📊 statistics

Two-Stage Design with Sample Size Re-estimation Using gsDesign

Diese Arbeit demonstriert die Ableitung von zweistufigen gruppensequentiellen und Conditional-Power-Designs unter Verwendung des R-Pakets `gsDesign` und argumentiert, dass während Conditional-Power-Designs eine gewisse Flexibilität bieten, standardmäßige gruppensequentielle Designs im Allgemeinen vorzuziehen sind, da ein Risiko der Ineffizienz und einer potenziellen Entblindung von Interims-Behandlungseffekten besteht.

Ursprüngliche Autoren: Keaven M. Anderson, Alison Pedley

Veröffentlicht 2026-08-05

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Keaven M. Anderson, Alison Pedley

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber Sie wissen nicht, wie viele Hinweise Sie benötigen werden, um den Täter zu fassen. In der Welt der medizinischen Wissenschaft ist dies die tägliche Herausforderung bei der Gestaltung einer klinischen Studie. Forscher testen ein neues Medikament, um zu sehen, ob es besser wirkt als das alte, aber sie können sich nicht zu 100 % sicher sein, wie wirksam das neue Medikament ist, bevor sie beginnen. Wenn sie die Wirksamkeit zu niedrig einschätzen, verschwenden sie möglicherweise Zeit und Geld, indem sie ein Medikament testen, das eigentlich ein Reinfall ist. Wenn sie sie zu hoch einschätzen, nehmen sie möglicherweise zu viele Patienten auf, wodurch diese unnötigen Risiken ausgesetzt werden und das Budget erschöpft wird. Um dies zu lösen, nutzen Wissenschaftler eine Strategie namens „Group Sequential Design“ (sequenzielles Gruppendesign). Denken Sie an eine Wanderreise mit einer Karte, die zwei Kontrollpunkte hat. Sie beginnen mit einem Plan, aber am ersten Kontrollpunkt (einer Zwischenanalyse) prüfen Sie Ihren Fortschritt. Wenn der Pfad fantastisch aussieht, brechen Sie vielleicht vorzeitig ab, weil Sie den Schatz bereits gefunden haben. Wenn der Pfad eher aussichtslos aussieht, kehren Sie vielleicht um, um Ihre Energie zu sparen. Aber was ist, wenn der Pfad nur „okay“ ist? Genau da wird es knifflig.

Dieses Papier, geschrieben von Keaven M. Anderson und Alison Pedley von Merck & Co., befasst sich mit einem spezifischen Problem dieser „Kontrollpunkt“-Studien: Was passiert, wenn die Daten unordentlich sind oder wenn die ursprüngliche Schätzung über die Wirksamkeit des Medikaments falsch war? Die Autoren untersuchen einen cleveren Ausweg namens „Conditional Power“ (bedingte Power/Wahrscheinlichkeit). Stellen Sie sich vor, Sie sind auf halbem Weg zu Ihrer Wanderung und stellen fest, dass der Berg höher ist, als Sie gedacht haben. Anstatt einfach aufzugeben oder blind weiterzumarschieren, rechnen Sie neu: „Wenn ich in diesem Tempo weitermache, wie hoch ist meine Chance, den Gipfel zu erreichen?“ Wenn die Mathematik sagt, dass Ihre Chancen gering sind, entscheiden Sie sich vielleicht, mehr Vorräte mitzunehmen (mehr Patienten aufzunehmen), um Ihre Chancen zu erhöhen. Das Papier verwendet ein Computertool namens gsDesign, um diese Szenarien zu simulieren, und vergleicht dabei die traditionelle „Kontrollpunkt“-Methode mit dieser neuen „Neu berechnen und anpassen“-Methode. Das Ziel ist es zu sehen, ob das Ändern des Plans mitten im Trip tatsächlich Geld spart oder ob es den Weg nur komplizierter und teurer macht.

Die Autoren haben ein virtuelles Experiment aufgebaut, um diese Ideen zu testen. Sie stellten sich eine Studie für eine neue Behandlung vor, bei der der erwartete Nutzen einen spezifischen Wert (0,33) hatte, aber sie befürchteten, dass der wahre Nutzen kleiner sein könnte (0,27). Sie begannen mit einem Standard-„Group Sequential Design“, das wie ein starrer Wanderplan mit zwei Stopps ist. Wenn das Medikament beim ersten Stopp großartig aussah, würden sie frühzeitig aufhören. Wenn es schrecklich aussah, würden sie aus Gründen der Fruchtlosigkeit (Futility) aufhören. Wenn es nur „mittelmäßig“ war, würden sie bis zum Ende weitermachen. Sie bemerkten jedoch einen Fehler: Wenn das Medikament tatsächlich nur mäßig wirksam war, hätte der ursprüngliche Plan möglicherweise nicht genug statistische Power, um zu beweisen, dass es wirkt, was zu einer gescheiterten Studie führen würde.

Um dies zu beheben, testeten sie drei verschiedene „Conditional Power“-Strategien. Dies sind wie ein intelligentes GPS, das die Route zur Halbzeit basierend darauf neu berechnet, wie gut man tatsächlich vorankommt.

Die „Observed Effect“-Strategie (Beobachteter Effekt): Das GPS sieht sich Ihr aktuelles Tempo an und sagt: „Sie sind langsamer als geplant, also lassen Sie uns mehr Wanderer zum Team hinzufügen, um sicherzustellen, dass wir den Gipfel erreichen.“
Die „Planned Effect“-Strategie (Geplanter Effekt): Das GPS ignoriert Ihr aktuelles langsames Tempo und sagt: „Halten Sie sich an den ursprünglichen Plan; nehmen Sie an, dass Sie später beschleunigen werden, aber nur für den Fall, dass wir noch ein paar mehr Wanderer hinzufügen.“
Die „Single Adapted N“-Strategie: Das GPS vereinfacht die Sache, indem es sagt: „Wir haben nur zwei Optionen: Entweder wir hören jetzt auf, oder wir wechseln zu einer einzigen, größeren Teamgröße.“

Die Forscher führten diese Simulationen durch, um zu sehen, welcher Ansatz am effizientesten war. Sie maßen zwei Dinge: die „Power“ (die Chance, erfolgreich zu beweisen, dass das Medikament wirkt) und die „Expected Sample Size“ (die durchschnittliche Anzahl der benötigten Patienten, was die Kosten repräsentiert).

Hier kommt die Wendung, und das ist eine große: Das Papier stellt fest, dass diese „Neu berechnen“-Strategien zwar wie ein brillanter Weg klingen, um Geld zu sparen, aber tatsächlich nicht so gut funktionieren wie erhofft. Als der Effekt des Medikaments die kleinere, schwerer zu detektierende Größe (0,27) hatte, konnten die Conditional-Power-Designs zwar die Erfolgsrate steigend beeinflussen, taten dies jedoch, indem sie im Durchschnitt eine signifikant höhere Anzahl an Patienten erforderten. Tatsächlich war die „Expected Sample Size“ für diese adaptiven Designs oft genauso hoch oder sogar höher als wenn man von vornherein einfach den kleineren Effektwert eingeplant hätte.

Die Autoren legen nahe, dass der „Conditional Power“-Ansatz eine Falle ist. Er erzeugt ein falsches Gefühl der Sicherheit. Man denkt, man sei klug, indem man sich anpasst, aber am Ende zahlt man einen hohen Preis in Form der Anzahl der Patienten, die man aufnehmen muss. Das Papier argumentiert explizit gegen die Idee, dass diese Designs einen „kleineren geplanten Stichprobenumfang im Voraus“ als großen Vorteil bieten. In ihren Simulationen kam das traditionelle Group Sequential Design oder sogar ein Design, das einfach von vornherein das Worst-Case-Szenario plante, in Bezug auf die Effizienz oft besser davon.

Darüber hinaus weist das Papier auf ein verborgenes Risiko hin. Indem man die Daten betrachtet, um zu entscheiden, ob man mehr Patienten hinzufügen soll, könnte man versehentlich etwas darüber enthüllen, wie gut das Medikament wirkt, bevor die Studie offiziell beendet ist. Dies könnte die Ergebnisse verzerren oder die Interpretation der Studie erschweren. Die Autoren kommen zu dem Schluss, dass während die Mathematik hinter der „Conditional Power“ elegant ist und die Software-Tools (wie gsDesign) die Berechnung erleichtern, der praktische Nutzen gering ist. In vielen Fällen bleibt das „Group Sequential Design“ die bessere Wahl, da es einfacher ist, weniger anfällig für Ineffizienzen ist und die Fallstricke von Anpassungen während der Laufzeit vermeidet, die nach hinten losgehen können.

Was ist also die Lehre für unseren Detektiv? Wenn Sie eine medizinische Studie planen, werden Sie nicht zu ausgekrimpelte mit der Neuberechnung während der Reise, es sei denn, Sie sind absolut sicher, dass es notwendig ist. Das Papier legt nahe, dass der Versuch, eine Studie durch das Hinzufügen von mehr Patienten in der Mitte zu „retten“, oft mehr kostet, als wenn man von Beginn an das Worst-Case-Szenario plant. Der effizienteste Weg ist nicht immer derjenste, der am meisten nach Anpassung aussieht; manchmal ist ein solider, gut durchdachter Plan von Anfang an der beste Weg, um den Gipfel zu erreichen, ohne seine Ressourcen zu erschöpfen. Die Autoren haben nicht bewiesen, dass Conditional Power in jeder einzelnen Situation nutzlos ist, aber sie haben gezeigt, dass es für die getesteten Szenarien oft ein ineffizienter Umweg im Vergleich zu einer robusten, vorab geplanten Strategie war.

Technische Zusammenfassung: Zweistufiges Design mit Stichprobengrößen-Reestimation mittels gsDesign

Problemstellung
Klinische Studiendesigns beruhen oft auf Annahmen über Effektstärken und Störparameter, die vor Beginn der Studie nicht vollständig verstanden werden. Während konservativ geplante Gruppensequenzielle Designs (GSD) durch vordefinierte vorzeitige Abbruchregeln (Early Stopping Rules) an ineffektive oder hochwirksame Behandlungen angepasst werden können, stehen sie vor einer spezifischen operativen Herausforderung: Eine beträchtliche Anzahl von Patienten kann nach dem Zwischenanalyse-Zeitpunkt (Interim Analysis Cutoff) eingeschlossen werden, während Daten bereinigt und analysiert werden. Zudem besteht das Risiko, dass ein Standard-GSD, falls die ursprünglichen Annahmen bezüglich der Effektstärke zu optimistisch waren, nicht über ausreichende Power verfügt, um einen kleineren, aber klinisch bedeutsamen Effekt zu detektieren.

Um das Problem des Überlaufens der Rekrutierung (Enrollment Overrun) und das Risiko einer Unterpoweringung zu adressieren, wurde die Stichprobengrößen-Reestimation (Sample Size Re-estimation, SSR) basierend auf der bedingten Power (Conditional Power) vorgeschlagen. Dieser Ansatz zielt darauf ab, Studien, die bei einer Zwischenanalyse als unterpowert erscheinen, durch eine Anpassung der Stichprobengröße zu „retten“. Ein vermeintlicher Vorteil dieser Designs – eine kleinere ursprünglich geplante Stichprobengröße im Vergleich zu konservativen GSDs – bedarf jedoch einer kritischen Prüfung. Es besteht das Risiko, dass Conditional-Power-Designs ineffizient hergeleitet werden können, was potenziell wenig Vorteil gegenüber Standard-GSDs bietet und gleichzeitig die Komplexität der Schätzung des Zwischenzeit-Behandlungseffekts erhöht.

Methodik
Das Paper nutzt das R-Paket gsDesign (Version ≥3.10.0), um 2-stufige Gruppensequenzielle Designs gegen 2-stufige Designs zu vergleichen, die die Stichprobengröße basierend auf der bedingten Power anpassen. Die Autoren konzentrieren sich auf ein kontinuierliches, normalverteiltes Outcome mit bekannter Varianz unter Verwendung einer Standardnormalteststatistik.

Die Methodik umfasst die folgenden Schritte:

Baseline-Design: Eine feste Stichprobengröße wird für eine bestimmte Effektstärke (z. B. $\delta = 0,33$ ) berechnet. Ein 2-stufiges GSD wird dann unter Verwendung von Spending-Funktionen (speziell der Kim-und-DeMets-Power-Spending-Funktion) abgeleitet, um Effektivitäts- und Futilitätsgrenzen festzulegen.
Ableitung der bedingten Power: Das Paper formalisiert die Ableitung der adaptiven Stichprobengrößen ( $n_2$ $n_{2}$ ) basierend auf der Zwischen-Teststatistik ( $Z_1$ $Z_{1}$ ). Es betrachtet zwei primäre Strategien zur Schätzung des Behandlungseffekts ( $\theta$ $θ$ ), der in der Berechnung der bedingten Power verwendet wird:
- Beobachteter Effekt: Verwendung des Zwischenschätzers $\hat{\theta}_1 \approx Z_1/\sqrt{n_1}$ .
- Geplanter Effekt: Verwendung des ursprünglich spezifizierten Wertes der Alternativhypothese $\theta_1$ .
Adaptionsregeln: Die Stichprobengröße wird angepasst, wenn die bedingte Power innerhalb eines bestimmten Bereichs liegt (z. B. zwischen 0,3 und 0,8). Das Paper implementiert drei spezifische Variationen:
- Strategie „Beobachteter Behandlungseffekt“.
- Strategie „Geplanter Behandlungseffekt“.
- Strategie „Einzig angepasstes N“ (Adaption auf eine einzige feste Stichprobengröße).
Vergleichsmetriken: Die Autoren vergleichen diese adaptiven Designs gegen alternative GSDs (einschließlich eines Designs, das für eine kleinere Effektstärke, $\delta = 0,27$ $δ = 0, 27$ , gepowert ist) unter Verwendung von:
- Power: Die Wahrscheinlichkeit eines positiven Studienergebnisses über einen Bereich verschiedener zugrunde liegender Effektstärken hinweg.
- Erwartete Stichprobengröße (Expected Sample Size, ESS): Berechnung der durchschnittlich benötigten Patientenzahl unter Berücksichtigung von Enrollment Overruns (z. B. 75 Patienten, die zwischen dem Interim-Cutoff und der Analyse eingeschlossen wurden).
- Maximale Stichprobengröße: Die obere Grenze der benötigten Patientenanzahl.

Wesentliche Beiträge

Implementierung und Visualisierung: Das Paper liefert konkreten R-Code unter Verwendung des gsDesign-Pakets, um 2-stufige Conditional-Power-Designs abzuleiten, zu evaluieren und darzustellen. Es zeigt auf, wie man Adaptionskurven gegen die Zwischen- $Z$ -Werte und die Skalen der bedingten Power visualisieren kann.
Vergleichsrahmen: Es etabliert einen Rahmen zum Vergleich von Conditional-Power-Designs mit vergleichbaren Power-Kurven unter Verwendung von Berechnungen der erwarteten Stichprobengröße, statt lediglich nominale Stichprobengrößen zu vergleichen.
Effizienzanalyse: Die Autoren zeigen, dass es „ziemlich einfach“ ist, Conditional-Power-Designs zu erstellen, die ineffizient sind. Sie demonstrieren, dass Designs mit vergleichbarer Power oft ähnliche erwartete Stichprobengrößen aufweisen und kein Design über den gesamten Bereich der Behandlungseffekte hinweg einheitlich überlegen ist.

Ergebnisse
Unter Verwendung eines Beispiels, bei dem das ursprüngliche Design für $\delta = 0,33$ ausgelegt war, der wahre Effekt jedoch $\delta = 0,27$ sein könnte:

Power-Wiederherstellung: Ein Standard-GSD, das für $\delta = 0,33$ gepowert ist, fällt auf etwa 63 % Power zurück, wenn der wahre Effekt $\delta = 0,27$ beträgt. Adaptionen der bedingten Power schaffen es erfolgreich, die Power für $\delta = 0,27$ auf etwa 68,7 % wiederherzustellen.
Abwägung der Stichprobengröße: Um eine angemessene Power für die kleinere Effektstärke ( $\delta = 0,27$ ) zu erreichen, erfordern alle Designs (einschließlich der Conditional-Power-Adaptionen und eines direkt für 0,27 gepowerten GSD) eine erhebliche Erhöhung der erwarteten Stichprobengröße im Vergleich zum ursprünglichen optimistischen Plan.
Design-Äquivalenz: Die Studie findet, dass unter Designs mit ähnlichen Power-Kurven die erwarteten Stichprobengrößen vergleichbar sind. Der „Gruppensequenzielle“ Ansatz und der „Einzig angepasste N“-Ansatz erscheinen attraktiver als traditionelle Conditional-Power-Designs, da sie einfachere Profile der maximalen Stichprobengröße aufweisen.
Auswirkung des Overruns: Die Einbeziehung von Enrollment Overruns (75 Patienten) beeinflusst die Berechnungen der erwarteten Stichprobengröße signifikant, was die praktische Bedeutung der Berücksichtigung von Datenverzögerungen (Data Lag) bei Zwischenanalysen hervorhebt.

Bedeutung und Behauptungen
Das Paper behauptet bescheiden, dass Conditional-Power-Designs zwar einen Mechanismus zur „Rettung“ unterpowerter Studien bieten, aber nicht inhärent einen Vorteil bei der ursprünglichen geplanten Stichprobengröße gegenüber einem konservativ geplanten GSD bieten, wenn man Designs mit äquivalenter Power vergleicht. Die Autoren stellen fest, dass:

Wahl des Designs: In vielen Fällen bleibt ein Standard-Gruppensequentielles Design das Design der Wahl. Dies liegt zum Teil daran, dass Conditional-Power-Designs Informationen über den Zwischen-Behandlungseffekt offenbaren könnten, die die Interpretation erschweren könnten, und weil sie bei unvorsichtiger Ableitung zu Ineffizienz neigen.
Nutzen von Werkzeugen: Die primäre Bedeutung liegt in der Demonstration, wie das gsDesign-Paket verwendet werden kann, um diese Abwägungen rigoros zu evaluieren. Die Software ermöglicht es Forschern, Adaptionen basierend auf Zwischenergebnissen darzustellen und Power sowie ESS über einen Bereich von Effektstärken hinweg zu vergleichen, ohne auf zeitaufwendige Simulationen angewiesen zu sein.
Generalisierbarkeit: Obwohl das Beispiel unabhängige Normalverteilungen verwendet, merken die Autoren an, dass die asymptotische Theorie auf viele Endpunkt-Typen übertragbar ist, einschließlich Time-to-Event-Endpunkten (mit Modifikationen), was diese Vergleichsmethoden für typische klinische Studiendesign-Szenarien breit anwendbar macht.

Das Paper kommt zu dem Schluss, dass die Auswahl eines Design-Ansatzes ohne sorgfältige Untersuchung dieser Merkmale (Power, ESS und maximale Stichprobengröße) ein Fehler ist und dass die bereitgestellten Werkzeuge diese notwendige Evaluierung erleichtern.

Mehr davon