Partial Ordering Bayesian Logistic Regression Model for Phase I Combination Trials and Computationally Efficient Approach to Operational Prior Specification

Sintesi Tecnica: Modello di Regressione Logistica Bayesiana con Ordinamento Parziale per Trial di Fase I di Combinazione

Definizione del Problema
I trial clinici di Fase I mirano a identificare la Dose Massima Tollerata (MTD) o la Combinazione Massima Tollerata (MTC) entro un livello di tossicità target (TTL). Sebbene il Metodo di Reassessment Continuo (CRM) e la sua estensione, il POCRM (Partial Ordering CRM), siano ampiamente utilizzati per i trial a singolo agente e di combinazione rispettivamente, essi si basano su modelli a un parametro. Il POCRM, in particolare, assume un ordinamento specifico delle combinazioni di dosi e utilizza un modello di potenza a un parametro. Questa struttura è criticata per essere eccessivamente restrittiva in contesti complessi, quali:

1. Integrazione del Gruppo di Controllo: Nei trial che randomizzano i pazienti tra combinazioni di dosi sperimentali e uno Standard of Care (SoC), è necessaria una stima accurata della tossicità in più punti sulla superficie di tossicità (specificamente al SoC e alla MTC). I modelli a un parametro spesso non riescono a adattarsi simultaneamente a questi punti distinti.
2. Complessità dell'Interazione: Nei trial multi-farmaco o con schemi di dosaggio, comprendere la forma della superficie di tossicità della combinazione è spesso necessario oltre la semplice localizzazione della MTC.
3. Carico Computazionale della Calibrazione: Progettare questi trial richiede la specificazione di iperparametri (es. scheletri di tossicità, distribuzioni a priori). Il convenzionale metodo di calibrazione tramite "ricerca su griglia" (grid search), che valuta tutte le combinazioni di parametri attraverso molteplici scenari, soffre di costi computazionali moltiplicativi che crescono esponenzialmente con il numero di parametri e scenari.

Metodologia
Il documento propone due avanzamenti metodologici primari: il Modello di Regressione Logistica Bayesiana con Ordinamento Parziale (POBLRM) e un Approccio di Calibrazione Ciclica.

1. Il Modello POBLRM
Il POBLRM estende il POCRM sostituendo il modello di potenza a un parametro con un modello di regressione logistica a due parametri, mantenendo al contempo il framework di ordinamento parziale.

• Struttura del Modello: Sotto un particolare ordinamento $s$, la probabilità di tossicità $\psi_s(d_i, \theta)$ è modellata come:
  $$\text{logit}(\psi_s(d_i, \theta)) = \theta_1 + \theta_2 \tilde{d}_i$$
  dove $\theta = (\theta_1, \theta_2)^T$ sono i parametri del modello e $\tilde{d}_i$ sono i livelli di dose standardizzati derivati dalle stime di tossicità a priori (scheletro).
• Adattamento per l'Ambiente Randomizzato: Nei trial randomizzati (braccio sperimentale vs SoC), il modello impone un vincolo $d_0 = 0$ per il braccio di controllo. Ciò assicura che gli aggiornamenti del modello basati sul braccio sperimentale non alterino la stima della tossicità al SoC, permettendo al modello di adattarsi accuratamente sia al controllo che alla MTC.
• Distribuzioni a Priori ed Efficienza: Gli autori affrontano il costo computazionale della stima di modelli a due parametri sotto molteplici ordinamenti.
  • Introducono una pseudo-prior (basata su distribuzioni Beta derivate da pseudo-coorti) che consente calcoli della verosimiglianza in forma chiusa ed evita l'integrazione numerica o il MCMC.
  • Stabiliscono un legame tra la convenzionale prior Normale e la pseudo-prior minimizzando la divergenza di Kullback-Leibler (KL) tra le curve di tossicità a posteriori risultanti. Ciò consente ai ricercatori di specificare prior Normali intuitive pur utilizzando la pseudo-prior, computazionalmente efficiente, per simulazioni e selezione dell'ordinamento (tramite AIC).

2. Approccio di Calibrazione Ciclica
Per affrontare l'inefficienza computazionale della calibrazione dei parametri di design (spaziatura dello scheletro, medie/varianze a priori), il documento propone un metodo di "calibrazione ciclica".

• Meccanismo: Inveve di valutare l'intero set di combinazioni di parametri (complessità moltiplicativa), l'algoritmo aggiorna i parametri uno alla volta in un ciclo. Cerca il valore ottimale di un parametro mantenendo fissi gli altri, per poi passare al successivo.
• Selezione degli Scenari: Per ridurre ulteriormente i costi, il metodo suggerisce di calibrare rispetto a un sottoinsieme di scenari piuttosto che all'intero set. Il sottoinsieme è scelto in base alla complessità dello scenario, misurata tramite il benchmark PO (un limite superiore sulla probabilità di selezione corretta). Nello specifico, gli autori propongono di utilizzare solo gli scenari con la performance di benchmark più bassa e più alta (es. "Ben2").
• Convergenza: L'algoritmo si interrompe quando un ciclo completo non produce alcun miglioramento nella media geometrica della Probabilità di Selezione Corretta (PCS), con la garanzia di convergere a un massimo locale.

Risultati Chiave
Valutazioni numeriche sono state condotte su un setting di trial di combinazione a doppio agente $3 \times 3$ ($N=45$ pazienti) e in un setting randomizzato.

• Performance vs POCRM:
  • In contesti non randomizzati, il POBLRM performa in modo simile al POCRM in termini di PCS (Media PCS $\approx$ 44%).
  • Nei contesti randomizzati (con un braccio di controllo), il POBLRM supera significativamente il POCRM. La media della PCS è aumentata dal 38% (POCRM) al 45% (POBLRM). Il POBLRM ha identificato con successo il SoC quando tutte le combinazioni erano eccessivamente tossiche (tasso di selezione del 78% vs 45% per il POCRM) e ha selezionato dosi più elevate quando tutte erano sicure, laddove il modello a un parametro faticava ad adattarsi a entrambi gli estremi.
• Performance vs 2BLRM:
  • Rispetto al Modello di Regressione Logistica Bayesiana a due dimensioni (2BLRM), il POBLRM ha mostrato una PCS media simile ma ha offerto una performance più bilanciata tra gli scenari. Il 2BLRM ha mostrato un'alta varianza, performando bene negli scenari "facili" ma scarsamente in quelli "antagonisti", dove le interazioni tra farmaci riducono la tossicità.
  • Efficienza Computazionale: I tempi di simulazione del POBLRM sono stati circa il doppio di quelli del POCRM (1,36s vs 0,6s), ma drasticamente più veloci del 2BLRM (95,42s).
• Efficienza della Calibrazione:
  • L'approccio Cyclic2 (calibrazione ciclica utilizzando solo 2 scenari) ha raggiunto una media PCS entro lo 0,5% rispetto all'approccio Grid20 (ricerca completa su griglia su 20 scenari).
  • Ciò ha comportato una riduzione computazionale di oltre 2.500 volte (e fino a 5.000 volte in altre investigazioni) rispetto alla ricerca completa su griglia, mantenendo le caratteristiche operative.

Significatività e Rivendicazioni
Il documento sostiene che il POBLRM rappresenti un'evoluzione necessaria per i trial di combinazione di Fase I, in particolare quelli che coinvolgono gruppi di controllo o complesse interazioni dose-schema, dove i modelli a un parametro sono insufficienti. Combinando la flessibilità di un modello logistico a due parametri con il framework di ordinamento parziale, esso offre una stima accurata della tossicità in più punti della superficie senza l'estremo carico computazionale dei modelli multidimensionali completamente flessibili come il 2BLRM.

Inoltre, la calibrazione ciclica proposta e le strategie di riduzione degli scenari offrono una soluzione pratica alla natura "computazionalmente costosa" della moderna progettazione di trial adattivi. Gli autori affermano che questi metodi consentono la specificazione di prior operativi che sono robusti attraverso un ampio intervallo di scenari senza richiedere risorse computazionali proibitive, rendendo i sofisticati design bayesiani più accessibili per i trial clinici del mondo reale. Il lavoro è motivato e applicato a specifici trial oncologici e COVID-19 (es. piattaforma AGILE), dimostrando la sua utilità nella collaborazione statistica reale.