技術的概要：逐次実験における社会的効用の最適化

問題提起

創薬などの高リスク分野において、規制当局は安全性と有効性を確立するために、無作為化比較試験（RCT）に依存している。しかし、これらの試験に伴う莫大な財政的コストは、特に製品の有効性について絶対的な確信がない場合、開発者が高い社会的効用を持つ「月面着陸（moonshot）」的な製品の実現を思いとどまらせる要因となっている。適応型試験や標的を絞った補助金の導入がその緩和策として提案されてきたが、それらの効果は、開発者がインセンティブにどのように戦略的に反応するかにかかっている。既存の文献では、規制承認をプリンシパル - エージェントゲームとしてモデル化するものが多く、通常は静的な仮説検定や契約設計に焦点を当て、無効な製品を持つエージェントの参加を抑制することに注力している。しかし、規制当局（プリンシパル）も開発者（エージェント）も製品の真の有効性について不確実である状況下で、単に誤り率を制御するだけでなく、社会的効用の最大化を目指すために、逐次実験をどのように最適に補助すべきかという点については理解が不足している。

手法

著者は、エージェントが RCT の系列を実行し、プリンシパル（規制当局）が承認を条件として実験コストの一部を補助する逐次実験のための統計的プロトコルを提案する。この枠組みは、以下の 3 つの中核的構成要素に基づいている：

1. e 値を用いた逐次仮説検定：
   従来の p 値に代わり、本プロトコルは「任意の時点での妥当性（any-time validity）」を確保するためにe 値を利用する。プリンシパルは基準となる有効性 $\theta_b$ と偽陽性率の上限 $\kappa$ を設定する。各ステップ $t$ において、エージェントはサンプルサイズ $n_t$ を選択する。プリンシパルは、試験の結果 $X_t$（成功数）に基づいて e 値 $E(X_t, n_t)$ を計算する。これらの e 値は乗算的に集約され、検定過程 $M_t$ を形成する。帰無仮説 $H_0$（有効性 $\theta^* < \theta_b$）は、$M_t \geq 1/\kappa$ となった時点で棄却され（製品が承認される）、実験がいつ停止されたかに関わらず、偽陽性の確率が $\kappa$ 以下に抑えられることが保証される。

2. エージェントのための信念マルコフ決定過程（MDP）：
   エージェントは真の有効性 $\theta^*$ を知らないため、事後信念に基づいて行動する。この信念はベータ分布 $B_t = \text{Beta}(\alpha_t, \beta_t)$ としてモデル化される。エージェントの意思決定問題は、信念 MDP（$M_\epsilon$）としてモデル化される：

   • 状態： 信念パラメータ $(\alpha, \beta)$、累積コスト $C$、および時間ステップによって特徴づけられる。
   • 行動： サンプルサイズ $n$ の選択、または撤退（$n=0$）。
   • 遷移： ベイズ推論を通じて信念を更新し、コストを累積する。
   • 報酬： 承認による便益（$\rho_A$）と補助金（$\epsilon$）を足し合わせ、試験のコストを差し引いたもの。
     エージェントは、期待効用を最大化する方策 $\pi$ を求める。著者は、最適方策が動的計画法（値反復法）を用いて効率的に計算可能であることを示している。

3. 分割統治法によるプリンシパルの最適化：
   プリンシパルは、承認による社会的便益（$\rho_S$）から期待される補助金コストを差し引いた社会的効用（$U^S$）を最大化する補助金水準 $\epsilon$ を選択することを目的とする。

   • 構造的性質： 著者は、エージェントの最適期待効用が補助金 $\epsilon$ に対して区分的線形かつ凸な関数であることを証明している。その結果、プリンシパルの期待社会的効用は、エージェントの最適方策が一定である区間において区分的線形関数となる。
   • アルゴリズム： これらの性質を利用し、著者は最適補助金 $\epsilon^*$ を見つけるための分割統治アルゴリズム（アルゴリズム 1）を開発した。このアルゴリズムは、候補となる補助金点においてエージェントの MDP を解き、方策の変化を確認することで、区分的線形効用関数の「頂点」を反復的に特定する。

主要な貢献

1. 新規プロトコル： 不確実性下で開発者と規制当局のインセンティブを整合させるよう設計された、e 値に基づく仮説検定と部分的なコスト補助を組み合わせた逐次承認プロトコルの導入。
2. 計算効率性：
   • 信念 MDP におけるエージェントの最適戦略が、状態空間のサイズを $O((n_{max})^2 \cdot T^3)$ として、動的計画法を用いて効率的に見出せることの立証。
   • 社会的効用関数が補助金に対して区分的線形かつ凸であることを証明し、網羅的探索を行わずに社会的に最適な補助金を見つけるための効率的な分割統治アルゴリズムの利用を可能にしたこと。
3. 理論的特徴付け：
   • 最適値関数が信念パラメータおよびコストに対して単調増加であることを確立。
   • エージェントの最適方策が撤退の意思決定に関して閾値構造を示すことを証明。
   • エージェントの期待効用が特定の区間において補助金に対して線形であることを示し、値関数の分解を可能にしたこと。

実験結果

著者は、抗生物質の開発と承認に関する公開データに基づいたシミュレーション実験を用いて、本プロトコルを検証した。

• 設定： 真の有効性 $\theta^* = 0.65$、基準値 $\theta_b = 0.5$ を持つ抗生物質を想定。エージェントは最大 4 回までの試験を実施でき、サンプルサイズの上限は 200 とした。コストは現実的な推定値に基づきモデル化された（固定費 $\approx 4890$ 万ドル、患者あたり費用 $\approx 6.6$ 万ドル）。
• 知見：
  • 最適補助金（$\epsilon^* \approx 0.108$）の下では、補助金なしのシナリオと比較して社会的効用が約 5.5% 向上し、エージェントの撤退確率は約 22% 減少した。
  • 標準的な非逐次プロトコル（エージェントが 1 回の試験のみを許される場合）と比較すると、逐次補助プロトコルは大幅な利益をもたらした。具体的には、補助金なしの非逐次プロトコルに対して社会的効用が約 50〜60% 向上し、最適補助金を伴う非逐次プロトコルに対しては35% 以上向上した。
  • 最適補助金は、社会的便益とエージェント便益の比率（$\rho_S/\rho_A$）とともに増加することが判明した。これは、社会的リスクが高い場合、プリンシパルがより強いインセンティブを持って補助を行うことを反映している。
  • アルゴリズムは計算効率が高く、基準設定において最適補助金の計算に約 271 秒で収束した。

意義と主張

本論文は、規制承認プロセスにおける社会的効用を向上させる補助金メカニズムを設計するための原理的な枠組みを提供すると主張している。相互作用を信念 MDP 内のスタッケルベルグゲームとしてモデル化することで、著者は以下のことが可能であることを示している：

• 統計的厳密性（e 値による）を損なうことなく、可能性が高いが不確実な製品の実験をインセンティブ化すること。
• 最適戦略と補助金を効率的に計算し、実世界への適用を計算的に実行可能にすること。
• 市場の失敗や過少投資（抗生物質の開発など）が特徴的なシナリオにおいて、従来の非逐次設計を大幅に凌駕すること。

著者は、この研究を、規制当局と開発者が安全性とイノベーションのより良いバランスを図るために、柔軟でデータ駆動型の承認手法（ベイズ的アプローチを含む）を探求する広範な方向性への貢献として位置づけている。また、現在のモデルはベータ - 二項分布の枠組みを使用しているが、このアプローチはより一般的な設定へ拡張可能であるが、計算上の課題を伴うことに言及している。論文は結論として、彼らの逐次かつ補助を伴うプロトコルは、エージェントのインセンティブを社会的目標と整合させる実行可能な道筋を提供し、将来の政策議論に資する可能性があると述べている。