Adaptive clinical trials based on design-optimal e-values with automatic curtailment: An application to single-arm trials with binary data

기술적 요약: 설계 최적화 E-값 기반 적응형 임상 시험

문제 제기
표준 적응형 임상 시험은 유연성을 갖추고 있지만, 프로토콜 위반 (모니터링 일정 또는 표본 크기의 변경 등) 하에서 제 1 종 오류율 통제에 있어 경직성을 겪으며, 종종 사전에 지정된 최대 표본 크기에 도달하면 시험을 중단해야 합니다. 또한, 기존 E-값 문헌은 주로 무한 시간 범위 (infinite horizon) 를 가정하는 점근적 최적성 (최악의 경우 성장률 최적, GROW) 에 초점을 맞추고 있습니다. 이 접근법은 표본 크기가 유한하고 고정된 임상 시험에서는 종종 비최적입니다. 따라서 유한 시간 범위에 최적화되고, 프로토콜 위반에 대한 강건성을 가지며, 통계적 검정력을 희생하지 않으면서 자동 중단 (무효성 중단) 을 가능하게 하는 E-값 기반 설계가 필요합니다.

방법론
저자들은 설계 최적화 E-값을 사용하여 이진 데이터 (예: 종양 반응) 를 가진 단일 팔 다단계 임상 시험을 위한 프레임워크를 제안합니다. 점근적 증거 성장률을 최대화하는 표준 GROW E-값과 달리, 이러한 설계는 유한 시간 범위 $n$(최대 표본 크기) 에 걸쳐 성능을 최적화합니다.

1. 도박 비유 및 E-과정: 방법론은 E-값이 귀무가설 $H_0: \theta \le \theta_0$에 반대하고 대립가설 $H_1: \theta \ge \theta_1$을 지지하는 도박사의 자본을 나타내는 도박 비유를 활용합니다. 자본 과정 $M_t$는 $H_0$ 하에서 테스트 초마팅게일 (test supermartingale) 입니다.
2. 마르코프 의사결정 과정 (MDP): 최적 도박 전략은 유한 시간 범위 MDP 를 풀어서 유도됩니다. 상태 공간은 현재 시간 $t$와 현재 E-값 (자본) $M_t$로 정의됩니다. 행동 공간은 도박 비율 $B_t \in [0, 1]$로 구성됩니다.
3. 최적화 목표: 저자들은 동적 프로그래밍 (벨만 방정식) 을 통해 해결하기 위해 두 가지 주요 보상 함수를 정의합니다.
   • 검정력 최대화 (P-max): 최종 분석 시 $H_0$를 기각할 확률 ($M_n \ge 1/\alpha$ 도달) 을 최대화합니다.
   • 기대 표본 크기 최소화 (ESS-min): 전체 검정력이 지정된 임계값 (예: 80%) 이상으로 유지되도록 제약 조건 하에서 $H_1$ 하의 기대 표본 크기를 최소화합니다.
4. 자동 중단: 프레임워크는 비확률적 중단을 자연스럽게 통합합니다. E-값이 0 으로 떨어지거나 (또는 임계값 $1/\alpha$에 도달할 수 없는 '희망 없는 구역'에 진입하면), 시험은 무효성으로 인해 자동으로 중단됩니다.
5. 블록 설계: 이 접근법은 결과를 블록 내에서 완전 순차적으로 처리함으로써 블록 (데이터를 그룹으로 분석) 설계를 수용합니다. 이는 최대 표본 크기가 유지되는 한 중간 분석 시점이 계획에서 벗어나더라도 최소 검정력 제약이 충족되도록 보장합니다.

주요 기여

• 유한 시간 범위 최적성: 이 논문은 무한 시간 범위 GROW 기준을 넘어, 유한 표본 크기를 가진 특정 시험 설계를 위해 최적화된 E-값을 도입합니다.
• 동적 프로그래밍 구성: 검정력을 최대화하거나 검정력 제약 하에서 기대 표본 크기를 최소화하는 최적 도박 전략을 구성하는 계산 방법을 제공합니다.
• 프로토콜 위반에 대한 강건성: E-값의 '언제나 유효한 (anytime-valid)' 속성에 의존함으로써, 모니터링 일정이 변경되거나 시험이 계획된 크기를 넘어 계속되더라도 최대 표본 크기가 존중되는 한 제 1 종 오류 통제를 유지합니다.
• 자동 무효성 중단: 이 방법은 무작위적 추가가 아닌 설계 최적화에 통합된 무효성 중단 ($M_t = 0$일 때) 을 위한 엄격하고 자동화된 메커니즘을 제공합니다.
• 표준 설계와의 비교: 저자들은 설계 최적화 E-값이 유한 표본에서 표준 GROW E-값보다 우수한 성능을 발휘할 수 있으며, 표준 확률적 중단 (SC) 설계 및 시몬의 2 단계 설계와 비교하여 경쟁력 있는 운영 특성을 제공함을 입증합니다.

결과
이진 데이터 ($n=50$, $\theta_0=0.1$, $\theta_1=0.242$, $\alpha=0.05$) 를 가진 단일 팔 시험에 대해 완전 순차, 블록, 2 단계 설계 전반에 걸쳐 수치적 비교가 수행되었습니다.

• 제 1 종 오류 통제: 모든 E-값 기반 설계는 명목 수준 이하의 제 1 종 오류율을 유지했습니다.
• 검정력: P-max E-값 기반 설계는 표준 확률적 중단 (SC) 과 GROW E-값보다 높은 최종 검정력을 달성했으나, 초기 검정력은 낮게 나타났습니다. ESS-min 설계는 SC 와 비교 가능한 검정력을 달성했습니다.
• 기대 표본 크기 (ESS): ESS-min E-값 기반 설계는 $H_1$ 하에서 SC 에 비해 더 낮은 중앙값 기대 표본 크기를 보였습니다.
• 무효성 중단: E-값 기반 설계는 특히 2 단계 설계에서 귀무가설 하에서 SC 에 비해 조기 중단 (무효성) 확률이 더 높았습니다. GROW E-값 (켈리 도박) 은 비확률적 중단을 나타내지 않았습니다.
• 블록 설계: 블록 내 '완전 순차' 접근법은 완전 순차 설계의 검정력 특성을 유지하여 블록 크기 변동과 관계없이 최소 검정력 제약이 충족되도록 보장했습니다.

의의 및 주장
이 논문은 설계 최적화 E-값이 단일 팔 이진 시험의 현재 최첨단 기술에 대한 실현 가능하고 경쟁력 있는 대안을 제공한다고 주장합니다. 점근적 최적성에서 유한 시간 범위 최적성으로 초점을 이동시킴으로써, 이러한 설계는 프로토콜 위반 및 고정 중단 규칙에 관한 표준 적응형 시험의 경직성을 극복합니다. 저자들은 E-값 기반 설계가 다음과 같은 장점을 제공한다고 주장합니다.

1. 강건성: 지정되지 않은 데이터 모니터링 및 선택적 계속 하에서도 유효한 추론.
2. 효율성: 표준 적응형 설계와 비교하여 경쟁력 있거나 우수한 운영 특성 (검정력 및 ESS).
3. 유연성: 제 1 종 오류율을 증가시키지 않고 역사적 데이터를 통합하고 변화하는 시험 조건에 적응할 수 있는 능력.
4. 해석 가능성: 언제나 유효한 추론의 도입을 용이하게 하고 시험 계속 또는 무효성에 대한 직관적 지표를 제공하는 명확한 도박 해석.

저자들은 이러한 설계가 GROW E-값에서 발견되는 우도비와의 직접적인 연결을 상실하지만, 유한 표본 설정에서 더 우수한 실제 성능을 제공하며 다중 팔 및 반응 적응형 시험 설정으로의 확장이 필요하다고 결론지었습니다.