技術要約：偏ったコイン最小化下における高速な冪威評価

問題提起

臨床試験のデザインにおいて、Pocock–Simonの最小化法（minimization）は、層化置換ブロック無作為化では層が疎（sparse）になる可能性がある場合に、予後因子間の治療割り当てをバランスさせるために広く用いられている。しかし、この手法を用いた統計的検出力（power）およびサンプルサイズの評価は、計算負荷が高い。

核心となる課題は、標準的な参照手順であるデザインベースの再無作為化テスト（rerandomization test）が、$p$値を算出するために、シミュレーションされる各試験内で治療パスを再生成する必要がある点にある。これは「入れ子構造のモンテカルロ法（nested Monte Carlo）」問題を生じさせる。すなわち、各外側シミュレーション試験（潜在的な研究結果を表す）ごとに、条件付き無作為化分布を近似するために、膨大な数の内側の再無作為化パスを生成しなければならない。最小化を用いた候補のサンプルサイズ、治療効果、およびアウトカムモデルを多数評価する場合、この入れ子状の計算は、法外な計算負担を課すことになる。

さらに、観測された統計量の**反復サンプリング分布（repeated-sampling distribution）と、固定スコア検定の条件付き無作為化分布（conditional randomization distribution）**との間には理論的な区別が存在する。最小化の下では、帰無仮説が「シャープ（sharp）」なもの（一定の加法的効果）ではなく、「ウィーク（weak）」なもの（例：個々の効果が変動する周辺的な平均差）である場合、観測された割り当てパスはスコア統計量に組み込まれる。その結果、観測された統計量の反復サンプリング分散は、参照される無作為化テストの条件付き分散とは異なる可能性がある。効率的な近似手法は、正しい推論対象、すなわち、平均効果のための反復サンプリング分布、または規定された無作為化テストを再現するための条件付き無作為化分布のいずれかに適合（キャリブレーション）されなければならない。

手法

著者は、再利用可能な**層不均衡ガウス近似（Stratum-Imbalance Gaussian Approximation: SIGA）**フレームワークを開発している。このアプローチは、固定スコア統計量を以下の2つの直交する成分に分解する：

1. 結合層不均衡成分（Joint-stratum imbalance component）： すべての最小化因子によって形成される結合層内における治療の不均衡に起因するもの。
2. 直交する層内成分（Orthogonal within-stratum component）： 層内におけるスコア対比に起因するもの。

この分解に基づき、本論文は2つの異なる手順を提案している。

1. SIGA-S (Sampling-Calibrated)

• 対象： 周辺的な平均治療効果に関する反復サンプリング推論。
• メカニズム： SIGA-Sは、割り当てのみによるキャリブレーションを用いる。結合層不均衡ベクトルの共分散を推定するために、$B_0$個の独立した割り当てパスを生成する。
• 分散推定： 分散推定量は、キャリブレーションされた不均衡ベクトルの共分散と、直交する層内部分空間の共通分散を組み合わせる。
• 妥当性： 定理3.1は、SIGA-Sが反復サンプリング分散を一貫して推定し、サンプリング分散と無作為化分散が一致するかどうかにかかわらず、周辺的な平均値またはリスク差の境界において漸近的に妥当な推論を提供することを確立している。

2. SIGA-R (Randomization-Calibrated)

• 対象： 規定された固定スコア無作為化テストの条件付き無作為化分布を効率的に再現すること。
• メカニズム： SIGA-Rは、固定スコア（観測された割り当てパスを含む）が再生されたパスに対して評価される際に生じる「ペアパス（pair-path）」構造に対処する。これには、再利用可能なペア割り当てのみによるキャリブレーションを用いる。各キャリブレーションの反復において、同一の因子シーケンスを条件として、2つの独立した治療パスが生成される。
• 分散推定： 「ペアパス共分散（2つの独立したパスからの治療符号の積の間の共分散）」を推定する。これにより、SIGA-Sの分散を調整して、参照テストの条件付き無作為化分散に一致させるための分散ギャップ項（$\hat{C}_n$）を算出できる。
• 妥当性： 定理3.2は、SIGA-Rが理想的な参照無作為化テストと漸近的に等価であることを示している。これは、参照テスト自体に内在するウィークな帰無仮説下でのサイズ歪みを含め、その条件付き分布を再現する。

計算戦略

両方の手順は、入れ子状の再無作為化ループを、単一の再利用可能な割り当てのみのキャリブレーションステップに置き換える。キャリブレーションによって推定される値（共分散行列および治療カウントの確率）は、デザインおよびサンプルサイズごとに一度だけ計算され、すべての外側シミュレーション試験、治療効果、および帰無仮説の境界に対して再利用される。

主な貢献

1. 正確な直交分解： 本論文は、治療スコア統計量を、結合層不均衡成分と層内成分へと正確に投影する手法を導出している。これにより、割り当てシミュレーションのみに基づくデザインレベルの共分散キャリブレーションが可能となる。
2. 分散の乖離の定式化： 著者は、非シャープな境界においてスコアを固定することによって生じる依存関係を定式化した。彼らは、反復サンプリング分散と条件付き無作為化分散の間の分散ギャップに関するデザイン固有の恒等式を導出し、参照無作為化テストがウィークな帰無仮説下でいつ漸近的に妥当であり、いつサイズ歪みを被るかを特徴づけている。
3. 再利用可能なペアパス・キャリブレーション： 独立した割り当てのみの反復を用いてペアパス共分散を推定する方法を導入している。これにより、各シミュレーション試験内で治療パスを再生成することなく、規定された無作為化テストの条件付き参照分布を近似するSIGA-Rが可能となる。
4. 二重の手順フレームワーク： 著者は、SIGA-SとSIGA-Rが異なる推論対象を目的としていることを明確にしている。SIGA-Sは平均効果のための推論であり、SIGA-Rは規定された無作為化テストの計算上の代用物である。これらは同じ対象に対する競合する手法ではない。

結果

著者は、56のシナリオ構成（アウトカムのタイプ、最小化因子、サンプルサイズ、およびテスト設定を変化させたもの）および試験に触発されたイラストレーションにわたる、2つの独立したシミュレーション研究を実施した。

• 精度：
  • SIGA-S： サンプリングを対象とした研究において、SIGA-Sと参照無作為化テストの棄却確率の間の最大絶対差は 0.42パーセントポイント（第I種の誤りが0.18 pp、検出力が0.42 pp）であった。
  • SIGA-R： 無作為化を対象とした研究において、SIG理GA-Rと参照テストの間の最大絶対差は 0.32パーセントポイント であった。
  • 両対象間の推定分散比（$\hat{\rho}_n$）は1.000から1.042の範囲にあり、乖離は存在するものの、多くの場合その大きさは小さいが、サンプルサイズ決定においては実務的に重要となり得ることを示している。
• 計算効率：
  • 時間比較により、計算時間が数桁減少したことが示された。
  • 100,000回の解析において、SIGA-Sは 0.050–2.259分 を要したのに対し、参照無作為化テストは 113.04–2625.76分 を要した。
  • 一度の割り当てのみのキャリブレーションには、2.8から47.5秒 を要した。

意義および主張

本論文は、SIGAフレームワークが、推論の正確性を損なうことなく、偏ったコイン最小化の下でのデザイン段階における強力なパワーおよびサンプルサイズ評価への計算可能な経路を提供すると主張している。

• 対象の分離： 著者は、計算の加速化と推論対象の選択は切り離せないことを強調している。SIGA-Sは周辺的な平均効果に対して妥当な推論を提供し、SIGA-Rは規定された無作為化テストの条件付き無作為化分布の一次近似を提供する。
• 歪みの補正なし： 本論文は、SIGA-Rは参照無作為化テストのウィークな帰無仮説下でのサイズ歪みを補正するものではないことを謙虚に述べている。それは単に、そのテストの挙動を再現するものである。もし参照テストがウィークな帰無仮説の下で不適当であれば、SIGA-Rはその不適当さを再現する。
• 再利用性： キャリブレーションの再利用性は中心的な主張である。割り当てのみのシミュレーションはアウトカムモデル、治療効果、および帰無仮説の境界に依存しないため、単一のキャリブレーションが複数のデザイン段階の評価に役立つ。
• 実用的影響： このフレームワークにより、入れ子状の再無作為化の必要性のために、本来であれば計算的に不可能であった複雑な最小化デザインに対する広範なパワー分析を実行することが可能になる。

著者は、SIGA-Rが必ずしもすべての目的においてSIGA-Sに代わるより優れた手法ではないものの、デザイン段階の目的が特定の規定された無作為化テストの棄却確率を近似することである場合には、不可欠なツールであると結論づけている。