📊 statistics

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

Cet article démontre la dérivation de plans séquentiels de groupe à deux étapes et de plans de puissance conditionnelle à l'aide du package R `gsDesign`, en soutenant que bien que les plans de puissance conditionnelle offrent une certaine flexibilité, les plans séquentiels de groupe standards sont généralement préférables en raison du risque d'inefficacité et de déblindage potentiel des effets du traitement lors des analyses intermédiaires.

Auteurs originaux : Keaven M. Anderson, Alison Pedley

Publié 2026-08-05

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Keaven M. Anderson, Alison Pedley

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective essayant de résoudre un mystère, mais que vous ne savez pas de combien d'indices vous aurez besoin pour attraper le coupable. Dans le monde de la science médicale, c'est le défi quotidien de la conception d'un essai clinique. Les chercheurs testent un nouveau médicament pour voir s'il fonctionne mieux que l'ancien, mais ils ne peuvent pas être sûrs à 100 % de la puissance du nouveau médicament avant de commencer. S'ils supposent une puissance trop faible, ils risquent de perdre du temps et de l'argent à tester un médicament qui est en fait un raté. S'ils supposent une puissance trop élevée, ils pourraient recruter trop de patients, exposant ainsi ces derniers à des risques inutiles et épuisant le budget. Pour résoudre cela, les scientifiques utilisent une stratégie appelée « Group Sequential Design » (conception séquentielle de groupe). Voyez cela comme une randonnée avec une carte comportant deux points de contrôle. Vous commencez avec un plan, mais au premier point de contrôle (une analyse intermédiaire), vous vérifiez votre progression. Si le sentier semble incroyable, vous pourriez vous arrêter plus tôt car vous avez déjà trouvé le trésor. Si le sentier semble sans issue, vous pourriez faire demi-tour pour économiser votre énergie. Mais que se passe-t-il si le sentier est juste « correct » ? C'est là que les choses deviennent compliquées.

Ce document, écrit par Keaven M. Anderson et Alison Pedley de Merck & Co., s'attaque à un problème spécifique de ces essais à « points de contrôle » : que se passe-t-il lorsque les données sont désordonnées ou lorsque l'hypothèse initiale sur la puissance du médicament était erronée ? Les auteurs explorent un contournement astucieux appelé « Conditional Power » (puissance conditionnelle). Imaginez que vous êtes à la moitié de votre randonnée et que vous réalisez que la montagne est plus haute que vous ne le pensiez. Au lieu de simplement abandonner ou de marcher aveuglément, vous recalculez : « Si je continue à ce rythme, quelles sont mes chances d'atteindre le sommet ? » Si les mathématiques disent que vos chances sont faibles, vous pourriez décider d'apporter plus de provisions (recruter plus de patients) pour augmenter vos chances. Le document utilise un outil informatique appelé gsDesign pour simuler ces scénarios, comparant la méthode traditionnelle de « points de contrôle » à cette nouvelle méthode de « recalcul et d'adaptation ». Le but est de voir si changer le plan en cours de voyage permet réellement d'économiser de l'argent ou si cela rend simplement le voyage plus compliqué et coûteux.

Les auteurs ont mis en place une expérience virtuelle pour tester ces idées. Ils ont imaginé un essai pour un nouveau traitement où le bénéfice attendu était un nombre spécifique (0,33), mais ils craignaient que le bénéfice réel ne soit plus petit (0,27). Ils ont commencé par un design « Group Sequential » standard, qui est comme un plan de randonnée rigide avec deux arrêts. Si le médicament semblait excellent au premier arrêt, ils s'arrêteraient plus tôt. S'il semblait médiocre, ils s'arrêteraient pour futilité. S'il était juste « moyen », ils continueraient jusqu'à la fin. Cependant, ils ont remarqué une faille : si le médicament n'était que modérément efficace, le plan original pourrait ne pas avoir assez de puissance pour prouver qu'il fonctionne, menant à un échec de l'essai.

Pour corriger cela, ils ont testé trois différentes stratégies de « Puissance Conditionnelle ». Ce sont comme un GPS intelligent qui recalcule l'itinéraire à la moitié du chemin en fonction de vos performances réelles.

La stratégie de l'« Effet Observé » : Le GPS regarde votre vitesse actuelle et dit : « Vous allez plus lentement que prévu, alors ajoutons plus de randonneurs à l'équipe pour nous assurer d'atteindre le sommet. »
La stratégie de l'« Effet Planifié » : Le GPS ignore votre lenteur actuelle et dit : « Tenez-vous en au plan initial ; supposez que vous accélérerez plus tard, mais au cas où, ajoutons quelques randonneurs de plus. »
La stratégie du « Single Adapted N » : Le GPS simplifie les choses en disant : « Nous n'avons que deux options : soit nous nous arrêtons maintenant, soit nous passons à une taille d'équipe spécifique et plus grande. »

Les chercheurs ont mené ces simulations pour voir quelle approche était la plus efficace. Ils ont mesuré deux choses : la « Puissance » (la chance de prouver avec succès que le médicament fonctionne) et la « Taille d'Échantillon Attendue » (le nombre moyen de patients nécessaires, ce qui représente le coût).

Voici le rebondissement, et c'en est un gros : le document conclut que bien que ces stratégies de « recalcul » semblent être un moyen brillant d'économiser de l'argent, elles ne fonctionnent pas aussi bien qu'espéré. Lorsque l'effet du médicament était de la taille plus petite et plus difficile à détecter (0,27), les conceptions de puissance conditionnelle ont réussi à augmenter le taux de succès, mais elles l'ont fait en nécessitant un nombre nettement plus élevé de patients en moyenne. En fait, la « Taille d'Échantillon Attendue » pour ces conceptions adaptatives était souvent aussi élevée, voire plus élevée, que si l'on avait simplement prévu la taille d'échantillon pour le plus petit effet dès le départ.

Les auteurs suggèrent que l'approche de la « Puissance Conditionnelle » est un peu un piège. Elle crée un faux sentiment de sécurité. Vous pensez être intelligent en vous adaptant, mais vous finissez par payer un prix élevé en termes de nombre de patients que vous devez recruter. Le document argumente explicitement contre l'idée que ces conceptions offrent un « échantillon planifié initial plus petit » comme un avantage majeur. Dans leurs simulations, le design « Group Sequential » traditionnel, ou même un design qui prévoyait simplement le pire scénario dès le début, s'est souvent avéré plus efficace en termes d'efficience.

De plus, le document souligne un risque caché. En regardant les données pour décider d'ajouter plus de patients, vous pourriez accidentellement révéler quelque chose sur l'efficacité du médicament avant que l'essai ne soit officiellement terminé. Cela pourrait biaiser les résultats ou rendre l'essai plus difficile à interpréter. Les auteurs concluent que bien que les mathématiques derrière la « Puissance Conditionnelle » soient élégantes et que les outils logiciels (comme gsDesign) en facilitent le calcul, les avantages pratiques sont minimes. Dans de nombreux cas, le design « Group Sequential » reste le meilleur choix car il est plus simple, moins susceptible d'être inefficace et évite les pièges des ajustements de milieu de parcours qui peuvent se retourner contre vous.

Alors, quel est le message pour notre détective ? Si vous planifiez un essai médical, ne soyez pas trop sophistiqué avec des recalculs de milieu de parcours, à moins d'en être absolument certain. Le document suggère que tenter de « sauver » un essai en ajoutant plus de patients à mi-chemin coûte souvent plus cher que de simplement prévoir le pire scénario dès le premier jour. Le chemin le plus efficace n'est pas toujours celui qui semble s'adapter le plus ; parfois, un plan solide et bien réfléchi dès le départ est le meilleur moyen d'atteindre le sommet sans épuiser vos ressources. Les auteurs n'ont pas prouvé que la puissance conditionnelle est inutile dans toutes les situations, mais ils ont montré que pour les scénarios testés, elle était souvent un détour inefficace par rapport à une stratégie robuste et pré-planifiée.

Résumé technique : Conception à deux étapes avec réestimation de la taille de l'échantillon via gsDesign

Énoncé du problème
La conception d'essais cliniques repose souvent sur des hypothèses relatives à la taille de l'effet et aux paramètres de nuisance qui ne sont pas pleinement comprises avant le lancement de l'essai. Bien que les conceptions séquentielles de groupe (GSD) planifiées de manière conservatrice puissent s'adapter à des traitements inefficaces ou hautement efficaces grâce à des règles d'arrêt prévues à l'avance, elles font face à un défi opérationnel spécifique : un nombre substantiel de patients peut être recruté après le seuil d'analyse intermédiaire pendant que les données sont nettoyées et analysées. De plus, si les hypothèses initiales concernant la taille de l'effet sont trop optimistes, une GSD standard peut manquer de puissance pour détecter un effet plus faible, bien qu'encore cliniquement significatif.

Pour répondre au problème du dépassement de recrutement et au risque de sous-puissance, une réestimation de la taille de l'échantillon (SSR) basée sur la puissance conditionnelle a été proposée. Cette approche vise à « sauver » les essais qui semblent sous-dimensionnés lors d'une analyse intermédiaire en ajustant la taille de l'échantillon. Cependant, un avantage supposé de ces conceptions — une taille d'échantillon initiale prévue plus petite par rapport aux GSD conservatrices — nécessite un examen approfondi. Il existe un risque que les conceptions basées sur la puissance conditionnelle soient dérivées de manière inefficace, n'offrant potentiellement que peu d'avantages par rapport aux GSD standards tout en introduisant une complexité concernant l'estimation de l'effet du traitement lors de l'intermédiaire.

Méthodologie
Le document utilise le package R gsDesign (version ≥3.10.0) pour dériver et comparer des conceptions séquentielles de groupe à 2 étapes par rapport à des conceptions à 2 étapes qui adaptent la taille de l'échantillon en fonction de la puissance conditionnelle. Les auteurs se concentrent sur un résultat continu, distribué normalement avec une variance connue, utilisant une statistique normale standard.

La méthodologie comprend les étapes suivantes :

Conception de base : Une taille d'échantillon fixe est calculée pour une taille d'effet spécifique (par exemple, $\delta = 0,33$ ). Une GSD à 2 étapes est ensuite dérivée en utilisant des fonctions de dépense (spécifiquement la fonction de dépense de puissance de Kim et DeMets) pour établir les limites d'efficacité et de futilité.
Dérivation de la puissance conditionnelle : Le document formalise la dérivation des tailles d'échantillon adaptatives ( $n_2$ $n_{2}$ ) basées sur la statistique de test intermédiaire ( $Z_1$ $Z_{1}$ ). Il considère deux stratégies principales pour estimer l'effet du traitement ( $\theta$ $θ$ ) utilisé dans le calcul de la puissance conditionnelle :
- Effet observé : Utilisation de l'estimation intermédiaire $\hat{\theta}_1 \approx Z_1/\sqrt{n_1}$ .
- Effet planifié : Utilisation de la valeur de l'hypothèse alternative $\theta_1$ initialement spécifiée.
Règles d'adaptation : La taille de l'échantillon est adaptée si la puissance conditionnelle se situe dans une plage spécifique (par exemple, entre 0,3 et 0,8). Le document met en œuvre trois variations spécifiques :
- Stratégie de l'« effet de traitement observé ».
- Stratégie de l'« effet de traitement planifié ».
- Stratégie du « N adapté unique » (adaptation à une taille d'échantillon fixe unique).
Métriques de comparaison : Les auteurs comparent ces conceptions adaptatives à d'autres GSD (y compris une conçue pour un effet plus petit, $\delta = 0,27$ $δ = 0, 27$ ) en utilisant :
- Puissance : La probabilité d'un résultat positif de l'essai sur une gamme de tailles d'effets sous-jacentes.
- Taille d'échantillon attendue (ESS) : Calcul de l'indice moyen de patients requis, en tenant compte des dépassements de recrutement (par exemple, 75 patients recrutés entre le seuil intermédiaire et l'analyse).
- Taille d'échantillon maximale : La limite supérieure de patients requis.

Principales contributions

Implémentation et visualisation : Le document fournit un code R concret utilisant le package gsDesign pour dériver, évaluer et tracer des conceptions de puissance conditionnelle à 2 étapes. Il démontre comment visualiser les courbes d'adaptation de la taille de l'échantillon par rapport aux échelles de la statistique $Z$ intermédiaire et de la puissance conditionnelle.
Cadre comparatif : Il établit un cadre pour comparer les conceptions de puissance conditionnelle avec des courbes de puissance comparables en utilisant des calculs de taille d'échantillon attendue, plutôt que de simplement comparer les tailles d'échantillon nominales.
Analyse de l'efficacité : Les auteurs démontrent que, bien que les conceptions basées sur la puissance conditionnelle puissent être dérivées, il est « très facile » de créer des conceptions inefficaces. Ils montrent que les conceptions ayant des courbes de puissance comparables ont souvent des tailles d'échantillon attendues similaires, sans qu'aucune conception ne soit uniformément supérieure sur toute la gamme des effets de traitement.

Résultats
En utilisant un exemple où la conception initiale était dimensionnée pour $\delta = 0,33$ mais où l'effet réel pourrait être $\delta = 0,27$ :

Récupération de la puissance : Une GSD standard dimensionnée pour $\delta = 0,33$ chute à environ 63 % de puissance si l'effet réel est $\delta = 0,27$ . Les adaptations de puissance conditionnelle réussissent à récupérer la puissance à environ 68,7 % pour $\delta = 0,27$ .
Compromis de taille d'échantillon : Pour atteindre une puissance adéquate pour l'effet plus petit ( $\delta = 0,27$ ), toutes les conceptions (y compris les adaptations de puissance conditionnelle et une GSD dimensionnée directement pour 0,27) nécessitent une augmentation substantielle de la taille d'échantillon attendue par rapport au plan optimiste initial.
Équivalence de conception : L'étude conclut que parmi les conceptions ayant des courbes de puissance similaires, les tailles d'échantillon attendues sont comparables. L'approche « séquentielle de groupe » et l'approche « N adapté unique » semblent plus attractives que les conceptions traditionnelles de puissance conditionnelle en raison de profils de taille d'échantillon maximale plus simples.
Impact du dépassement : L'inclusion de dépassements de recrutement (75 patients) impacte significativement les calculs de taille d'échantillon attendue, soulignant l'importance pratique de tenir compte du décalage des données lors des analyses intermédiaires.

Signification et affirmations
Le document affirme modestement que, bien que les conceptions de puissance conditionnelle offrent un mécanisme pour « sauver » les essais sous-dimensionnés, elles ne procurent pas intrinsèquement un avantage de taille d'échantillon initiale plus petite par rapport à une GSD planifiée de manière conservatrice lorsque l'on compare des conceptions de puissance équivalente. Les auteurs soutiennent que :

Choix de la conception : Dans de nombreux cas, une conception séquentielle de groupe standard reste la conception de choix. C'est en partie parce que les conceptions de puissance conditionnelle peuvent révéler des informations sur l'effet de traitement intermédiaire qui pourraient compliquer l'interprétation, et parce qu'elles sont sujettes à l'inefficacité si elles ne sont pas dérivées avec soin.
Utilité des outils : La principale signification réside dans la démonstration de la manière dont le package gsDesign peut être utilisé pour évaluer rigoureusement ces compromis. Le logiciel permet aux chercheurs de tracer les adaptations basées sur les résultats intermédiaires et de comparer la puissance et l'ESS à travers une gamme de tailles d'effets sans dépendre de simulations chronophages.
Généralisabilité : Bien que l'exemple utilise des observations normales indépendantes, les auteurs notent que la théorie asymptotique s'étend à de nombreux types de variables de jugement, y compris les critères de jugement de type temps-jusqu'à-événement (avec modification), rendant ces méthodes comparatives largement applicables aux scénarios typiques de conception d'essais cliniques.

Le document conclut que choisir une approche de conception sans examiner attentivement ces caractéristiques (puissance, ESS et taille d'échantillon maximale) est une erreur, et que les outils fournis facilitent cette évaluation nécessaire.

Articles similaires