Two-dose vs. Three-Dose Optimization Under Sample Size Constraint

기술 요약: 표본 크기 제약 하에서의 2-용량 vs. 3-용량 최적화

문제 정의
종양학 분야의 용량 선택 패러다임 개혁을 목표로 하는 FDA의 Project Optimus 맥락에서, 초기 단계 개발 중 중요한 과제가 발생한다. 즉, 총 표본 크기가 고정된 상태에서 용량 최적화 연구에 포함할 최적의 용량 수를 결정하는 것이다. 전통적인 세포독성 항암제는 종종 최대 내약 용량(MTD)에 의존하지만, 신약 치료제는 최적의 용량을 범위 내에서 식별하기 위해 더 미묘한 접근 방식을 필요로 한다. 세 가지 후보 용량(저용량, 중용량, 고용량)이 있을 때, 연구자들은 두 개 암(two-arm) 연구가 세 개 암 연구에 비해 암당 환자 수를 50% 더 많이 확보할 수 있어 특정 쌍 비교(pairwise comparison)에 대한 검정력을 높일 수 있다는 트레이드오프에 직면한다. 그러나 용량을 제외하는 것은 최적의 후보를 놓칠 위험을 수반한다. 핵심 질문은 총 표본 크기가 고정되었을 때, 2-용량 연구가 3-용량 연구보다 통계적으로 선호되는지, 그리고 어떤 조건(예: 사전 근거의 강도) 하에서 하나의 용량을 제외하는 것이 정당화될 수 있는지이다.

방법론
저자들은 통계적 검정력과 올바른 선택 확률(PCS)을 평가하기 위해 수학적 근사와 시뮬레이션을 결에는 결합한 이중 방법론적 접근 방식을 채택한다.

1. 수학적 근사:

   • 저자들은 2-암 연구에서 제1/2종 오류와 표본 크기 사이의 관계에 대한 근사식을 도출한다.
   • 상대적 신호 강도 파라미터 $r$을 표본 크기에 맞춰 조정하여 정의하고, 검정력이 낮은 연구(전형적인 2상 최적화 단계)에서 검정력이 25%에서 75% 사이일 때, 검정력 함수가 신호 강도에 대해 대략 선형임을 입증한다. 이러한 선형성은 0 근처에서의 표준 정규 누적 분포 함수($\Phi$)의 근사치로부터 기인한다.
   • 이 선형 관계를 사용하여, 저자들은 (Cochran-Armitage 추세 검사를 통한 저용량과 고용량 간의 대비를 기반으로 한) 3-암 연구의 검정력을 다양한 2-암 구성(저 vs 고, 저 vs 중, 중 vs 고)과 비교하여 모델링한다.
   • 또한 중용량을 제외하거나 인접한 두 용량으로 연구를 제한하는 것을 정당화하기 위해 필요한 사전 믿음(prior belief, $\lambda$)의 임계값을 계산한다.

2. 시뮬레이션 연구:

   • 실제 임상적 기대치에 맞춰 보정된 사전 분포를 사용하여 베이지안 모델 선택 프레임워크를 구현한다.
   • 시뮬레이션은 네 가지 가능한 용량-반응 형태(평탄함에서 선형 및 고원 형태까지)를 포괄한다.
   • 비교 대상 설계는 총 표본 크기를 일정하게 유지하면서 3-용량 설계($N=30$ per dose)와 2-용량 비교 설계를 포함한다.
   • 주요 지표는 올바른 용량을 선택할 확률(PCS)이다. 선택 규칙은 효능이 더 높은 것을 우선시하되, 효능이 유사할 경우 더 낮은 용량을 선택한다(안전성 고려).

주요 기여 및 결과

• 검정력 역학 및 사전 믿음:

  • 수학적 분석 결과, 최적 용량이 높은 확신도로 알려져 있지 않은 한, 3-암 연구가 동일한 총 표본 크기를 가진 2-암 연구보다 용량 선택에 있어 일반적으로 더 우수한 검정력을 제공함을 밝혀냈다.
  • 구체적으로, 저용량과 고용량을 비교하는 2-암 연구의 검정력은 3-암 연구의 검정력의 약 $\sqrt{3/2}$ 배인 반면, 인접한 용량을 비교하는 경우에는 3-암 검정력의 $\sqrt{3/8}$에 불과하다.
  • 제외를 위한 임계값: 저자들은 중용량이 최적이 아닐 것이라는 사전 믿음($\lambda$)이 약 **63%**일 때만 2-암 연구(저 vs 고)에서 중용량을 제외하는 것이 정당화될 수 있음을 도출했다. 반대로, 두 인접 용량만을 연구하는 것을 정당화하려면 최적 용량이 그 사이에 존재한다는 사전 믿음이 약 **78%**로 훨씬 더 강력해야 한다.

• 시뮬레이션 결과:

  • 선형 용량-반응 가정 하에서, 3-용량 설계는 고용량을 선택하는 데 있어 약 74%의 PCS를 달연한 반면, 2-용량 설계(고용량이 완전히 제외될 수 있는 경우)는 약 51%를 기록했다.
  • 2-용량 설계가 일관되게 올바른 쌍(예: 중용량 vs 고용량)을 선택하는 시나리오에서도, 이는 전체 용량-반응 관계를 특징짓는 데 실패하며, 이는 3-용량 설계가 극복하는 한계점이다.
  • 고원(plateau) 시나리오에서는 두 설계 모두 최적 용량을 선택하는 데 있어 유사한 PCS를 보이지만, 3-용량 설계가 용량-반응 곡선의 형태를 확립하는 데서 여전히 우위를 점한다.

• 실무 지침 및 평가 시스템:

  • 논문은 인구 집단의 균질성과 무작위 배정 방법을 기준으로 용량 최적화 전략을 선택하도록 돕는 "5성급 평가 시스템"을 제안한다.
  • 3-용량 최적화는 일반적으로 2-용량 최적화보다 별 하나가 더 높게 책정된다.
  • 용량 무작위 배정은 비무작위적 "백필링(backfilling, 용량 증량 코호트 확장)"보다 별 두 개가 더 높게 책정되는데, 이는 후자의 경우 기저치 불균형(baseline imbalance)의 위험이 있기 때문이다.
  • 그러나 저자들은 매우 균질한 인구 집단(예: 특정 바이오마커로 정의된 그룹)에서 충분한 표본 크기를 갖춘 확장된 백필링은 무작위 설계와 대등한 최적화 정보를 제공할 수 있으며, 이는 비용 효율적인 대안이 될 수 있다고 언급했다.

의의 및 주장
본 논문은 Project Optimus를 헤쳐 나가는 실무자들에게 반정량적인 가이드를 제공한다고 주장한다. 본 연구의 주요 의의는 (2-암 연구를 통해) 암당 표본 크기를 극대화하는 것이 항상 최적의 전략이라는 가설에 도전한다는 점에 있다. 대신, 저자들은 후보 용량을 제외할 매우 강력한 근거가 없는 한, 고정된 총 표본 크기 하에서도 3-용량 연구가 더 바람직하다고 주장한다.

연구 결과는 용량을 떨어뜨려 비교하는 것(저 vs 고)이 인접한 용량을 비교하는 것보다 더 유익하다는 직관을 뒷받침하지만, 그러한 용량 축소를 정당화하기 위해 필요한 확신의 수준을 정량화한다. 논문은 3-용량 설계가 용량 선택을 용이하게 할 뿐만 아니라, 규제 결정에 필수적인 용량-반응 관계를 특징짓는다는 점을 강조한다. 저자들은 수학적 근사와 시뮬레이션으로부터 도출된 이들의 작업이 실무적 제약과 통계적 엄밀성 사이의 균형을 맞추기 위한 "경험 법칙(rule-of-thumb)" 역할을 하도록 의도했다고 밝히고 있다.