Backfill Bayesian Ordered Lattice Design for Phase I Clinical Trials

이 논문은 기존 BOLD 설계를 확장하여 용량 탐색과 활성 평가를 동시에 수행하는 백필 BOLD(BF-BOLD) 설계를 제안함으로써, 안전성과 효능을 모두 고려한 최적 생물학적 용량을 보다 효율적으로 도출하고 과다 투여를 줄이는 Phase I 임상시험의 대안을 제시합니다.

핵심

1. 문제점: "너무 높은 산을 오르는 것"

기존의 1 상 임상시험은 주로 **"약이 얼마나 독한가 (부작용)"**만 확인하는 데 집중했습니다.

• 비유: 의사와 연구자들은 환자를 데리고 **독이 있는 산 (약물)**을 오릅니다. 목표는 "환자가 넘어지지 않을 (부작용이 심하지 않을) 가장 높은 지점"을 찾는 것입니다. 이를 **최대 허용 용량 (MTD)**이라고 합니다.
• 한계: 하지만 문제는, 그 '가장 높은 지점'이 약이 **가장 잘 듣는 지점 (효과)**과 다를 수 있다는 것입니다.
  • 예를 들어, 산의 80% 지점에서는 약효가 이미 최고조에 달했는데, 90% 지점까지 올라가서야 "아, 여기서부터는 너무 독하네!"라고 깨닫는 경우가 많습니다.
  • 이때 90% 지점을 선택하면 환자는 불필요한 독성 (부작용) 을 겪게 되지만, 약효는 80% 지점과 똑같습니다.
  • 최근 FDA(미국 식품의약국) 는 "단순히 독하지 않은 최고 용량이 아니라, 효과도 있고 독도 적은 최적의 용량을 찾아야 한다"고 강조하고 있습니다. 이를 **최적 생물학적 용량 (OBD)**이라고 합니다.

2. 새로운 해결책: "BF-BOLD" (등산하며 아래쪽도 확인하기)

이 논문은 BOLD라는 기존 등산 방법 (통계적 설계) 에 'Backfill (메우기)' 전략을 더했습니다.

• Backfill 이란?

  • 등산대 (환자 그룹) 가 현재 높은 지점 (예: 5 층) 에서 안전을 확인하는 동안, 아직 안전이 확인된 낮은 지점 (예: 3 층이나 4 층) 에도 몇몇 환자를 보내는 것입니다.
  • 마치 등산대장이 "여기 5 층은 안전해!"라고 확인하는 동안, 부대원들이 "그렇다면 3 층과 4 층은 약효가 어때?"를 미리 확인하는 것과 같습니다.

• 왜这么做 (이렇게) 할까요?

  • 높은 지점 (5 층) 에서 독성을 확인하는 데 시간이 걸리는 동안, 낮은 지점 (3~4 층) 에서 약효 데이터를 미리 모을 수 있습니다.
  • 나중에 분석해보면 "아, 5 층은 너무 독하고, 4 층은 독도 적고 약효도 최고네!"라는 결론을 내릴 수 있게 됩니다.

3. 이 방법의 장점 (세 가지 핵심)

① "안전하면서도 효과적인 지점" 찾기 (OBD 발견)

• 비유: 케이크를 굽는다고 상상해 보세요.
  • 기존 방식은 "설탕을 얼마나 넣어도 타지 않는지 (부작용)"만 확인하다가, "설탕을 100g 넣었을 때 가장 맛있네"라고 결론 내립니다.
  • 하지만 실제로는 80g 에서도 맛이 최고였을 수 있습니다.
  • BF-BOLD는 100g 을 굽는 동안, 80g 과 90g 도 함께 구워보며 "80g 이 가장 맛있고 안전하다"는 것을 미리 알아냅니다. 이렇게 **최적의 용량 (OBD)**을 찾아냅니다.

② "너무 많이 먹이는 실수" 줄이기 (과다 투여 방지)

• 높은 지점으로 너무 빨리 올라가서 환자가 독성으로 고생하는 경우를 줄여줍니다. 낮은 지점에서도 데이터를 모으기 때문에, "아, 이 정도면 충분하구나"라고 일찍 내려올 수 있습니다.

③ "약이 아예 안 듣는 경우" 빨리 알기 (효능 부재 확인)

• 만약 낮은 지점에서도 약효가 전혀 없다면, "이 약은 아예 효과가 없구나"라고 빨리 판단하여 불필요한 추가 시험을 막아줍니다. 이는 환자를 보호하고 비용을 아끼는 길입니다.

4. 결론: 왜 이 방법이 중요한가요?

이 논문이 제안하는 BF-BOLD 방식은 다음과 같은 장점이 있습니다:

1. 복잡한 수학 없이 간단합니다: 매우 정교하고 어려운 통계 모델이 아니라, 논리적으로 이해하기 쉬운 방법입니다.
2. 효율적입니다: 별도의 추가 시험 (Phase 1b) 을 하지 않아도, 같은 시간 안에 안전성과 효과성을 모두 확인할 수 있습니다.
3. 환자 중심입니다: 환자를 불필요한 독성에 노출시키지 않으면서도, 약이 잘 듣는지 확인해줍니다.

한 줄 요약:

"기존에는 '독하지 않은 최고 높이'만 찾느라 약효를 놓쳤다면, 이 새로운 방법은 **'등산하며 아래쪽도 미리 확인'**하여 **'가장 안전하고도 약효가 좋은 지점'**을 찾아내는 똑똑한 방법입니다."

이 방법은 특히 암 치료제나 표적 치료제처럼 독성과 효과가 복잡하게 얽힌 약물을 개발할 때 매우 유용할 것으로 기대됩니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 기존 1 상 임상시험의 한계: 전통적인 1 상 임상시험은 주로 최대 허용 용량 (MTD, Maximum Tolerable Dose) 을 찾는 데 초점을 맞추고 있습니다. 그러나 MTD 가 항상 안전하고 활성 (efficacy) 이 있는 최적의 용량인 것은 아닙니다. 특히 표적 치료제나 면역요법의 등장으로 용량 증가에 따른 독성 비율이 평탄화 (plateau) 되는 경우가 많아, MTD 보다 낮은 용량에서도 충분한 활성을 보일 수 있습니다.
• 최적 생물학적 용량 (OBD) 의 필요성: FDA 의 'Project Optimus'와 같은 규제 당국의 요구에 따라, 단순한 독성 관리뿐만 아니라 치료 활성을 고려한 '최적 생물학적 용량 (OBD, Optimal Biological Dose)'을 찾는 것이 중요해졌습니다. OBD 는 MTD 보다 낮을 수 있으며, 독성을 줄이면서 활성을 유지하는 용량입니다.
• 기존 접근법의 부족: 기존의 MTD 결정 후 2 상 시험을 위해 용량 확장 (dose expansion) 을 수행하거나, 별도의 1b 상 시험을 거치는 방식은 비효율적일 수 있으며, 과도한 용량 (overdose) 을 환자에게 노출시킬 위험이 있습니다. 또한, 활성 (activity) 평가가 독성 평가와 분리되어 이루어지는 경우가 많습니다.

2. 제안된 방법론: BF-BOLD (Methodology)

저자들은 기존 베이지안 순서 격자 설계 (BOLD, Bayesian Ordered Lattice Design) 에 '백필 (Backfilling)' 전략을 통합한 BF-BOLD를 제안합니다.

• 핵심 개념:
  • 백필 (Backfilling): 현재 용량 결정 (dose-finding) 과정에서 환자를 투여하는 동안, 안전성이 입증된 현재 투여 용량보다 낮은 용량 (anti-cover dose) 에 추가 환자를 할당하여 활성 데이터를 수집하는 전략입니다.
  • 동시 평가: 독성 (DLT) 데이터는 MTD 찾기를 위해, 활성 (Activity) 데이터는 OBD 찾기를 위해 동시에 수집 및 분석됩니다.
• 수학적 모델:
  • 독성 모델: 베타 분포 (Beta distribution) 를 사용하여 DLT 발생 확률 ($\pi_j$) 을 추정합니다. 순서 제약 (dose가 증가함에 따라 독성도 증가) 을 PAVA(Pool-Adjacent-Violators Algorithm) 를 통해 적용하여 등방성 회귀 (isotonic regression) 를 수행합니다.
  • 활성 모델: 이항 분포를 따르는 활성 확률 ($\pi^a_j$) 을 추정하며, 역시 PAVA 를 적용하여 활성의 평탄화 구간을 파악합니다.
  • 안전성 통제:
    • CPAT (Conjugate Posterior Probability of Toxicity Above Target): 목표 독성률 ($\phi$) 을 초과할 확률이 임계값 ($\gamma$) 을 넘으면 해당 용량과 그 이상의 용량을 배제합니다.
    • 백필 허용 조건: 백필을 수행할 용량은 현재 투여 용량보다 낮아야 하며, 활성 확률이 최소 허용 기준 ($\phi_a$) 을 충족해야 합니다.
• OBD 결정 절차:
  1. MTD 를 먼저 식별합니다.
  2. MTD 이하의 용량 중 활성률이 MTD 의 활성률과 비교해 일정 수준 (예: 10% 이내) 의 손실만 있으면서도 최소 활성 기준 ($\phi_a$) 을 만족하는 가장 낮은 용량을 OBD 로 선정합니다.
  3. 활성이 충분하지 않다면 OBD 는 존재하지 않는다고 판단합니다.

3. 주요 기여 (Key Contributions)

1. 효율적인 OBD 식별 프레임워크: MTD 찾기와 활성 평가를 단일 시험 내에서 통합하여, MTD 보다 낮은 용량에서의 활성 '평탄화 구간 (plateau)'을 식별하고 OBD 를 도출하는 새로운 방법론을 제시했습니다.
2. 과다 투여 (Overdose) 감소: 백필 전략을 통해 낮은 용량에 대한 데이터를 더 많이 확보함으로써, 고위험 용량에 환자를 노출시키는 빈도를 줄이고 안전성을 강화했습니다.
3. 비교 우위성 입증:
   • 기존 BOLD 설계 (백필 없음) 및 BF-BOIN(Backfilling incorporated into BOIN) 과 비교하여 MTD 및 OBD 식별 정확도가 더 높음을 시뮬레이션으로 증명했습니다.
   • 별도의 1b 상 용량 확장 시험 (BOLD-1b) 을 거치는 전통적 방식과 비교했을 때, BF-BOLD 는 더 적은 환자 수로 동등하거나 더 높은 정확도를 보여주었습니다.
4. 특이도 (Specificity) 향상: 활성이 없는 경우 (유효성 없음) 를 정확히 식별하여 불필요한 후속 시험을 방지하는 높은 특이도를 보였습니다.

4. 시뮬레이션 결과 (Results)

• 정확도: 다양한 시나리오 (5 용량, 3 용량 모델) 에서 BF-BOLD 는 MTD 와 OBD 를 모두 정확하게 식별하는 비율이 기존 설계들보다 높았습니다. 특히 MTD 와 OBD 사이의 간격 (gap) 이 클수록 OBD 식별 정확도가 향상되었습니다.
• 안전성: 백필 환자 수를 늘릴수록 전체 과다 투여 (overdose) 비율이 감소했습니다. $\tau$ (과다 투여 제어 파라미터) 값을 0.5 에서 0.45 로 낮추면 과다 투여율이 더욱 크게 감소하면서도 MTD 정확도는 크게 떨어지지 않았습니다.
• 비교 분석:
  • BF-BOLD vs BF-BOIN: BF-BOLD 가 MTD 식별 정확도에서 우위를 보였으며, 특히 MTD 가 높은 용량일 때 더 좋았습니다.
  • BF-BOLD vs BOLD-1b (전통적 확장): BF-BOLD 는 전체 환자 수를 비슷하게 유지하면서도 MTD 및 OBD 정확도가 더 높았고, 과다 투여율이 더 낮았습니다. 다만, 모든 용량이 독성이 강해 MTD 가 존재하지 않는 경우 (bottom state) 에는 BOLD-1b 가 약간 더 유리할 수 있음을 발견했습니다.

5. 의의 및 결론 (Significance)

• 임상적 효율성: BF-BOLD 는 1 상 임상시험의 기간과 비용을 절감하면서도, 안전성과 유효성을 동시에 고려한 최적의 용량 (OBD) 을 찾는 데 기여합니다. 이는 FDA 의 Project Optimus 이니셔티브와 부합하는 혁신적인 접근법입니다.
• 실용성: 복잡한 통계 모델링 없이 베이지안 프레임워크와 PAVA 를 활용한 직관적이고 계산 효율적인 방법론을 제공합니다.
• 적용 가능성: 특히 신보조요법 (neoadjuvant) 연구와 같이 조직 분석을 통해 활성 마커 (예: 병리학적 반응) 를 즉시 얻을 수 있는 상황에서 매우 유용합니다.
• 안전성 강화: 백필 설계 자체가 과다 투여를 통제하는 메커니즘으로 작용하여, 환자 안전을 최우선으로 하는 윤리적 임상시험 설계를 가능하게 합니다.

요약하자면, 이 논문은 BF-BOLD를 통해 1 상 임상시험에서 MTD 와 OBD 를 동시에 식별하고 안전성을 강화하며 비효율적인 후속 시험을 줄일 수 있는 강력한 통계적 설계 프레임워크를 제시했습니다.