Hybrid Non-informative and Informative Prior Model-assisted Designs for Mid-trial Dose Insertion

Titel: Hybride nicht-informative und informative Priors für modellgestützte Designs zur Dosisinsertion in der Studienmitte

1. Problemstellung

In onkologischen Phase-I-Studien werden zunehmend modellgestützte Designs (wie das Bayesian Optimal Interval Design, BOIN) eingesetzt, um die maximale tolerierte Dosis (MTD) oder die optimale biologische Dosis (OBD) effizient zu bestimmen. Ein häufiges praktisches Problem ist jedoch, dass die initialen Dosisstufen, die oft auf präklinischen Daten basieren, unzureichend sein können.

• Szenario: Es kann notwendig werden, während einer laufenden Studie eine neue Dosisstufe zwischen zwei bereits getesteten Stufen einzufügen (z. B. wenn eine höhere Dosis toxisch ist, aber eine niedrigere Dosis keine Wirksamkeit zeigt, und eine Zwischenstufe evaluiert werden soll).
• Herausforderung: Bisherige Methoden zur Dosisinsertion (z. B. von Hu et al. oder Guo et al.) bieten oft keinen prinzipiellen Ansatz, um für die neu eingefügte Dosis informative Prior-Informationen aus den bereits gesammelten Daten der benachbarten Dosen zu nutzen. Eine rein nicht-informative Behandlung der neuen Dosis ignoriert wertvolle vorhandene Informationen, während eine vollständige Modellierung den operativen Aufwand und die Komplexität erhöht.

2. Methodik

Die Autoren schlagen ein hybrides Design vor, das nicht-informative und informative Ansätze kombiniert, um die Dosiszuweisung und die Auswahl der MTD/OBD bei einer Dosisinsertion zu verbessern.

A. Grundlegender Ansatz (Hybrides Design):

• Vor der Insertion: Das Trial beginnt mit einem nicht-informativen modellgestützten Design (BOIN oder BOIN-ET).
• Nach der Insertion: Für die neu eingefügte Dosis ($d^*$) wird ein informativer Prior verwendet, der Informationen von den benachbarten, bereits behandelten Dosen „leiht". Für die bereits existierenden Dosen bleibt das nicht-informative Design bestehen.

B. Konstruktion des informativen Priors:
Um den Prior für die neue Dosis zu definieren, müssen zwei Komponenten bestimmt werden: das Skelett (die Prior-Verteilung der Toxizitäts-/Wirksamkeitswahrscheinlichkeit) und die effektive Stichprobengröße (ESS).

1. Toxizitäts-Skelett: Wird durch Anpassung eines Bayesian Logistic Regression Models (BLRM) an die bis zum Zeitpunkt der Insertion verfügbaren Daten aller anderen Dosen geschätzt.
2. Wirksamkeits-Skelett: Da die Wirksamkeit nicht unbedingt monoton mit der Dosis steigt, wird ein Logistic Regression Model mit zweiten gebrochenen Polynomen verwendet, um komplexe Dosis-Wirkungs-Beziehungen abzubilden.
3. Effektive Stichprobengröße (ESS): Anstelle eines festen „Prior Effective Sample Size" (PESS) wird eine datenabhängige ESS berechnet. Diese basiert auf der Varianz der posteriori-Verteilung der Toxizität/Wirksamkeit der neuen Dosis. Um eine Überbewertung der Prior-Information zu vermeiden, wird die ESS durch einen Skalierungsfaktor $\gamma$ gedämpft und auf die maximale beobachtete Stichprobengröße der benachbarten Dosen begrenzt.

C. Adaptive Erweiterungen (zur Vermeidung von Fehlspezifikation):
Um Risiken zu mindern, falls das initial geschätzte Skelett nicht mit den späteren Daten übereinstimmt, werden zwei adaptive Methoden vorgeschlagen:

1. Online-Learning-Ansatz (Gewichtung): Ein „Hedge"-Algorithmus (exponentiell gewichteter Vorhersager) aktualisiert dynamisch die Gewichte zwischen dem ursprünglichen Skelett und einem neu berechneten Skelett basierend auf den nach der Insertion gesammelten Daten. Dies ermöglicht ein „Soft-Switching".
2. Bayesian-Mixture-Ansatz: Es wird eine Mischung aus drei Kandidaten-Skeletten verwendet: (i) das BLRM-basierte Skelett, (ii) das Skelett der nächsthöheren Dosis und (iii) das Skelett der nächstniedrigeren Dosis. Die Mischgewichte werden basierend auf der prädiktiven Likelihood der beobachteten Daten aktualisiert.

D. Sicherheitsmechanismus (Threshold $c$):
Um zu verhindern, dass das Modell zu stark von einem Skelett profitiert, das die Toxizität unterschätzt, wird ein Schwellenwert $c$ eingeführt. Wenn die beobachtete Toxizität der neuen Dosis signifikant höher ist als die vom Skelett vorhergesagte Toxizität ($\hat{p}_T - \hat{p}_{T,borrowing} > c$), wird die Informationsübernahme (Borrowing) für die Dosisanpassung gestoppt.

3. Hauptbeiträge

• Erster hybrider Ansatz: Dies ist die erste Arbeit, die ein nicht-informatives modellgestütztes Design (BOIN/BOIN-ET) nahtlos mit einer informativen Prior-Erweiterung für eine spezifische, während des Trials eingefügte Dosis kombiniert.
• Datengetriebene Skelett-Generierung: Entwicklung einer Methode zur automatischen Schätzung von Skelett und ESS basierend auf BLRM und gebrochenen Polynomen, ohne die Transparenz und Einfachheit von BOIN zu verlieren.
• Robustheit: Einführung von Online-Learning und Bayesian-Mixture-Methoden, um die Anfälligkeit gegenüber Fehlspezifikationen des initialen Skeletts zu reduzieren.
• Erweiterung auf OBD: Das Framework wird nicht nur auf die MTD, sondern auch auf die Auswahl der OBD (unter Berücksichtigung von Toxizität und Wirksamkeit) erweitert.

4. Ergebnisse (Simulationen)

Die Methoden wurden in Simulationsstudien mit festen Szenarien und zufälligen Szenarien evaluiert.

• Feste Szenarien:

  • Wenn die eingefügte Dosis eine Toxizität aufweist, die unter oder nahe dem Zieltoxizitätsniveau (TTL) liegt, erzielten die hybriden Methoden eine höhere Trefferquote für die korrekte MTD/OBD-Auswahl als das konventionelle BOIN/BOIN-ET.
  • Bei extrem toxischen eingefügten Dosen (Toxizität > TTL) zeigte das hybride Design mit einem strengen Schwellenwert ($c=0$) eine Leistung, die mit dem konventionellen BOIN vergleichbar war, während es bei weniger strengen Werten ($c > 0$) Vorteile bot.
  • Der Bayesian-Mixture-Ansatz erwies sich als besonders robust: Er verbesserte die MTD-Auswahl und kontrollierte gleichzeitig übermäßige Toxizität, unabhängig vom Schwellenwert $c$.
  • Für BOIN-ET (mit Wirksamkeit) zeigten die hybriden Methoden in den meisten Szenarien überlegene oder gleichwertige Ergebnisse, wobei der Mixture-Ansatz stabilere Ergebnisse lieferte als der Online-Learning-Ansatz (der bei der Wirksamkeitsschätzung instabil war).

• Zufällige Szenarien:

  • Die vorgeschlagenen Methoden performten nie schlechter als das Original-BOIN/BOIN-ET.
  • Die Verbesserungen in der Trefferquote waren in zufälligen Szenarien weniger ausgeprägt als in den festen, aber die Kontrolle über übermäßige Toxizität blieb erhalten.

5. Bedeutung und Fazit

Die Studie adressiert eine kritische Lücke in der klinischen Studienplanung: den Umgang mit Dosisanpassungen in der Studienmitte.

• Praktische Relevanz: Das vorgeschlagene Design ermöglicht es, klinisch begründete Dosisinsertionen (wie in den Fallbeispielen Futibatinib oder Glasdegib gezeigt) statistisch fundiert zu integrieren, ohne die operativen Vorteile von BOIN (Einfachheit, Transparenz) zu verlieren.
• Wissenschaftlicher Fortschritt: Durch die Nutzung von Informationen benachbarter Dosen für die neue Dosis wird die Effizienz der Studie erhöht (weniger Patienten in suboptimalen Dosen, schnellere Identifikation der MTD/OBD).
• Empfehlung: Die Autoren empfehlen die Verwendung des hybriden Designs mit einem Schwellenwert $c=0$ für BOIN, um einen guten Kompromiss zwischen verbesserter MTD-Selektion bei moderater Toxizität und Sicherheit bei hoher Toxizität zu erreichen. Für BOIN-ET wird der Bayesian-Mixture-Ansatz empfohlen, da er robust gegenüber Fehlspezifikationen ist und die Wahrscheinlichkeit einer korrekten OBD-Auswahl erhöht, ohne die Patientensicherheit zu gefährden.

Zusammenfassend bietet dieser Ansatz einen neuen, flexiblen Standard für die Integration neuer Dosisstufen in Phase-I-Onkologiestudien, der sowohl statistische Effizienz als auch Patientensicherheit optimiert.