《Statistics in Medicine》:A Multi-Task Learning Approach for Identifying Prognostic Variables Across Multiple Historical Clinical Trials
编辑推荐:
在临床试验中,纳入预后变量对于提高治疗效应估计的精度至关重要。根据FDA指南,这些预后变量需在统计分析计划(Statistical Analysis Plan, SAP)中预先设定。因此,有效识别与新高研究相似的历史研究中预后变量具有重大需求。本研究提出了一种
在临床试验中,纳入预后变量对于提高治疗效应估计的精度至关重要。根据FDA指南,这些预后变量需在统计分析计划(Statistical Analysis Plan, SAP)中预先设定。因此,有效识别与新高研究相似的历史研究中预后变量具有重大需求。本研究提出了一种多任务学习方法,用于从多个相关历史临床试验中识别预后变量。具体而言,研究人员开发了一种双水平约束变量选择(Bi-level Constraint Variable Selection, Bi-CVS)方法,以同时识别研究特异性(研究内)和项目水平(研究间)的预后变量。此外,研究人员为Bi-CVS开发了一种适用于临床试验场景的高效算法,并研究了其一致性性质。通过涵盖连续、二元及时间-事件等多种终点的模拟研究评估了所提方法的性能,并展示了一项实际临床试验应用以说明该方法的实用性。
**研究背景与问题**
在临床试验设计中,预后变量(prognostic variables)是指与主要终点相关的基线协变量,通常包括人口学特征、疾病特征或其他临床信息。美国FDA指南明确指出,在随机临床试验的统计分析中,调整预后基线协变量对提高治疗效应估计精度至关重要,且这些变量及其调整分析方式必须在统计分析计划(Statistical Analysis Plan, SAP)中预先设定。然而,在设计阶段尚无研究数据可用,临床团队通常依赖医学知识和既往经验来确定分层因素。为给临床团队的决策提供定量依据,研究人员提出利用与新高研究相似的历史研究数据来识别预后变量。
从多个历史研究中有效识别预后变量面临若干挑战:首先,不同研究的设计或患者人群不同,导致基线协变量的采集方式和分类水平存在差异;其次,同一协变量对不同研究主要终点的影响可能不同,某一变量在部分研究中具有预后价值而在其他研究中则不然;第三,各历史研究与新高研究的相似程度不同,其对预后变量确定的贡献也应有所区别。此外,传统的多任务特征选择方法(如多水平Lasso/meta-Lasso)往往假设所有研究采集相同的协变量集合,且需要通过遍历整个正则化路径来确定变量数量,而临床团队通常仅考虑有限数量(如2–4个)的预后变量。因此,有必要发展一种能够适应异质性研究、并可直接指定所需预后变量数量的方法。
**研究内容与主要方法**
针对上述问题,研究人员提出了双水平约束变量选择(Bi-level Constraint Variable Selection, Bi-CVS)方法,在多任务学习(Multi-Task Learning, MTL)框架下实现跨多个历史临床试验的预后变量识别。该方法通过水平一(cross-study level)的?
0范数约束直接控制跨研究预后变量的总数;在水平二(within-study level),对负对数似然施加组Lasso惩罚,允许各研究独立选择变量,从而适应预后变量影响在研究间的差异。Bi-CVS还通过研究特异性权重处理各历史研究与新高研究的相似度差异。研究人员开发了一种高效的向后选择算法实现模型拟合,并在固定维数框架下证明了该算法的路径一致性。模拟研究覆盖连续、二元和生存三类终点,并设置了同质(S1)与异质(S2)两种协变量结构场景;实际应用采用Bristol Myers Squibb(BMS)公司四项luspatercept治疗骨髓增生异常综合征(MDS)的历史临床试验数据。
**主要研究结果**
- **同质场景(S1)模拟结果**:在连续和生存终点下,Bi-CVS在所有维度组合(p=20, 50, 120)均达到完美的水平一精确恢复率,F1分数约为0.94–0.96,且假阳性率(FPR)和假阴性率(FNR)极低。在二元终点下,Bi-CVS的水平一精确恢复率维持在0.96–0.98,召回率不低于0.99,F1分数高于0.91。相比之下,SepLasso在各类终点中均产生更多假阳性选择,F1分数明显较低;MTLLasso和MetaLasso在部分设定下表现竞争性,但Bi-CVS在终点类型和维度上表现出更稳定的一致性。
- **异质场景(S2)模拟结果**:当各研究采集的变量集合和因子水平存在差异时,Bi-CVS的优势更为突出。在连续和生存终点下,Bi-CVS对所有p值均实现完美水平一恢复,F1分数约为0.95;在二元终点下也持续优于SepLasso。当p=120时,SepLasso的FNR在所有三种终点中均超过0.85,而Bi-CVS仍保持F1分数0.95(连续)、0.88(二元)和0.96(生存)。结果表明,Bi-CVS在异质研究结构下依然有效,其计算时间随候选变量数增加而增加,但选择精度和稳定性显著高于基准方法。
- **实际临床试验应用**:研究人员将Bi-CVS应用于四项luspatercept治疗MDS的历史研究(MDS-001、MDS-002为全球双臂研究,MDS-003、MDS-004为亚洲单臂研究),终点为二元应答指标。这些研究在设计、地区和基线协变量采集上存在差异(如RACE仅在全球化研究中采集,RBC在非输血依赖研究中缺失)。Bi-CVS在设定选择3个预后变量的条件下,识别出RBC、EPO和IPSSR三个变量,与临床团队在项目中推荐的因素一致。在双臂研究MDS-001和MDS-002中,治疗与这三个变量的交互作用均不显著(所有p值>0.05),交互作用图显示各亚组间近似平行,表明这些变量主要起预后作用而非治疗交互作用,支持将其用于分层随机化以提高估计精度。
**讨论与结论**
本工作源于新临床试验设计中的实际问题,即监管指南建议在SAP中预先指定关键预后变量。研究人员与Bristol Myers Squibb合作,提出了Bi-CVS方法,能够在多个异质历史研究中识别预设数量的预后变量。该方法允许研究间协变量集合部分重叠,允许分类变量水平不同,并通过研究权重和内部惩罚适应预后效应的异质性。向后选择算法直接返回用户指定数量的变量,便于解释和应用。模拟与实际数据均验证了方法的有效性。
未来研究方向包括:扩展至大量历史研究的场景,开发基于相似度的研究选择或加权策略;针对更高维度提出更可扩展的算法及相应理论;以及将框架推广至纵向数据或其他领域应用。研究结论为:Bi-CVS提供了一种在多任务学习框架下跨异质历史临床试验识别预后变量的新方法,能够显式控制所选变量数量,适应研究间差异,并在模拟和真实数据中表现出良好的选择性能,可有效支持临床试验设计阶段预后变量的预先设定。