包含期中分析的隨機籃子試驗 (RaBIt) 及其在心理健康中的應用

核心概念

RaBIt 是一種新的兩階段隨機籃子試驗設計，允許籃子具有不相等的樣本量和效應量，通過使籃子大小與每個籃子的預期入組率相匹配，與現有方法相比，可以在幾乎不損失功效的情況下縮短試驗持續時間。

摘要

書目資訊

Patel, S. S., Chen, D. Z., & Ma, C. (2024). Randomized Basket Trial with an Interim Analysis (RaBIt) and Applications in Mental Health. arXiv preprint arXiv:2411.13692.

研究目標

本研究旨在提出一種新的兩階段隨機籃子試驗設計，稱為 RaBIt，該設計允許籃子具有不相等的樣本量和效應量，並探討其在心理健康研究中的應用。

方法

RaBIt 設計基於 Chen 等人提出的“D2”方法，並進行了以下擴展：允許每個籃子具有不同的樣本量和預期效應量，並使用加權 Stouffer Z 分數法計算最終的合併檢驗統計量。研究人員通過模擬比較了 RaBIt 與“D2”方法在不同場景下的功效和試驗持續時間。

主要發現

• 當籃子大小與預期入組率成比例時，RaBIt 設計可以顯著縮短試驗持續時間，而功效幾乎沒有損失。
• 當籃子之間的效應量差異較大時，RaBIt 設計的功效可能會降低。

主要結論

RaBIt 設計為評估單一療法對多種疾病的療效提供了一種有效且靈活的方法，特別適用於預期入組率和效應量不同的情況。

意義

RaBIt 設計可以幫助研究人員更有效地設計和實施籃子試驗，從而加速新療法的開發和應用。

局限性和未來研究方向

• 本研究僅探討了“D2”樣本量重新分配策略，未對其他方法進行推廣。
• 未來研究可以探討 RaBIt 設計在不同終點和隨機化比例下的表現。

統計資料

在一個具有 150 名參與者、期中時間為 0.5、控制 I 類錯誤率為 0.025、期中 I 類錯誤率為 0.3 的三籃子試驗中，當分配比例與入組率成比例時（例如，籃子 1、2 和 3 分別為 40%、40% 和 20%），試驗持續時間最短（43.58 個月）。
相比之下，平均分配需要更長的試驗持續時間（61.12 個月）。
這兩種設計的功效差異約為 0.0025。
這意味著在幾乎可以忽略不計的功效損失下，按預期入組率分配參與者可以使試驗持續時間縮短 17.54 個月。

引述

從以下內容提煉的關鍵洞見

Randomized Basket Trial with an Interim Analysis (RaBIt) and Applications in Mental Health

by Sahil S. Pat... 於 arxiv.org 11-22-2024

https://arxiv.org/pdf/2411.13692.pdf

深入探究

除了入組率和效應量之外，還有哪些因素會影響 RaBIt 設計的效率？

除了入組率和效應量，還有其他幾個因素會影響 RaBIt 設計的效率：

期中分析的時間點（t）: 期中分析的時間點會影響試驗的整體持續時間和所需樣本數。較早的期中分析可以更快地淘汰無效的籃子，但可能會導致較高的錯誤淘汰率，並降低試驗的整體效能。反之，較晚的期中分析可以提高正確淘汰無效籃子的機率，但可能會延長試驗的整體持續時間。
期中分析的顯著性水平（αt）: 較寬鬆的期中分析顯著性水平（較大的 αt）會增加錯誤淘汰有效籃子的風險，但可以減少試驗的整體樣本數。而較嚴格的期中分析顯著性水平（較小的 αt）可以降低錯誤淘汰的風險，但可能會增加試驗的整體樣本數。
籃子之間的異質性: 如果籃子之間的疾病或生物標記存在顯著差異，則可能會降低 RaBIt 設計的效率。這是因為在異質性較高的情況下，難以確定哪些籃子是真正有效的，並且在期中分析時更容易出現錯誤淘汰。
資料變異性: 較大的資料變異性會降低試驗的效能，因為更難以檢測到治療效果。這可能會導致需要更大的樣本數或更長的試驗持續時間才能達到所需的效能。
試驗操作因素: 試驗操作因素，例如招募中心的數量和分佈、病患的依從性以及資料收集的品質，也會影響 RaBIt 設計的效率。
在設計 RaBIt 試驗時，仔細考慮所有這些因素至關重要，以優化試驗的效率和成功機率。

在某些情況下，是否應該優先考慮最大化功效而不是縮短試驗持續時間？

是的，在某些情況下，最大化功效可能比縮短試驗持續時間更為重要。
以下是一些需要優先考慮最大化功效的情況：

疾病的嚴重程度: 如果試驗所針對的疾病非常嚴重或危及生命，那麼證明治療效果的最大化功效就顯得至關重要，即使會延長試驗持續時間。
缺乏有效的治療方法: 如果目前沒有有效的治療方法，或者現有治療方法的療效有限，那麼最大化功效就變得更加重要，因為新的治療方法有可能為患者帶來顯著的益處。
試驗結果的影響: 如果試驗結果可能會對臨床實踐產生重大影響，例如導致新的治療指南或藥物批准，那麼最大化功效至關重要，以確保試驗結果的可靠性和可信度。
然而，在某些情況下，縮短試驗持續時間可能比最大化功效更為重要。例如：

快速變化的治療環境: 如果新的治療方法不斷湧現，那麼快速完成試驗以評估新治療方法的療效就變得至關重要。
有限的資源: 如果試驗資源有限，例如資金或患者招募，那麼縮短試驗持續時間可以最大限度地利用這些資源。
總之，在決定優先考慮最大化功效還是縮短試驗持續時間時，需要權衡多種因素，包括疾病的嚴重程度、現有治療方法的療效、試驗結果的潛在影響以及可用的資源。

如何將 RaBIt 設計擴展到更複雜的場景，例如具有多個治療組或動態入組的試驗？

RaBIt 設計可以擴展到更複雜的場景，例如：
1. 具有多個治療組的試驗:

多臂期中分析: 可以使用多臂期中分析方法，例如 Dunnett 檢驗或 Haybittle-Peto 檢驗，在期中時比較多個治療組與對照組的療效，並淘汰無效的治療組。
分層設計: 可以根據預期的治療效果或其他重要因素對籃子進行分層，並在每個層級內進行 RaBIt 設計。
貝氏分層模型: 可以使用貝氏分層模型來分析多個治療組的資料，並允許在籃子之間共享資訊，以提高估計的精確度。
2. 具有動態入組的試驗:

滾動式招募: 可以使用滾動式招募方法，在試驗過程中持續招募患者，並根據最新的資料定期更新籃子的入組比例。
適應性設計: 可以使用適應性設計方法，根據期中分析的結果調整試驗設計，例如改變籃子的入組比例、增加新的治療組或調整樣本數。
其他擴展:

考慮多個終點指標: 可以使用多變量分析方法來分析多個終點指標，並評估治療效果在不同終點指標上的表現。
納入生物標記的預測模型: 可以開發生物標記的預測模型，以識別最有可能從治療中受益的患者，並優化籃子的入組標準。
需要注意的是，將 RaBIt 設計擴展到更複雜的場景可能會增加試驗設計和分析的複雜性。因此，在實施這些擴展之前，仔細評估其可行性和對試驗效率的影響至關重要。