Robust and Data-Adaptive Integration of Nonconcurrent Data in Platform Trials via Gaussian Processes

技術的サマリー：ガウス過程によるプラットフォーム試験における非同時データの頑健かつデータ適応的統合

問題定義
プラットフォーム試験は、単一のマスタープロトコル下で複数の治療を同時に評価するための効率的なデザインを提供する。しかし、これらの試験における統計的推論は、効率性と妥当性の間に重要な緊張関係に直面している。従来の頑健な手法は、時間的傾向（患者集団や標準治療の変化など）からのバイアスを回避するため、比較対象となるすべての治療が利用可能な期間に登録された「同時無作為化」された参加者に分析を制限する。これは妥当性を保証するが、新しい治療アームが導入される前に登録された対照群など、「非同時」データを破棄することになり、統計的検出力と精度の損失を招く。

非同時データを組み込む既存のアプローチは、しばしば限界に直面している：形式的に定義された因果推定量（estimand）を欠く場合がある、単純すぎるか、あるいは不透明なパラメトリックモデルに依存する、あるいは条件付き交換可能性のような強い仮定に依存する。さらに、多くの手法は、個々の観測値が最終的な推定値にどのように寄与するかを透明性を持って示すメカニズムを提供しておらず、特定の応用において情報共有が有益か有害かを診断することが困難である。

手法
著者は、バイアスを制御しながら非同時データを組み込むための、柔軟で解釈可能なガウス過程（GP）フレームワークを提案する。この手法は因果推論と機械学習に基づいており、Qian ら（2025）によって定義された「完全に同時適格（ECE）」推定量をターゲットとする。

1. フレームワークと推定量：
   対象となる推定量は、両治療が利用可能な期間に両治療のいずれにも適格であった個人（ECE 集団）における、2 つの治療間の期待潜在結果の対比である。このフレームワークは、登録カレンダー時間を重要な共変量として利用し、プラットフォーム試験に内在する「時間的滑らかさ」、すなわち患者分布が時間とともに徐々に変化する性質を利用する。

2. ガウス過程モデル：

   • シングルタスク GP：各治療アームごとに個別の GP を当てはめ、結果の軌道を登録時間の潜在関数 plus ノイズとしてモデル化する。これはカーネル関数（例：二乗指数関数または Matérn 関数）を通じて時間的滑らかさを捉える。
   • マルチタスク GP：結果をアーム間で共有されるベースライン関数と治療効果関数に分解する。この構造は、ベースラインリスクは時間とともに変化する可能性がある一方で、治療効果は比較的安定しているという事実に基づく。モデルは、アーム内分散とアーム間共分散の両方を捉えるための複合カーネルを使用する。

3. 推定と推論：
   このフレームワークは、同時および非同時の両方の適格参加者すべてを用いて GP を当てはめるが、治療効果の推定値は同時適格集団のみで平均化する。これにより、推定量を ECE 定義に固定しつつ、非同時データが GP の当てはめに適応的に情報を提供することを可能にする。推論は、事後の不確実性とサンプリング変動の両方を考慮するために、ベイズ的ブートストラップを通じて行われる。

4. 頻度論的解釈：
   著者は、GP の事後平均とカーネルリッジ回帰（KRR）の間の関連性を確立する。これにより、推定量が観測された結果の重み付き線形結合であるという透明性のある頻度論的解釈が得られる。重みはカーネルのハイパーパラメータと登録時間の近さに依存し、非同時データの寄与を明示的に定量化する。

5. 拡張：
   このフレームワークは、指数型分布族の尤度を持つ一般化線形モデルを介して離散結果（二値またはカウント）を処理するように拡張され、加法的または積的カーネルを介してベースライン共変量の調整も可能である。

主要な理論的保証
本論文は、提案された推定量の性質に関する 2 つの主要な理論的結果を確立する：

• 分散低減：非同時対照を組み込むことは、結果の平均（シングルタスク）および治療効果関数（マルチタスク）の事後分散を減少させることが証明されている。これは、ガウス過程を追加の変数で条件付けることが、条件付き分散を増加させることがないためである。
• バイアス制御：非同時データによって導入されるバイアスは、非同時対照が追加されても増加しない量によって有界である。バイアス自体が減少することは保証されないが、その上限は非増加であるため、作業モデルが妥当である限り、効率性の向上が制御されていないバイアスの増大の代償を伴うことはないことを保証する。

結果
著者は、シミュレーション研究と実データ応用を通じて手法を検証した：

• シミュレーション：2 つの登録ウィンドウを持つシミュレートされたプラットフォーム試験において、提案された GP 手法（シングルタスクおよびマルチタスクの両方）は、同時のみを基準とした手法（ANOVA、ANHECOVA）および他の非同時手法（ベイズ的タイムマシン、LR-EW）と比較して、優れた性能を示した。
  • すべてのデータを組み込んだマルチタスク GP は、同時のみ手法（例：ANHECOVA の 0.420）よりも小さい標準誤差（0.395）を達成し、かつほぼ名目通りの被覆率（94.4%）を維持した。
  • 競合手法は重大な欠点を示した：ベイズ的タイムマシンは事前分布の指定に対して高い感度を示し、信頼区間が過度に広かった。一方、登録ウィンドウ調整を伴う線形モデル（LR-EW）は、時間的傾向が非線形である場合にバイアスを生じた。
  • 誤指定された条件（急激な時間的シフト）下であっても、GP 手法は制御されたバイアスを維持し、競合手法を上回ったが、被覆率はわずかに低下した。
• 実データ応用：この手法は、SURMOUNT-1 肥満試験から構築された仮想的なプラットフォーム試験に適用された。非同時対照を組み込んだ GP 手法は、同時みの分析と比較して、多重代入内の分散を 12〜16% 減少させ、安定した点推定値を示した。これは、意味のあるバイアスを導入することなく、効率的な向上が成功したことを示唆する。

意義と主張
本論文は、プラットフォーム試験における効率性と妥当性のトレードオフに対する原理的な解決策を提供すると主張する。登録の時間的滑らかさを活用することで、提案された GP フレームワークは、貴重な情報を破棄することなく、非同時データの頑健な統合を可能にする。主な貢献は以下の通りである：

• 透明性：カーネルリッジ回帰との関連により、各観測値に対する明示的な重みが提供され、研究者は非同時データの影響を診断できる。
• 理論的厳密性：分散低減と非増加バイアス上限の確立は、手法の頑健性に対する形式的な保証を提供する。
• 柔軟性：このフレームワークは、さまざまな結果タイプと共変量調整に対応し、従来のパラメトリックまたはノンパラメトリックアプローチの限界を超えている。
• 実装：著者は、実用的な応用を容易にする R パッケージ RobinCID での実装を提供している。

著者は、この手法が推定効率を向上させる一方で、時間的傾向を検査することが依然として不可欠であると結論付けている。なぜなら、情報共有の度合いと潜在的なバイアスは、滑らかさ仮定の妥当性に依存するからである。本論文は、バイアスを完全に排除することを主張するのではなく、分散を大幅に減少させながら、非増加の上限内でバイアスを制御することを主張している。