BUDS: Benchmark Uncertainty Design Selection for Two-Stage Single-Arm Phase II Trials

あなたは犯人を捕まえようとしている探偵だと想像してください。ただし、犯人の姿は正確には分かっていません。スケッチはありますが、少しぼやけています。医学の世界、特に新薬の試験の初期段階において、研究者たちも似たようなゲームをしています。彼らは、新しい治療法が「従来の方法」よりも優れているかどうかを知りたいと考えています。そのために、彼らは「フェーズII試験」と呼ばれるものを実施します。これは、新しい俳優にとっての最初の本格的なオーディションのようなものです。研究者は、新しい薬のパフォーマンスを、「歴史的ベンチマーク（基準値）」、つまり現在の最善の治療法で患者が通常どのように経過するかに基づいた標準的な数値と比較します。これは、「もし新しい薬が10%以上の人を治せたら継続し、そうでなければ中止する」と言うようなものです。

問題は、その「10%」という数字がしばかに推測に基づいているということです。それは小さな研究から来たものかもしれませんし、患者がわずかに異なっているかもしれませんし、あるいは古い研究が行われて以来、医学が進歩しているかもしれません。もし研究者がベンチマークとして間違った数字を選んでしまうと、役に立たない薬をヒーローだと勘違いしたり、優れた薬を早すぎる段階で捨ててしまったりする可能性があります。この論文は、基準となるパフォーマンスが100%確実ではない場合に、これらの薬のオーディションをどのように設計すべきかという、トリッキーな数学について扱っています。これは、たとえあなたの推測が多少外れていても、重大なミスを犯さないためのセーフティネットを構築することについてです。

---

「BUDS」ソリューション：未知のために設計する

この論文は、BUDS（Benchmark Uncertainty Design Selection：ベンチマーク不確実性設計選択）と呼ばれる新しいフレームワークを紹介しています。BUDSを、橋を設計する賢く慎重な建築家だと考えてみてください。通常、橋を作る際は、例えば正確に2,000ポンドの重さの車といった、単一の特定の重量に基づいて荷重を計算します。そして、その車を完璧に支えられるように橋を設計します。しかし、実際には、その橋を渡る車が1,800ポンドから2,200ポンドの間のどこかの重さである可能性があるとしたらどうでしょう？もし2,000ポンドのためだけに設計してしまったら、重いトラックが橋を折ってしまうかもしれません。

著者らは、従来の薬の試験設計は、そのような「単一の重さ」の橋のようなものであると主張しています。彼らは一つの特定の「ベンチマーク」（例えば10%の治癒率）を選び、その研究のすべてをそれに基づいて設計します。論文では、もし現実世界のベンチマークが実際にはもっと高い（例えば15%）場合、これらの伝統的な設計は劇的に失敗する可能性があることを示しています。それらは、薬が実際には使い物にならないものであっても、成功であると宣言してしまうかもしれません。シミュレーションにおいて、著者らは、真のベンチマークが計画よりもわずかに高かった場合、「サイモン最適（Simon Optimal）」と呼ばれる人気のある設計の誤報率が、意図された10%ではなく、0.407（つまり40.7%の確率で誤警報が出る！）へと急上昇することを発見しました。

これを解決するために、BUDSは「単一の推測」ゲームをやめることを提案しています。一つの数字を選ぶ代わりに、研究者はベンチマークが起こりうる妥当な範囲（例：「治癒率は5%から15%の間である可能性が高い」）を定義すべきです。そしてBUDSは、その全範囲にわたって安全に機能するように試験を設計します。

BUDSの仕組み：「ワーストケース」と「平均」戦略

論文では、この新しい広いセーフティネットに適合する多くの選択肢の中から、最適な試験設計を選ぶための2つの主要な方法を提案しています。

1. BUDS-Worst-Regret（ワースト・リグレット）: これは「パラノイア（被害妄想的）」な戦略です。「私たちの範囲内でのワーストケース・シナリオは何であり、その特定のワーストケースに対処するためにどれだけの追加の作業（患者数）が必要か？」と問いかけます。そして、もしワーストケースが真実であった場合に、最大の失望または「後悔（リグレット）」を最小限に抑える設計を選びます。これは、重いコート、軽いジャケット、あるいは何も持っていかない可能性がある旅行のために、スーツケースをパッキングするようなものです。晴れた日に少し着込みすぎたとしても、最も寒い天候になった場合でも快適でいられる服装を選びます。
2. BUDS-Avg-EN（平均EN）: これは「平均」戦略です。可能性の全範囲を見渡し、全体として最も効率的、つまり最も少ない患者数を使用する設計を選びます。これは、天候が混在することを予想しており、特定の日に少し肌寒くなることがあっても、全体として効率的でありたいと考えて旅行の準備をするようなものです。

シミュレーションが示したこと

著者らは、これらの新しい設計が旧来の設計とどのように比較されるかを見るために、何千回ものコンピュータ・シミュレーションを実行しました。結果は以下の通りです。

• 安全第一: 最も重要な発見は、真のベンチマークが範囲内のどこにあっても、BUDS設計は「誤報」率（Type I error）を制御できることです。ベンチマークが推測の低い端にあろうと高い端にあろうと、試験が誤って悪い薬を勝者と宣言することはありません。対照的に、従来の単一ベンチマーク設計は、実際のベンチマークが予想よりも高かった場合に、エラー率が爆発しました。
• 安全の代償: トレードオフが存在します。広い可能性の範囲に対して安全であるためには、BUDS設計は従来の設計よりも多くの患者を必要とする場合があります。例えば、ベンチマークが不確実なシナリオでは、伝統的な設計では最大で37人の患者が必要になることがありますが、最悪のシナリオに対して安全を期すためのBUND設計では、54人、あるいは72人の患者が必要になることがあります。論文では、この追加の登録は、間違いを犯さないための代償であると述べています。機能しない薬のためにフェーズIII試験で数百万ドルを無駄にするよりも、数人を余分にテストする方が賢明です。
• 実世界の例: 著者らは、膠芽腫（一種の脳腫瘍）の試験のような実世界のシナリオで、自分たちのアイデアをテストしました。彼らはベンチマークが0.10（10%）を用いた試験を調査しました。現実的な範囲である0.05から0.13を用いてBUDSを適用した場合、従来の設計では0.25（25%）を超える誤報率が発生してしまいます。BUDS設計は、エラー率を0.093（9.3%）未満に抑えましたが、元の50人ではなく、最大サンプルサイズは89人となりました。

結論

本論文は、BUDSが医学的な歴史の不確実性を扱うための透明な方法を提供すると結論づけています。それは不確実性を魔法のように消し去るのではなく、代わりに研究者に「私たちは100%確信しているわけではないので、範囲を想定しよう」と強制します。そうすることで、効率性（より少ない患者を使用すること）と堅牢性（偽陽性を避けること）の間のトレードオフを明確にします。著者らは、他の科学者が自身の試験を設計するためにこの手法を使えるよう、無料のコンピュータツール（RパッケージとShinyアプリ）も作成しました。

要約すると、BUDSは、薬の試験という極めて重要な局面においては、単一の完璧な推測に賭けるよりも、幅広い重さに耐えられる橋を設計する方が賢明であることを示唆しています。この論文は、これがすべての医学試験に対する最終回答であると主張しているわけではありませんが、推測することをやめ、未知に対して計画を立てるための、数学的に健全で強固な方法を提供しています。