实世界数据(RWD)构建外部对照组或扩展现有对照组，一直是提升试验效率的关键挑战。这项研究带来了革命性的解决方案——通过贝叶斯动态功效先验(Bayesian dynamic power prior)技术，根据外部对照组与内部对照组之间的相似性动态调整数据借用量。

研究团队将原本适用于二分类和连续变量的方法，创新性扩展到生存分析领域，以风险比(HR)为核心估计目标。其核心技术亮点在于：采用基于log-HR的实证贝叶斯方法(Empirical Bayes)精确计算借用量，结合贝叶斯bootstrap、协变量调整(Covariate adjustment)和多重插补(Multiple imputation)技术，全面考量所有不确定性来源。

在具体应用中，研究以CheckMate-057晚期非鳞状非小细胞肺癌(nsNSCLC)研究为范例，巧妙整合Flatiron真实世界数据库。针对常见的协变量缺失问题，开发了高效算法快速计算log-HR估计值的总方差。这种方法不仅适用于肿瘤学领域的总生存期(OS)、无进展生存期(PFS)等终点指标，还可推广至其他疾病研究领域，为临床试验设计提供了强有力的方法论支持。