基于局部幂先验的贝叶斯篮子试验设计：动态信息借用的创新框架

为解决肿瘤异质性背景下篮子试验(basket trial)信息借用难题，研究人员开发了新型三组分局部幂先验(local-PP)框架。该研究通过全局借用控制、成对相似性评估和借用阈值三重机制，实现精准可控的信息整合，相比传统MCMC方法显著提升计算效率，为早期肿瘤学研发提供高效统计工具。

　　

近年来，篮子试验(basket trial)这种能在单一试验方案中评估实验性疗法对多种肿瘤类型效果的新兴设计，在肿瘤早期研发中崭露头角。与传统分肿瘤类型评估的试验相比，这种创新设计通过跨肿瘤类型的信息借用(information borrowing)显著提升统计效能(statistical power)，尤其适合样本量受限的研究场景。

然而，如何在保持I型错误(type I error)可控的前提下优化信息借用程度，始终是设计篮子试验的核心挑战。这项研究提出的局部幂先验(local-PP)框架带来突破性解决方案：其独创的三组件结构包含全局借用控制(global borrowing control)、成对相似性评估(pairwise similarity assessments)和动态借用阈值(borrowing threshold)，形成可解释性强且灵活度高的信息整合机制。

与依赖马尔可夫链蒙特卡罗(Markov chain Monte Carlo, MCMC)采样的传统贝叶斯方法不同，该框架提供闭式解(closed-form solution)，在大规模模拟运算特征评估中实现计算效率的飞跃。研究数据证实，这种兼具精确性与高效性的方法，为处理高度异质性的肿瘤类型数据开辟了新途径。