《Contemporary Clinical Trials》:Sample size estimation for a flexible phase II oncology trial design using two dependent endpoints with nested response metrics
编辑推荐:
专业术语翻译摘要
II期肿瘤试验(Phase II oncology trials)通常采用单一主要疗效终点(primary efficacy endpoint)进行设计,即使在可获得多个临床相关响应指标(response metrics)时亦是如此。当两个终
专业术语翻译摘要
II期肿瘤试验(Phase II oncology trials)通常采用单一主要疗效终点(primary efficacy endpoint)进行设计,即使在可获得多个临床相关响应指标(response metrics)时亦是如此。当两个终点基于嵌套响应指标(nested response metrics)时,例如客观缓解率(objective response rate, ORR)与疾病控制率(disease control rate, DCR),或两个有序时间点的无进展生存期(progression-free survival, PFS),在更严格终点上的成功自动意味着在更宽泛终点上的成功。这种结构引入了已知的依赖关系,可将其纳入样本量估计和决策规则构建中。研究人员开发了一个灵活的II期设计框架,用于具有嵌套响应指标的两个主要终点。该框架包括基于并集的设计(union-based designs),用于在至少一个终点上宣告活性;基于交集的设计(intersection-based designs),用于要求在两个终点上均具有活性;以及多重性校正设计(multiplicity-adjusted designs),用于在强家族错误率(familywise error rate, FWER)控制下进行终点特异性推断。对于多重性校正设置,研究人员提出了Hochberg型和Holm型设计,并基于嵌套依赖结构提供了样本量优化算法。一项针对信迪利单抗(sintilimab)治疗复发或进展性脑膜瘤的II期试验应用,使用12个月和6个月无进展生存期(PFS-12和PFS-6)说明了该方法。与Bonferroni设计相比,Holm型和Hochberg型设计可在保持预设错误率和检验效能(power)要求的同时减少所需样本量。
论文解读文章
一、研究背景与问题提出
大多数II期肿瘤试验围绕单一主要疗效终点进行设计。然而,当多个临床相关的治疗活性维度需要同时评估时,采用双终点或多主要终点设计的情况日益增多。涉及多个终点时,必须在设计阶段正确考虑终点间的依赖结构,以准确计算I类错误率和统计检验效能。一般而言,这种依赖结构可能难以精确建模,且不同初步研究中对依赖性的经验估计可能存在较大差异。
然而,某些疗效终点对具有嵌套响应指标,即一个终点是另一个终点的子集。在此设定下,在更严格终点上的成功自动意味着在更宽泛终点上的成功。例如,在实体瘤疗效评价标准(RECIST)框架下,完全缓解(CR)和部分缓解(PR)构成客观缓解率(ORR),而疾病控制率(DCR)在此基础上进一步纳入疾病稳定(SD)患者。因此,ORR成功必然意味着DCR成功。类似地,PFS-6和PFS-12之间也存在这种嵌套关系:在较晚时间点确认无进展的患者必然在较早时间点无进展。
这种嵌套结构使得两个终点之间的依赖关系可以被显式建模,从而为双终点II期设计提供了特别有利的条件。更重要的是,由于这种依赖结构的存在,与具有相同设计参数和错误率要求的单终点试验相比,基于嵌套响应指标的双主要终点设计可能仅需增加少量患者。当实践者难以决定在仅允许一个主要终点时应排除哪个指标或终点时,该框架尤为有用。
二、研究内容与主要结论
研究人员提出了一个灵活的框架,涵盖三种设计以应对三种决策场景:并集设计(union-based design)用于通过至少一个终点上的治疗效应确立临床获益;交集设计(intersection-based design)用于通过在两个终点上均具有治疗效应确立临床获益;多重性校正设计(multiplicity-adjusted design)用于当每个终点的结果均受关注时进行终点特异性推断。该框架利用嵌套响应指标间显式的依赖结构,在计算I类错误率和统计检验效能时将其纳入模型,从而比一般多重检验程序获得更小的样本量和更高的统计检验效能。
在应用层面,研究人员将该方法应用于信迪利单抗治疗复发或进展性脑膜瘤的II期试验,使用PFS-12和PFS-6作为两个嵌套终点。与Bonferroni设计相比,Holm型和Hochberg型设计可在维持预设错误率和检验效能要求的同时减少所需样本量。
三、主要关键技术方法
研究人员首先回顾了单样本比例检验的样本量估计方法,为后续算法提供初始值和上下界。对于并集和交集设计,利用三项分布(trinomial distribution)对两个嵌套终点进行联合建模,通过正态近似获得连续优化问题的解以确定搜索区间,再通过离散搜索找到满足I类错误率和检验效能约束的最小样本量及相应临界值。对于多重性校正设计,研究人员提出了基于Hochberg程序和Holm程序的设计,并基于嵌套依赖结构开发了样本量优化算法。此外,还提出了在并集设计中对临界值施加比例约束的改进公式,以避免极端临界值。
四、研究结果
2.1 并集设计:通过至少一个终点确立临床获益
在该设计中,原假设为p≤p?且θ≤θ?,备择假设为p>p?或θ>θ?。研究人员以p?=0.3、p?=0.6、θ?=0.4、θ?=0.7、α=0.05、β=0.10为例进行说明。正态近似求解连续优化问题得到最优解n?optui=16.49,临界值cu=0.517、cx=0.628。两个单独二项检验所需样本量均为25,因此离散优化问题的解满足17≤noptui≤25。最终搜索得到最小样本量为noptui=22,临界值r=10、t=13,精确α和β分别为4.76%和8.88%。
2.2 交集设计:在两个终点上均确立临床获益
该设计的原假设为p≤p?或θ≤θ?,备择假设为p>p?且θ>θ?。使用相同设计参数,求解连续优化问题得到n?optiu=18.86,临界值cu=0.426、cx=0.524。在19≤noptiu≤25范围内搜索,得到最小样本量为noptiu=23。两组临界值均可实现该最优样本量:r=10、t=11时精确α=4.94%、β=8.40%;r=10、t=12时精确α=3.64%、β=9.96%。
2.3 多重性校正设计:进行终点特异性推断
当两个嵌套响应指标终点均作为主要终点纳入时,通常需要强家族错误率控制。研究人员提出了Hochberg型和Holm型设计,利用嵌套依赖结构进行样本量优化。与Bonferroni设计相比,这两种设计可在维持预设错误率和检验效能要求的同时减少所需样本量。
五、讨论与结论
该框架为具有嵌套响应指标的双主要终点II期试验设计提供了系统性的样本量估计方法。通过显式建模两个终点间的依赖结构,并集设计和交集设计所需的样本量仅略高于单终点试验。对于需要终点特异性推断的场景,基于Hochberg和Holm程序的多重性校正设计比Bonferroni设计更为高效。该框架尤其适用于实践者难以在仅允许一个主要终点时决定应排除哪个指标的情况。未来研究方向包括将该框架扩展到更多嵌套终点、考虑中间分析或适应性设计等扩展场景。