Adaptive clinical trial design with delayed treatment effects using elicited prior distributions

Technische Samenvatting: Adaptief Klinisch Trial Design met Vertraagde Behandelingseffecten Gebruikmakend van Geëliciteerde Prior Verdelingen

Probleemstelling
Klinische trials die gebruikmaken van time-to-event eindpunten, zoals algehele overleving (OS) of progressievrije overleving (PFS), zijn cruciaal voor het evalueren van nieuwe therapieën, met name in de immuno-oncologie. Echter, moderne behandelingen zoals immunotherapie vertonen vaak vertraagde behandelingseffecten (DTE's), waarbij therapeutische voordelen pas na een specifieke periode aan het licht komen. Dit fenomeen schendt de proportionele hazard-assumptie (PH), die ten grondslag ligt aan standaard statistische methoden zoals het Cox-model en de log-rank test. Bijgevolg worden traditionele trial designs geconfronteerd met aanzienlijke risico's:

1. Suboptimale Power: Standaard methoden kunnen ongepast of suboptimaal zijn wanneer de PH wordt geschonden.
2. Voortijdige Beëindiging: Interim-analyses die worden uitgevoerd voordat de vertragingsperiode is verstreken, kunnen het uiteindelijke behandelingseffect onderschatten, wat leidt tot onjuiste beslissingen over futiliteit en de voortijdige beëindiging van potentieel effectieve trials.
3. Onzekerheid: Kernparameters die de vertraging beheersen (de onset-tijd $T$ en de post-delay hazard ratio $HR^*$) zijn inherent onzeker tijdens de ontwerpfase, wat het moeilijk maakt om trials te ontwerpen die zowel adequaat krachtig als robuust zijn.

Methodologie
De auteurs stellen een hybride Bayesiaans-frequentistisch adaptief trial design framework voor dat geëliciteerde prior verdelingen van experts integreert om DTE's aan te pakken. De methodologie bestaat uit drie componenten:

1. Model Parameterisatie en Priors:

   • De trial gaat uit van een piecewise hazard model waarbij de hazard van de experimentele groep gelijk is aan die van de controlegroep tot een vertragingstijd $T$, waarna een constante hazard ratio $HR^*$ van toepassing is.
   • Controlegroep-parameters ($\lambda_c, \gamma_c$) worden afgeleid uit historische data.
   • Expert elicitation wordt gebruikt om priors te definiëren voor:
     • $P_S$: De waarschijnlijkheid dat de overlevingscurves uiteenlopen (behandelingseffect bestaat).
     • $P_{DTE}$: De waarschijnlijkheid van een vertraging, geconditioneerd op de aanwezigheid van een effect.
     • $D_{HR^*}$: De distributie van de post-delay hazard ratio.
     • $D_T$: De distributie van de vertragingsduur.
   • Deze structuur creëert drie klinisch relevante scenario's: geen effect, direct effect, en vertraagd effect.

2. Assurance met Interim-analyses:

   • Het framework breidt het concept van assurance (de prior-gewogen waarschijnlijkheid van succes) uit naar adaptieve designs.
   • In tegenstelling tot traditionele power berekend bij een vaste alternatieve hypothese, middelt assurance de waarschijnlijkheid van succes over de gezamenlijke prior verdeling van parameters, waarbij rekening wordt gehouden met de onzekerheid in $T$ en $HR^*$.
   • Dit wordt geschat via simulatie, waarbij trials worden gesimuleerd onder getrokken parameter vectoren, en stopping rules worden toegepast bij interim-kijkjes.

3. Predictive Probability (PP) voor Futility Stopping:

   • Een nieuw Predictive Probability (PP) framework wordt ontwikkeld voor interim-beslissingen over futiliteit.
   • Tijdens een interim-analyse worden de geëliciteerde priors bijgewerkt met geobserveerde data middels MCMC om posterior verdelingen te verkrijgen.
   • Deze posteriors worden naar voren gepropageerd om niet-geobserveerde toekomstige uitkomsten te simuleren, waarbij de finale analyse wordt gereconstrueerd om de waarschijnlijkheid te schatten dat de nulhypothese ($H_0$) uiteindelijk wordt verworpen.
   • Kerninnovatie: De vertragingstijd $T$ wordt behandeld als een vrije parameter die met data wordt bijgewerkt, in plaats van een vaste waarde, waardoor de PP rekening kan houden met de onzekerheid in de timing van het effect.
   • Stopping Rule: De trial stopt voor futiliteit als de geschatte PP onder een vooraf gespecificeerde drempelwaarde $\lambda$ valt. Beslissingen over effectiviteit blijven geregeerd door standaard group sequential boundaries (alpha-spending) om de controle over de Type I fout te waarborgen.

4. Kalibratieprocedure:

   • Timing Selectie: De interim-timing wordt gekozen door de distributie van PP-waarden onder de prior predictive verdeling te simuleren. De optimale tijd wordt gekozen wanneer de PP-distributie voldoende gepolariseerd is (geconcentreerd nabij 0 en 1) om veelbelovende van niet-veelbelovende trials te onderscheiden, wat garandeert dat het kijkmoment informatief is.
   • Drempelwaarde Selectie: De futiliteit drempelwaarde $\lambda$ wordt gekalibreerd om een balans te vinden tussen Type I foutcontrole, power onder alternatieve scenario's (inclusief vertraagde effecten), en het minimaliseren van de verwachte steekproefomvang onder de nulhypothese.

Belangrijkste Bijdragen
Het artikel levert vier specifieke bijdragen:

1. Extensie van Assurance: Het breidt het assurance-framework uit naar adaptieve designs met interim-analyses, waardoor trialisten de impact van interim-kijkjes op de algehele waarschijnlijkheid van succes kunnen evalueren onder parameteronzekerheid.
2. PP Framework voor DTE's: Het ontwikkelt een Predictive Probability framework specifiek voor besluitvorming over futiliteit in aanwezigheid van vertraagde effecten, gebruikmakend van geëliciteerde priors die sequentieel met trial-data worden bijgewerkt.
3. Kalibratiemethodologie: Het biedt een praktische, tweestaps kalibratieprocedure voor het selecteren van de interim-timing en de PP-futiliteitsdrempelwaarde, waarbij geoptimaliseerd wordt voor operating characteristics zoals de verwachte steekproefomvang onder de nulhypothese terwijl de power behouden blijft.
4. Software Implementatie: De auteurs hebben een gratis, open-source R-package (DTEAssurance) en een Shiny applicatie ontwikkeld om de implementatie van dit framework te vergemakkelijken, waardoor onderzoekers adaptieve designs kunnen simuleren, vergelijken en visualiseren.

Resultaten
Het framework werd geëvalueerd met behulp van een hypothetische Fase III trial in niet-kleincellig longcarcinoom (NSCLC) waarbij een immunotherapie werd vergeleken met docetaxel. De studie vergeleek vier designs:

• D1: Fixed design (geen interim).
• D2: Group Sequential Design (GSD) met alleen efficacy-looks.
• D3: Hybride GSD met PP-gebaseerde futiliteit (de voorgestelde methode).
• D4: GSD met standaard beta-spending futiliteitsgrenzen.

Belangrijkste Bevindingen:

• Onder de Nul (Geen Effect): Beide adaptieve designs (D3 en D4) reduceerden de verwachte steekproefomvang (van 1.200 naar ~1.022) en de trialduur aanzienlijk door ~69% van de futile trials vroegtijdig te stoppen, terwijl de Type I fout op het nominale niveau van 2,5% werd gehouden.
• Onder een Vertraagd Effect (Primair Scenario): Het voorgestelde PP-design (D3) vertoonde superieure prestaties vergeleken met de standaard beta-spending benadering (D4). D3 stopte slechts 5,5% van de vertraagde-effect trials voor futiliteit (powerverlies van 0,7% relatief aan D2), terwijl D4 15,3% stopte (powerverlies van 3,3%). Dit komt doordat de standaard log-rank statistiek (gebruikt in D4) wordt gedempt door de vertraging, wat leidt tot voortijdige futiliteit, terwijl de PP-benadering (D3) voorkennis over de vertraging incorporeert en daardoor robuust blijft.
• Onder een Direct Effect: Beide adaptieve designs presteerden vergelijkbaar, met minimaal powerverlies vergeleken met fixed designs.
• Sensitiviteit: De resultaten waren robuust tegen variaties in de geëliciteerde prior waarschijnlijkheden ($P_S$ en $P_{DTE}$).

Betekenis en Claims
Het artikel claimt dat dit framework een geprincieerd en praktisch aanpak biedt voor het ontwerpen van adaptieve trials voor therapieën met vertraagde effecten. Door geëliciteerde expertkennis direct in het plannings- en besluitvormingsproces te integreren, de methode:

• Verhoogt de Robuustheid: Het minimaliseert het risico op het voortijdig beëindigen van trials met echte, maar vertraagde voordelen, een kritiek probleem in de immuno-oncologie.
• Verbetert de Efficiëntie: Het vermindert de verwachte steekproefomvang en de trialduur onder de nulhypothese zonder de power onder plausibele alternatieve scenario's op te offeren.
• Behoudt de Rigor: Het handhaaft strikte frequentistische Type I foutcontrole voor effectiviteit, terwijl Bayesiaanse methoden worden gebruikt voor futiliteitsbeslissingen.
• Vergemakkelijkt Implementatie: De bijbehorende software verlaagt de drempel voor adoptie, waardoor trialisten de delay-structuren kunnen visualiseren en ontwerpkeuzes effectief kunnen communiceren.

De auteurs positioneren dit werk als een directe extensie van hun eerdere elicitation methodologie, en bieden een coherente oplossing voor de inferentiële en operationele uitdagingen die worden veroorzaakt door non-proportionele hazards in moderne klinische trials.