基于联合模型的肿瘤学I期剂量探索设计:生物标志物整合与频率学派方法考量

《Statistics in Medicine》:Using Joint Models in Phase I Dose-Finding Designs in Oncology: Considerations for Frequentist Approaches

【字体: 大 中 小 】 时间:2026年10月14日 来源:Statistics in Medicine 2.1

编辑推荐:

  摘要 肿瘤学研究的剂量探索试验传统上旨在药物开发的早期阶段评估安全性。随着分子靶向疗法和免疫肿瘤药物的兴起,生物标志物驱动的方法日益重要。本文提出了一种新颖的剂量探索方法,该方法整合了可预测后续临床毒性发展的生物标志物。所提出的联合模型框架整合了重复测量的生物

  
摘要 肿瘤学研究的剂量探索试验传统上旨在药物开发的早期阶段评估安全性。随着分子靶向疗法和免疫肿瘤药物的兴起,生物标志物驱动的方法日益重要。本文提出了一种新颖的剂量探索方法,该方法整合了可预测后续临床毒性发展的生物标志物。所提出的联合模型框架整合了重复测量的生物标志物数据,并与仅使用二元毒性数据的基于似然的连续再评估法(CRM)在各种剂量-毒性关系情景下进行了比较。研究结果揭示了基于似然的方法在小样本量的早期剂量探索研究中的一个关键局限性:在I期剂量递增设置中先前被忽视的估计挑战。研究人员探索了应对这些挑战的潜在补救措施,并强调了基于似然方法的适当使用。模拟结果表明,所提出的联合模型框架通过整合生物标志物信息,可以缓解基于似然的CRM中的估计问题,并提高正确选择的比例。然而,研究强调,早期剂量探索研究中固有的数据局限性仍然是一个重大挑战,在频率学派框架内无法完全克服。

联合模型在肿瘤学I期剂量探索设计中的应用:整合生物标志物以应对频率学派估计挑战

一、研究背景与问题

剂量探索研究,特别是I期临床试验,主要目的是在评估疗效及后续与标准治疗方案比较之前,先评估药物的毒性。这类试验传统上针对细胞毒性药物设计,基于肿瘤大小和组织学特征。分子靶向疗法和免疫肿瘤药物的出现彻底改变了肿瘤药物开发模式。美国食品药品监督管理局(FDA)等监管机构倡导创新方法,如主方案、适应性设计和生物标志物驱动的患者选择与终点确定。
生物标志物被定义为可客观测量的生物学或药理学过程指标,在剂量选择范式演变中发挥着核心作用。液体活检等现代技术提供了一种微创方法,可在治疗过程中实时捕获肿瘤的综合基因组图谱。在FDA-NIH BEST框架下,安全性生物标志物在治疗期间测量,以指示毒性作为不良事件发生的可能性或程度。突出的例子包括绝对中性粒细胞计数(ANC),在整个治疗周期中以连续尺度常规测量,已被证明是后续中性粒细胞减少事件的有效预测因子——这是肿瘤学试验中最常见的剂量限制性毒性(DLT)之一。血小板计数在某些肿瘤类型中也已成为评估疾病复发和预测治疗相关毒性或不良事件的候选生物标志物。
传统剂量探索研究主要旨在基于DLT确定最大耐受剂量(MTD)。然而,对于许多新型肿瘤药物,DLT可能不频繁或不存在,这促使向生物标志物驱动的剂量递增策略转变。将预测性生物标志物纳入剂量探索设计需要联合建模在不同尺度上测量的混合结局。现有方法如Chen等人将循环肿瘤DNA(ctDNA)作为疗效预测性生物标志物,通过基于阈值对连续生物标志物进行二分化来整合,但这种方法可能导致信息损失,可能降低统计效率和生物标志物的预测能力。
在基于模型的剂量探索设计中,连续再评估法(CRM)是最广泛认可的基于模型的I期试验设计之一。CRM最初在贝叶斯框架内开发,后来被改编为频率学派变体——CRM似然法(CRML)。CRML方法具有无需先验设定的显著优势。在适当的正则条件和足够的剂量多样性下,CRM中的最大似然估计(MLE)是一致的且渐近正态的,这为其在序贯剂量探索试验中的使用提供了理论依据。然而,尽管最大似然估计在剂量探索设计中具有潜在优势,实际实施揭示了文献中关注有限的数值挑战。
本研究围绕两个相互关联的主题展开:(i)整合生物标志物信息以增强剂量探索决策;(ii)研究剂量探索设计中最大似然估计的数值问题。

二、研究内容与主要方法

研究人员提出了一种因子分解框架,该框架整合了在不同时间点采集的重复生物标志物测量值和二元毒性结局,用于I期剂量探索研究。研究比较了所提出的联合方法的两种变体:Joint2d方法(利用单一生物标志物测量值)和Joint9d方法(整合跨多个时间点采集的多种生物标志物)。这些方法与传统的Probit方法进行比较,后者仅基于二元毒性结局。
研究采用的关键技术方法包括:两阶段设计(初始探索性递增阶段和随后的建模阶段)、基于似然的连续再评估方法框架、二元与连续结局的联合因子分解建模框架(将联合分布分解为连续结局的边缘模型和二元结局的条件模型)、Probit回归模型、一阶自回归(AR(1))过程建模生物标志物时间相关性,以及最大似然估计(使用R中的bbmle包和nlminb优化算法)。模拟研究采用完整信息生成方法,基于多元正态分布生成患者档案,并通过分位数变换推导完整结局。

三、主要研究结果

3.1 建模挑战:锚定问题

研究通过假设试验示例说明了锚定问题:当初始阶段满足异质性要求但数据呈现准分离配置时,两参数Probit模型可能反复选择低剂量,产生阶跃函数形式的估计毒性概率,导致高剂量从未被探索。这种现象被称为剂量探索研究中的锚定问题,剂量递增因估计概率的阶跃函数而停滞。研究证明,Joint9d方法通过整合高维生物标志物值,可以有效缓解这一估计问题,促进剂量递增和对更高剂量水平的探索,而Joint2d方法在相同条件下仍表现出与Probit方法相似的锚定问题。

3.2 建模挑战:相等估计概率问题

研究还识别了另一类估计挑战:当剂量-毒性曲线呈现平坦而非单调时,所有方法的估计毒性概率在各剂量水平上保持相似。这发生在经验毒性概率在各剂量间相似或数据无意中暗示剂量-毒性递减趋势的情况下。研究显示,即使添加无关生物标志物变量(ρ=0),联合方法也无法在观察到的毒性结局频率相似时区分不同剂量。

3.3 补救措施评估

研究探讨了三种补救措施:增加初始阶段复杂度(Initial2、Initial3、Initial4,要求更多DLT和非DLT观察)、采用单参数模型、以及剂量标签校准。研究发现,更复杂的初始阶段(如Initial3)可以提供更多数据点,有助于避免分离问题;单参数模型的选择受参考剂量的影响,需要足够大的截距值以防止剂量水平的二分化;剂量标签的系统校准可能进一步改善操作特征。

3.4 模拟研究结果

模拟研究在五种剂量-毒性关系情景(S1-S5)下评估了Joint9d、Joint2d和Probit方法的性能,考察了生物标志物与毒性结局之间不同相关强度(ρ=0、0.3、0.6)的影响。结果显示,Joint9d方法通过整合生物标志物信息,可以缓解基于似然的CRM中的估计问题并提高正确选择的比例(PCS)。然而,早期剂量探索研究中固有的数据局限性仍然是频率学派框架内无法完全克服的重大挑战。

四、讨论与结论

研究强调,在频率学派框架内,早期剂量探索研究的数据局限性是根本性挑战。虽然联合建模方法通过整合生物标志物信息可以部分缓解估计问题,但不能完全解决小样本量带来的固有限制。研究指出,分离问题应从一开始就避免,以确保不同方法之间的公平比较并产生临床上有意义的结果。对于具有明确表征的、生物标志物相关毒性机制的药物,所提出的方法预期提供最大价值。研究结论认为,整合重复测量的生物标志物信息可以改善剂量探索决策的精度和适应性,但频率学派方法的内在局限性需要研究者谨慎对待,并在适当情况下考虑其他框架或更复杂的初始设计策略。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号