📊 statistics

Is control of type I error rate needed in Bayesian clinical trial designs?

Dit paper pleit voor het vervangen van de traditionele frequentistische controle van type I-fouten in Bayesiaanse klinische proefontwerpen door een adaptieve methode die direct gebruikmaakt van posterior-kansen om de kansen op valse ontdekkingen en valse nutteloosheid te beheersen, waardoor de interne consistentie van de Bayesiaanse principes wordt behouden.

Oorspronkelijke auteurs: Elja Arjas, Dario Gasbarra

Gepubliceerd 2026-03-23

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Elja Arjas, Dario Gasbarra

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een nieuw medicijn wilt testen om te zien of het beter werkt dan het oude, standaardmedicijn. Dit is als een lange, dure reis met een auto. Je wilt weten: "Is deze nieuwe auto sneller?"

In de wereld van klinische proeven (medische experimenten) zijn er twee hoofdgroepen die over deze reis beslissen:

De Regelaars (De Toezichthouders): Dit zijn de strenge inspecteurs (zoals de overheid). Hun enige doel is: "Zorg dat we geen fout maken door te zeggen dat de nieuwe auto sneller is, terwijl hij dat niet is." Ze gebruiken een oude, strikte meetlat genaamd de "Type I-fout".
De Onderzoekers (De Ontwikkelaars): Dit zijn de mensen die de nieuwe auto bouwen. Zij willen weten: "Is het zinvol om deze reis nog langer te maken, of moeten we stoppen omdat het toch niets wordt?"

Het Probleem: De Oude Meetlat vs. De Nieuwe Kompas

De auteurs van dit paper zeggen: "Wacht even. De regelaars dwingen de onderzoekers om de oude, strenge meetlat (frequentistische methode) te gebruiken, zelfs als ze een modern, slim kompas (Bayesiaanse methode) hebben."

De Oude Meetlat (Frequentistisch): Deze methode zegt: "Als je tussendoor even kijkt of de auto al sneller is, moet je je meetlat aanpassen, anders ga je fouten maken." Dit is als een jager die elke keer dat hij door een bos loopt, bang is dat hij een schaduw voor een hert aanziet. Omdat hij zo bang is, moet hij heel voorzichtig zijn, wat maakt dat hij minder snel een echt hert (een echt goed medicijn) vindt. Het is een statische, starre manier van denken.
Het Nieuwe Kompas (Bayesiaans): Deze methode zegt: "Kijk naar wat je nu ziet. Wat is de kans dat de nieuwe auto sneller is, gebaseerd op alles wat we tot nu toe hebben gezien?" Dit is flexibeler. Je kunt tussendoor kijken zonder je meetlat aan te passen, omdat je gewoon kijkt naar de huidige waarschijnlijkheid.

Het Conflict

De regelaars zeggen: "We vertrouwen alleen op die oude meetlat. Als je Bayesiaans werkt, moet je toch bewijzen dat je met die oude meetlat ook goed zou scoren."
De auteurs zeggen: "Dat is belachelijk! Het is alsof je een moderne elektrische auto laat testen met de regels voor stoomlocomotieven. Je verliest alle voordelen van de elektrische auto (flexibiliteit, snelheid, efficiëntie) omdat je probeert hem te laten voldoen aan regels die voor een heel ander systeem zijn bedacht."

De Oplossing: Twee Soorten "Vrees"

De auteurs stellen voor om de regelaars een nieuwe manier van denken te geven, zonder de oude meetlat te gebruiken. Ze introduceren twee nieuwe termen:

FDP (De Kans op een Valse Ontdekking):
- Oude manier: "Hoe vaak zeggen we per ongeluk 'ja' als we 100 keer testen?" (Dit is de Type I-fout).
- Nieuwe manier: "Als we nu zeggen 'ja, het werkt!', hoe groot is de kans dat we eigenlijk liegen?"
- Analogie: Stel je voor dat je een metaaldetector gebruikt. De oude methode vraagt: "Hoe vaak piept hij als er geen metaal is?" De nieuwe methode vraagt: "Als hij piept, is de kans groot dat er echt metaal ligt?" Dit is veel logischer voor de regelaar. Als de regelaar zegt: "Ik wil niet dat de kans op liegen meer dan 5% is," dan is dat een duidelijke, directe eis.
FFP (De Kans op Valse Waakzaamheid):
- Dit is voor de onderzoekers. "Als we stoppen omdat we denken dat het medicijn niets doet, hoe groot is de kans dat we een goudmijn hebben gemist?"
- Analogie: "Stoppen we te vroeg met graven, terwijl er nog goud ligt?"

Het Slimme Stoppen (De Kosten-Baten Analyse)

Een ander groot voordeel van hun methode is het kunnen stoppen van een proef als het duidelijk is dat het te duur wordt, zelfs als je nog geen definitief antwoord hebt.

Stel: Je rijdt al uren, en de nieuwe auto is net iets sneller, maar niet genoeg om de extra kosten van de reis te rechtvaardigen.
Oude methode: Je moet doorrijden tot het eind, omdat je "statistisch significant" moet zijn.
Nieuwe methode: Je kijkt naar de kosten. "Als we nog 1000 mensen testen, kosten dat 1 miljoen euro. De kans dat we een winnend medicijn vinden is klein. Laten we stoppen en het geld elders gebruiken." Dit heet "inconclusief stoppen", maar het is een slimme zakelijke beslissing.

Conclusie in Eenvoudige Woorden

De auteurs zeggen: "Stop met het proberen te mengen van twee totaal verschillende filosofieën. Of je gebruikt de oude, stijve regels (frequentistisch) en bent star, OF je gebruikt de nieuwe, flexibele regels (Bayesiaans) en bent slim.

De regelaars moeten stoppen met het eisen dat Bayesiaanse proeven zich gedragen als oude proeven. In plaats daarvan moeten ze vragen: "Wat is de kans dat jullie nu liegen?" (FDP). Als jullie zeggen: "De kans is kleiner dan 5%", dan is dat goed genoeg.

Het is als het dragen van een riem én een bretels. Je hebt maar één van beide nodig om je broek op zijn plaats te houden. Als je beide draagt, wordt het alleen maar ongemakkelijk en verward. Kies één systeem, en laat het goed werken."

Kort samengevat:
Deze paper pleit ervoor dat we stoppen met het dwingen van moderne, slimme medische tests om zich aan te passen aan verouderde, statische regels. In plaats daarvan moeten we direct kijken naar de kans dat we een fout maken op het moment dat we een beslissing nemen. Dit maakt proeven sneller, goedkoper en logischer, zonder de veiligheid van de patiënten in gevaar te brengen.

Titel: Is controle van het type I-foutpercentage noodzakelijk in Bayesiaanse klinische proefontwerpen?

Auteurs: Elja Arjas en Dario Gasbarra
Publicatiedatum: 23 maart 2026 (voorgesteld)

1. Het Probleem

De praktische toepassing van Bayesiaanse ontwerpen voor klinische proeven is nog steeds beperkt, ondanks hun theoretische voordelen. Een hoofdblokkade vormt de eis van toezichthouders (zoals de EMA en FDA) dat Bayesiaanse ontwerpen moeten worden gekalibreerd volgens een frequentistische bovengrens voor het type I-foutpercentage (de kans op een vals-positieve conclusie).

De auteurs identificeren hierbij een fundamenteel methodologisch conflict:

Frequentistische benadering: Vereist dat alle geplande tussentijdse analyses (interim looks) worden meegenomen in de berekening van het type I-foutpercentage om multipliciteit te corrigeren. Dit verlaagt de statistische power en vereist complexe aanpassingen (zoals $\alpha$ -spending-functies).
Bayesiaanse benadering: Rust op het likelihood-principe. Conclusies moeten alleen afhangen van de waargenomen data en de a priori kennis, niet van het experimenteel ontwerp of het tijdstip van analyse.
Het huidige compromis: Regels vereisen vaak een "hybride" methode waarbij Bayesiaanse inferentie wordt gebruikt, maar de acceptatie afhankelijk is van frequentistische criteria. De auteurs betogen dat dit de voordelen van de Bayesiaanse aanpak (flexibiliteit, directe probabilistische interpretatie) tenietdoet en leidt tot een intern inconsistente methodologie.

2. Methodologie

Het artikel stelt een puur Bayesiaans alternatief voor dat volledig losstaat van frequentistische type I-foutcontrole. De kern van de methode is een adaptief ontwerp voor een 2-armige superioriteitsproef met dichotome uitkomsten.

A. Beslissingsregels op basis van Posterior-kansen

In plaats van p-waarden en type I-fouten, worden beslissingen genomen op basis van posterior kansen die tijdens de proef worden bijgewerkt. Er worden twee verschillende prior-verdelingen gebruikt:

$\pi_e$ : Een prior goedgekeurd door de toezichthouders, gericht op het controleren van valse positieven (efficacy).
$\pi_f$ : Een prior gekozen door de onderzoekers/sponsors, gericht op het controleren van valse negatieven (futiliteit).

De proef stopt wanneer een van de volgende voorwaarden wordt voldaan:

Efficacy: $P_{\pi_e}(\theta_1 - \theta_0 \le \Delta | D_n) < \epsilon_e$ . De kans dat het experimentele middel niet significant beter is dan de controle (met een margin $\Delta$ ) is kleiner dan een drempel $\epsilon_e$ .
Futiliteit: $P_{\pi_f}(\theta_1 - \theta_0 \ge 0 | D_n) < \epsilon_f$ . De kans dat het middel beter is dan de controle is zo klein dat de proef als nutteloos wordt beschouwd.

B. Nieuwe Criteria: FDP en FFP

Om de eisen van toezichthouders te vervullen zonder terug te vallen op frequentistische type I-fouten, introduceren de auteurs twee nieuwe Bayesiaanse criteria:

False Discovery Probability (FDP): De voorwaardelijke kans dat een conclusie van efficacie vals is, gegeven dat een positieve conclusie is bereikt.
- Kernresultaat: Als de beslissingsregel (stop bij $P < \epsilon_e$ ) consequent wordt toegepast, is de FDP automatisch begrensd door $\epsilon_e$ . Er is geen voorafgaande simulatie nodig om dit te garanderen.
False Futility Probability (FFP): De voorwaardelijke kans dat een conclusie van futiliteit vals is, gegeven dat de proef wordt stopgezet vanwege futiliteit. Ook deze wordt automatisch begrensd door $\epsilon_f$ .

C. Vroege Stoppen bij Inconclusieve Resultaten (Utility-based)

Het ontwerp bevat een derde optie: stoppen met een inconclusief resultaat als de verwachte kosten van het voortzetten de verwachte winst overschrijden.

Dit wordt gemodelleerd met een nutfunctie (utility function) die rekening houdt met:
- Winst bij correcte conclusies ( $G_e, G_f$ ).
- Verlies bij foutieve conclusies ( $L_e, L_f$ ).
- Kosten per extra patiënt.
De proef wordt gestopt als de predictieve verwachte nut van het voortzetten negatief wordt.

3. Belangrijkste Bijdragen

Afwijzing van Type I-foutcontrole: De auteurs beargumenteren dat het controleren van het type I-foutpercentage in Bayesiaanse ontwerpen overbodig en schadelijk is, omdat het het likelihood-principe schendt en de power verlaagt.
FDP als vervanging: Ze introduceren de False Discovery Probability als het logische Bayesiaanse equivalent voor het type I-foutpercentage. Het bewijs toont aan dat het toepassen van een drempel op de posterior kans automatisch leidt tot een begrenzing van de FDP.
Twee Priors: Het gebruik van gescheiden priors voor toezichthouders (conservatief) en onderzoekers (optimistisch) lost het conflict op tussen de eisen van de regulator en de interesses van de sponsor.
Geen voorafgaande simulaties nodig: In tegenstelling tot hybride methoden die uitgebreide simulaties vereisen om de frequentistische power en type I-fout te kalibreren, zijn de Bayesiaanse criteria in dit ontwerp direct en automatisch geldig zodra de data binnenkomen.
Integratie van Decision Theory: Het artikel biedt een coherent raamwerk voor het stoppen van proeven bij futiliteit of wanneer de kosten de baten overtreffen, puur gebaseerd op Bayesiaanse decision theory.

4. Resultaten (Numerieke Illustraties)

De auteurs presenteren simulaties (gebaseerd op Monte Carlo-methoden) om het gedrag van het ontwerp te illustreren onder drie scenario's:

(a) Experimenteel middel is duidelijk beter: De proef stopt vroeg met een conclusie van efficacie ( $d_e$ ). De kans op valse conclusies is laag.
(b) Experimenteel middel is slechter: De proef stopt vroeg met een conclusie van futiliteit ( $d_f$ ).
(c) Experimenteel middel is iets beter, maar niet significant (binnen de margin): Zonder de optie tot vroege stop zou de proef vaak tot het maximale aantal patiënten ( $N_{max}$ ) lopen zonder duidelijke uitkomst. Met de utility-based stopregel wordt de proef hier efficiënter gestopt, wat leidt tot een hogere totale verwachte nut (door besparing van kosten) zonder de kans op correcte beslissingen in de andere scenario's te schaden.

De resultaten tonen aan dat het toepassen van de optie voor vroege stop bij inconclusieve resultaten de efficiëntie van het ontwerp aanzienlijk verbetert, vooral in scenario's waar het verschil tussen de behandelingen klein is.

5. Betekenis en Conclusie

Het artikel is een principieel pleidooi voor een radicale verschuiving in de regulering van klinische proeven.

Kritiek op Hybriden: De auteurs beschouwen de huidige praktijk (Bayesiaanse analyse met frequentistische kalibratie) als een "mongrel" (hybride) die de voordelen van beide werelden tenietdoet.
Regulatorische Acceptatie: Ze suggereren dat toezichthouders hun focus moeten verleggen van het controleren van het type I-foutpercentage naar het accepteren van de False Discovery Probability (FDP). Omdat de FDP direct voortvloeit uit de Bayesiaanse posterior-kansen, is deze controle inherent en niet afhankelijk van het aantal tussentijdse analyses.
Toekomstperspectief: De methode biedt meer flexibiliteit, vereist minder complexe logistiek (geen noodzaak voor strikte planning van interim-analyses om multipliciteit te corrigeren) en levert direct interpreteerbare kansen op voor de besluitvorming.

De auteurs concluderen dat het antwoord op de vraag in de titel een duidelijk "Nee" is: controle van het type I-foutpercentage is niet nodig in Bayesiaanse klinische proefontwerpen, mits men overgaat op een coherent Bayesiaans raamwerk met criteria zoals FDP en FFP.