Partial Ordering Bayesian Logistic Regression Model for Phase I Combination Trials and Computationally Efficient Approach to Operational Prior Specification

Technische Samenvatting: Partial Ordering Bayesian Logistic Regression Model voor Fase I Combinatiestudies

Probleemstelling
Fase I klinische trials hebben als doel de Maximum Tolerated Dose (MTD) of Maximum Tolerated Combination (MTC) te identificeren binnen een streeftoxiciteitsniveau (TTL). Hoewel de Continual Reassessment Method (CRM) en de uitbreiding daarvan, de Partial Ordering CRM (POCRM), breed worden gebruikt voor single-agent en combinatiestudies, vertrouwen zij op een-parametermodellen. De POCRM, in het bijzonder, gaat uit van een specifieke ordening van dosiscombinaties en gebruikt een een-parameter machtsmodel. Deze structuur wordt bekritiseerd vanwege het feit dat deze te restrictief is in complexe settings, zoals:

1. Integratie van de controlegroep: In trials waarbij patiënten willekeurig worden gerandomiseerd tussen experimentele dosiscombinaties en een Standard of Care (SoC) controlegroep, is een nauwkeurige schatting van de toxiciteit vereist op meerdere punten op de toxiciteitsoppervlakte (specifiek bij de SoC en de MTC). Een-parametermodellen slagen er vaak niet in om deze afzonderlijke punten simultaan te fitten.
2. Complexiteit van interactie: In multi-drug of dosis-schema trials is het begrijpen van de vorm van de combinatie-toxiciteitsoppervlakte vaak noodzakelijk, verder dan enkel het lokaliseren van de MTC.
3. Computationele belasting van kalibratie: Het ontwerpen van deze trials vereist het specificeren van hyperparameters (bijv. toxiciteitsskeletten, priorverdelingen). De conventionele "grid search" kalibratiemethode, die alle parametercombinaties evalueert over meerdere scenario's, lijdt onder multiplicatieve computationele kosten die exponentieel groeien met het aantal parameters en scenario's.

Methodologie
Het artikel stelt twee primaire methodologische verbeteringen voor: het Partial Ordering Bayesian Logistic Regression Model (POBLRM) en een Cyclic Calibration Approach.

1. Het POBLRM-model
De POBLRM breidt de POCRM uit door het een-parameter machtsmodel te vervangen door een twee-parameter logistische regressiemodel, terwijl het partial ordering framework behouden blijft.

• Modelstructuur: Onder een specifieke ordening $s$ wordt de toxiciteitskans $\psi_s(d_i, \theta)$ gemodelleerd als:
  $$\text{logit}(\psi_s(d_i, \theta)) = \theta_1 + \theta_2 \tilde{d}_i$$
  waarbij $\theta = (\theta_1, \theta_2)^T$ de modelparameters zijn en $\tilde{d}_i$ de gestandaardiseerde dosisniveaus zijn afgeleid van de vooraf geschatte toxiciteit (skelet).
• Aanpassing aan de gerandomiseerde setting: In gerandomiseerde trials (experimentele arm versus SoC) legt het model een beperking op waarbij $d_0 = 0$ geldt voor de controlegroep. Dit zorgt ervoor dat updates aan het model op basis van de experimentele arm de toxiciteitsschatting bij de SoC niet veranderen, waardoor het model zowel de controle als de MTC nauwkeurig kan fitten.
• Priorverdelingen en efficiëntie: De auteurs adresseren de computationele kosten van het schatten van twee-parameter modellen onder meerdere ordeningen.
  • Zij introduceren een pseudo prior (gebaseerd op Beta-verdelingen afgeleid van pseudo-cohorten) die zorgt voor closed-form likelihood berekeningen en numerieke integratie of MCMC vermijdt.
  • Zij vestigen een link tussen de conventionele Normale prior en de pseudo prior door de Kullback-Leibler (KL) divergentie tussen de resulterende posterieure toxiciteitscurven te minimaliseren. Dit stelt onderzoekers in staat om intuïtieve Normale priors te specificeren terwijl zij de computationeel efficiënte pseudo prior kunnen gebruiken voor simulaties en de selectie van ordening (via AIC).

2. Cyclic Calibration Approach
Om de computationele inefficiëntie aan te pakken bij het kalibreren van designparameters (skelet-afstand, prior gemiddelden/varianties), stelt het artikel een "cyclic calibration" methode voor.

• Mechanisme: In plaats van de volledige grid van parametercombinaties te evalueren (multiplicatieve complexiteit), werkt het algoritme de parameters één voor één in een cyclus bij. Het zoekt naar de optimale waarde van één parameter terwijl de andere constant worden gehouden, en beweegt dan naar de volgende.
• Scenarioselectie: Om de kosten verder te verlagen, suggereert de methode te kalibreren tegen een subset van scenario's in plaats van de volledige set. De subset wordt gekozen op basis van scenario-complexiteit, gemeten door de PO-benchmark (een bovengrens op de kans van correcte selectie). Specifiek stellen de auteurs voor om alleen de scenario's te gebruiken met de laagste en hoogste benchmarkprestaties (bijv. "Ben2").
• Convergentie: Het algoritme stopt wanneer een volledige cyclus geen verbetering meer oplevert in het geometrisch gemiddelde van de Probability of Correct Selection (PCS), wat een garantie biedt op convergentie naar een lokaal maximum.

Belangrijkste Resultaten
Numerieke evaluaties werden uitgevoerd in een $3 \times 3$ dual-agent combinatie trial setting ($N=45$ patiënten) en een gerandomiseerde setting.

• Prestaties vs. POCRM:
  • In niet-gerandomiseerde settings presteert de POBLRM vergelijkbaar met de POCRM wat betreft PCS (Gemiddelde PCS $\approx$ 44%).
  • In gerandomiseerde settings (met een controlegroep) presteert de POBLRM significant beter dan de POCRM. De gemiddelde PCS steeg van 38% (POCRM) naar 45% (POBLRM). De POBLRM identificeerde de SoC succesvol wanneer alle combinaties te toxisch waren (78% selectierate versus 4s% voor POCRM), en selecteerde hogere doses wanneer alle combinaties veilig waren, waar het een-parametermodel moeite had om beide extremen te fitten.
• Prestaties vs. 2BLRM:
  • Vergeleken met het twee-dimensionale Bayesian Logistic Regression Model (2BLRM) vertoonde de POBLRM een vergelijkbare gemiddelde PCS, maar bood een meer gebalanceerde prestatie over verschillende scenario's. De 2BLRM vertoonde een hoge variantie, waarbij het goed presteerde in "makkelijke" scenario's maar slecht in "antagonistische" scenario's waar drug-interacties de toxiciteit verminderen.
  • Computationele Efficiëntie: De simulatietijden van de POBLRM waren ongeveer twee keer die van de POCRM (1,36s vs. 0,6s), maar dramatisch sneller dan de 2BLRM (95,42s).
• Kalibratie-efficiëntie:
  • De Cyclic2 benadering (cyclische kalibratie met slechts 2 scenario's) bereikte een gemiddelde PCS die binnen 0,5% lag van de Grid20 benadering (volledige grid search over 20 scenario's).
  • Dit resulteerde in een computationele reductie van meer dan 2.500-voudig (en tot wel 5.000-voudig in andere onderzoeken) vergeleken met een volledige grid search, terwijl de operationele kenmerken behouden bleven.

Betekenis en Claims
Het artikel claimt dat de POBLRM een noodzakelijke evolutie biedt voor Fase I combinatie trials, met name die met controlegroepen of complexe dosis-schema interacties waar een-parametermodellen ontoereikend zijn. Door de flexibiliteit van een twee-parameter logistisch model te combineren met het partial ordering framework, biedt het een nauwkeurige schatting van de toxiciteit op meerdere punten op het oppervlak zonder de extreme computationele last van volledig flexibele multidimensionale modellen zoals de 2BLRM.

Verder bieden de voorgestelde cyclic calibration en scenario-reductiestrategieën een praktische oplossing voor de "computationeel dure" aard van moderne adaptieve trial designs. De auteurs stellen dat deze methoden het mogelijk maken om operationele priors te specificeren die robuust zijn over een breed scala aan scenario's zonder dat hiervoor prohibitieve computationele middelen nodig zijn. Dit maakt geavanceerde Bayesiaanse designs toegankelijker voor real-world klinische trials. Het werk wordt gemotiveerd door en toegepast op specifieke oncologie en COVID-19 trials (bijv. het AGILE platform), wat de bruikbaarheid ervan in real-world statistische samenwerking demonstreert.