📊 statistiques

A Bayesian Alternative to the Two One-Sided Tests (TOST) Procedure: State of the Art and a Proposal for a Generalized Bayesian Equivalence Model

Cet article propose le GBT-PP (Generalized Bayesian TOST with Power-Discounted Priors), un cadre unifié qui surmonte les limites de la procédure TOST classique en incorporant et en appliquant une remise ajustable aux données historiques provenant de sources continues et de comptages, tout en établissant cinq résultats théoriques originaux et en fournissant des implémentations R reproductibles pour les tests d'équivalence.

Auteurs originaux : Antonio Monleon-Getino

Publié 2026-10-13

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Antonio Monleon-Getino

Article original sous licence CC BY 4.0 (https://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

Dans le monde de la recherche médicale, les scientifiques sont souvent confrontés à une question qui est l'opposée de la question habituelle. Au lieu de demander si un nouveau traitement est différent d'un ancien, ils demandent s'il est pratiquement identique. C'est le cœur des tests d'équivalence, un outil statistique essentiel pour prouver qu'un médicament génique fonctionne aussi bien qu'une version de marque, ou qu'un nouveau biosimilaire est sûr à utiliser. Pendant des décennies, la méthode standard pour répondre à cette question a été une méthode appelée les Deux Tests Unilatéraux, ou TOST. Cette approche agit comme un gardien strict : elle vérifie si la différence entre deux traitements est suffisamment petite pour tomber dans une « zone de similitude pratique » convenue à l'avance. Si les données s'inscrivent entièrement dans cette zone, les traitements sont déclarés équivalents. Bien que cette méthode soit simple et largement utilisée, elle présente un angle mort important. Elle ne peut pas facilement regarder en arrière vers les études passées pour apprendre d'elles, ni donner une probabilité directe que les traitements soient réellement identiques. Elle dit simplement « oui » ou « non » en se basant uniquement sur les données actuelles, ignorant une richesse d'évidences historiques que les régulateurs et les chercheurs souhaitent de plus en plus utiliser.

Un chercheur de l'Université de Barcelone, Antonio Monleón-Getino, a proposé une nouvelle façon de gérer ce problème. Il a développé un cadre appelé le TOST Bayésien Généralisé avec des Priors à Puissance Réduite (Generalized Bayesian TOST with Power-Discounted Priors). Considérez cela comme une version plus intelligente et plus flexible du vieux gardien qui peut écouter l'histoire sans être dominé par elle. La nouvelle méthode permet aux scientifiques d'intégrer des données provenant d'études précédentes, que ces données proviennent de mesures continues comme les lectures de la pression artérielle ou de décomptes de succès comme des patients guéris. L'innovation clé est un mécanisme de « réduction » (discounting). Cela agit comme un bouton de volume pour le passé. Si les anciennes données sont très fiables, le bouton est tourné vers le haut, et l'analyse actuelle s'appuie fortement sur elles. Si les anciennes données sont fragiles ou issues d'un contexte différent, le bouton est baissé, laissant la nouvelle étude parler d'elle-même. Cette approche unifie deux types différents de données en une seule règle de décision, comblant un fossé de longue date où les chercheurs devaient utiliser des outils séparés et incompatibles pour différents types d'informations.

Le papier ne se contente pas de proposer cette idée ; il prouve comment elle se comporte sous diverses conditions. L'auteur montre qu'à mesure que de nouvelles données sont collectées, l'influence des anciennes données s'estompe naturellement, garantissant que la décision finale est toujours dictée par les preuves les plus récentes. C'est une caractéristique de sécurité cruciale, répondant à une crainte courante selon laquelle s'appuyer sur l'histoire pourrait biaiser les résultats. La recherche établit également une formule précise pour déterminer à quel point une nouvelle étude peut être plus petite si elle emprunte la force du travail passé, quantifiant exactement combien de participants peuvent être économisés. De plus, le papier identifie un piège subtil dans la manière dont ces calculs sont effectués : si les hypothèses mathématiques sur le passé sont trop vagues, la méthode peut faussement affirmer une forte preuve d'équivalence même lorsque les données ne disent rien. L'auteur fournit une règle claire pour éviter cela, insistant sur le fait que les hypothèses sur le passé doivent être fixées et spécifiques avant le début de l'étude.

Pour tester la méthode, l'auteur a mené deux exemples détaillés. Dans un scénario impliquant des mesures continues, la nouvelle méthode a montré que, à mesure que l'on accordait plus de poids aux données historiques, la confiance dans l'équivalence augmentait de manière constante et prévisible. Dans un second scénario impliquant des taux de guérison, la méthode a démontré un test de réalité vital : si le taux de guérison historique était en fait pire que celui du présent, emprunter cet historique rendait le nouveau traitement moins bon, et non meilleur. Cela prouve que le système est honnête ; il ne favorise pas aveuglément le passé mais l'intègre avec précision, que cette intégration aide ou nuise au cas de l'équivalence. Le papier introduit également un nouveau raccourci mathématique qui permet de réaliser ces calculs complexes sans avoir besoin de simulations informatiques massives, rendant la méthode plus rapide et plus facile à auditer.

En fin de compte, ce travail offre une voie rigoureuse et unifiée pour les chercheurs qui doivent prouver la similitude. Il comble le fossé entre les anciennes règles rigides des tests statistiques et le désir moderne d'utiliser toutes les preuves disponibles. En fournissant un moyen d'inclure formellement les connaissances passées tout en gardant la décision finale fermement ancrée dans les données actuelles, le nouveau cadre donne aux régulateurs et aux scientifiques une image plus claire et plus honnête de la question de savoir si deux traitements sont véritablement équivalents. Le papier conclut que cette approche est prête pour une utilisation pratique, offrant un outil reproductible qui peut être appliqué immédiatement aux essais de bioéquivalence et à d'autres domaines de recherche critiques où prouver l'absence de différence est aussi important que de prouver sa présence.

Résumé Technique : Une alternative bayésienne à la procédure des deux tests unilatéraux (TOST)

Énoncé du problème
Les tests d'équivalence constituent une tâche statistique critique dans la bioéquivalence, le développement de biosimilaires et la recherche sur la reproductibilité, visant à démontrer qu'un effet se situe dans un intervalle de négligeabilité pré-spécifié $(-\delta, \delta)$ . La solution fréquentiste standard, la procédure des deux tests unilatéraux (TOST), présente trois limitations principales :

Absence d'interprétation probabiliste : Elle produit une décision binaire de rejet/non-rejet plutôt qu'une déclaration de probabilité directe concernant la localisation du paramètre au sein de la région d'équivalence.
Incapacité à intégrer des preuves historiques : Elle manque de mécanisme natif pour intégrer formellement des données antérieures ou historiques (par exemple, des études de bioéquivalence précédentes ou des fréquences de contrôles historiques), malgré les encouragements réglementaires en ce sens.
Asymétrie : Comme le test d'hypothèse nulle classique, l'échec du rejet de la nullité TOST ne constitue pas une preuve positive d'équivalence ; la procédure reste silencieuse dans ces cas.

Bien que des alternatives bayésiennes existent (par exemple, les approches de la Région d'Équivalence Pratique [ROPE] et les facteurs de Bayes sur l'hypothèse nulle d'intervalle) et que des méthodes d'emprunt historique existent (comme les priors de puissance), la littérature manque d'un cadre unifié et pratiquement implémentable qui gère simultanément les données continues et de fréquence (comptages) avec un mécanisme de pondération explicite et ajustable. De plus, les propriétés théoriques en forme fermée pour de tels modèles intégrés ont largement fait défaut.

Méthodologie : TOST Bayésien Généralisé avec Priors à Puissance Pondérée (GBT-PP)
Le document propose le GBT-PP, un modèle qui unifie la mise à jour conjuguée avec les priors de puissance et une règle de décision duale.

Élicitation des Priors et Pondération : Le modèle accepte des données historiques sous deux formes :
- Continues : Résumées par la moyenne ( $\bar{x}_0$ ), l'écart-type ( $s_0$ ) et la taille de l'échantillon ( $n_0$ ).
- Fréquentielles : Résumées par le nombre de succès ( $s_0$ ) et d'échecs ( $f_0$ ) dans $n_0$ essais.
- Priors à Puissance Pondérée : Suivant Ibrahim et Chen (2000), les vraisemblances historiques sont élevées à une puissance $w \in [0, 1]$ $w \in [0, 1]$ . Ce poids $w$ $w$ agit comme un facteur de pondération fixe et pré-enregistré.
  - Pour les données continues, cela se traduit par un prior Normal dont la variance est mise à l'échelle par $1/w$ .
  - Pour les données de fréquence, cela se traduit par un prior Beta où les comptes historiques sont mis à l'échelle par $w$ .
- Le modèle décide délibérément de fixer $w$ plutôt que de l'estimer de manière hiérarchique afin d'éviter les pathologies techniques associées aux priors de puissance non normalisés (Neuenschwander et al., 2009).
Mise à jour de la Postérior :
- Le cas continu utilise la conjugaison Normal-Normale.
- Le cas de fréquence utilise la conjugaison Beta-Binomiale.
- La distribution a posteriori combine le prior pondéré par la puissance et la vraisemblance de l'étude actuelle.
Règle de Décision Duale : L'équivalence est déclarée uniquement si les deux conditions suivantes sont remplies :
1. Probabilité A Posteriori ( $P_{eq}$ ) : La masse de probabilité a posteriori dans la région d'équivalence $E = (-\delta, \delta)$ dépasse un seuil $\gamma$ (ex. 0,95).
2. Facteur de Bayes sur l'Hypothèse Nulle d'Intervalle ( $BF_{01}$ ) : Le facteur de Bayes comparant l'hypothèse nulle d'intervalle $H_0: \theta \in E$ contre $H_1: \theta \notin E$ dépasse un seuil $BF^*$ (ex. 3).
- Caractéristique de Conception Cruciale : Le $BF_{01}$ est calculé via une approche hybride. La probabilité $P_{eq}$ a posteriori est dérivée du prior pondéré par la puissance (dépendant de $w$ ), tandis que la probabilité a priori $\pi_{eq}$ dans le dénominateur du facteur de Bayes est calculée sous un prior de référence distinct et fixe (indépendant de $w$ ). Ce découplage empêche le paradoxe de Jeffreys–Lindley de conduire trivialement le facteur de Bayes vers l'infini lorsque le prior devient diffus.
Approximation pour les Données de Fréquence : Pour le cas des deux proportions, où la probabilité d'équivalence a posteriori manque d'une forme fermée, le document propose une expansion d'Edgeworth déterministe (Proposition 6) pour approximer $P_{eq}$ , offrant une alternative corrigée de l'asymétrie par rapport à la simulation de Monte Carlo.

Contributions Théoriques Clés
Le document établit cinq résultats théoriques originaux pour le GBT-PP, prouvés intégralement en Appendice C :

Monotonie de la Moyenne A Posteriori (Proposition 1) : La moyenne a posteriori $\theta_n(w)$ est monotone par rapport au poids de pondération $w$ . La direction du décalage dépend strictement de la divergence entre la moyenne historique et l'estimation actuelle, régie par le ratio de leurs précisions.
Consistance Asymptotique (Théorème 2 & Corollaire 3) : Indépendamment du poids fixe $w$ , à mesure que la taille de l'échantillon actuel $n \to \infty$ , la règle de décision GBT-PP converge en probabilité vers la décision TOST classique. Cela démontre formellement que l'emprunt historique est « sans danger » asymptotiquement et que les données actuelles finissent par dominer l'inférence.
Paradoxe de Type Jeffreys–Lindley (Théorème 4) : Le document caractérise un paradoxe où, si le prior de référence utilisé pour la composante du facteur de Bayes devient de plus en plus diffus, le facteur de Bayes diverge vers $+\infty$ indépendamment des données. Ce résultat nécessite la recommandation de conception selon laquelle la variance du prior de référence doit être fixée et pré-enregistrée, et non autorisée à devenir arbitrairement grande.
Formule de Taille d'Échantillon en Forme Fermée (Corollaire 5) : Une formule est dérivée pour calculer la taille d'échantillon actuelle requise pour atteindre une probabilité d'équivalence a posteriori cible. Elle quantifie explicitement le nombre d'observations « économisées » par l'emprunt d'informations historiques ( $\Delta n^*$ ), exprimé en unités de la variance de l'étude actuelle.
Approximation d'Edgeworth (Proposition 6) : Une expansion d'Edgeworth de premier ordre est fournie pour la probabilité d'équivalence a posteriori dans le cas des deux proportions, offrant une alternative déterministe et auditable aux méthodes de Monte Carlo avec une correction explicite de l'asymétrie.

Résultats et Illustrations
La méthodologie est illustrée par deux exemples appliqués :

Bioéquivalence Continue : Démontre que l'augmentation de $w$ tire la moyenne a posteriori vers la moyenne historique et augmente de manière monotone à la fois $P_{eq}$ et $BF_{01}$ lorsque les données historiques soutiennent l'équivalence.
Taux de Guérison Basés sur la Fréquence : Démontre que si les données historiques sont moins favorables (plus éloignées du comparateur) que les données actuelles, l'augmentation de $w$ peut en réalité diminuer la probabilité d'équivalence. Cela souligne que l'emprunt n'est pas intrinsèquement bénéfique ; il dépend de l'alignement des estimations historiques et actuelles. L'approximation d'Edgeworth montre qu'elle suit de près les estimations de Monte Carlo sur toute la plage de $w$ .

Signification et Revendications
Le document affirme combler un vide méthodologique spécifique en fournissant un cadre unifié qui traite les données historiques continues et de fréquence de manière symétrique au sein d'une seule règle de décision. Sa signification réside dans :

Implémentabilité Pratique : Offrir une approche reproductible, en forme fermée (ou approximation déterministe), qui évite le recours à des modélisations hiérarchiques complexes ou à la simulation pure pour l'analyse de sensibilité.
Rigueur Théorique : Fournir les premières caractérisations en forme fermée de la monotonie, de la consistance asymptotique, du comportement du paradoxe et de l'économie de taille d'échantillon spécifiquement pour le cadre de l'hypothèse nulle d'intervalle à puissance pondérée.
Pertinence Réglementaire : Répondre au besoin d'outils pouvant combiner formellement divers types de preuves historiques (analytiques/pharmacocinétiques vs taux d'événements cliniques) conformément à l'évolution des directives réglementaires (ex. projet de guide FDA 2026) vers des cadres fondés sur la justification et l'intégration des preuves.

L'auteur positionne le GBT-PP non pas comme un remplacement de toutes les méthodes d'emprunt hiérarchique (comme les priors commensurables), mais comme une base minimale, transparente et théoriquement fondée qui gère explicitement le compromis entre l'influence historique et les données actuelles via un poids $w$ fixe et auditable.

Résumé Technique : Une alternative bayésienne à la procédure des deux tests unilatéraux (TOST)

Articles similaires