📊 statistics

A Clustering Approach for Basket Trials Based on Treatment Response Trajectories

Dit artikel stelt een modelvrij clusteringsframework voor dat basket-trial-armen groepeert op basis van behandelingsrespons-trajecten in plaats van enkelvoudige eindpunten, om vervolgens een hiërarchisch Bayesiaans model toe te passen om de schattingsprecisie en statistische kracht te verbeteren, terwijl nominale type I-foutensnelheden in heterogene settings worden gehandhaafd.

Oorspronkelijke auteurs: Masahiro Kojima, Keisuke Hanada, Atsuya Sato

Gepubliceerd 2026-06-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Masahiro Kojima, Keisuke Hanada, Atsuya Sato

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 arts bent die een speciaal soort klinische studie leidt, een "Basket Trial".

In een traditionele studie test je een medicijn op één specifiek type kanker. In een basket trial test je hetzelfde medicijn op veel verschillende soorten kanker (zoals manden met fruit) tegelijkertijd. Het doel is om te zien of het medicijn voor een van hen werkt.

Het Probleem: Het "Kleine Steekproef"-dilemma
Elke mand (basket) heeft meestal maar heel weinig patiënten (misschien 20 tot 50). Omdat de groepen zo klein zijn, is het moeilijk te zeggen of het medicijn echt werkt of dat de resultaten gewoon geluk zijn.

Optie A (Het alleen doen): Analyseer elke mand afzonderlijk. Dit is veilig, maar je zou een echt geneesmiddel kunnen missen omdat je niet genoeg gegevens hebt om er zeker van te zijn.
Optie B (Alles mengen): Combineer alle manden tot één grote groep. Dit geeft veel gegevens, maar het is gevaarlijk. Als het medicijn werkt voor Mand A maar faalt voor Mand B, verbergt het mengen van de twee de mislukking en geeft het een vals gevoel van succes.

De Oude Oplossing: De "Eindscore"-valstrik
Voorheen probeerden statistici te beslissen welke manden ze zouden mengen door alleen naar de eindscore te kijken (de "Objective Response Rate", of ORR; kromp de tumor? Ja of Nee?).

De Fout: Als twee manden beide een "succespercentage van 50%" hebben, neemt de oude methode aan dat ze identieke tweelingen zijn en mengt ze ze. Maar misschien ging het bij de ene mand heel snel goed en bleef het zo, terwijl het bij de andere mand eerst goed ging en daarna weer verslechterde. De eindscore verbergt dit verhaal.

De Nieuwe Oplossing: De "Film versus Snapshot"-benadering
De auteurs van dit artikel stellen een slimmere manier voor. In plaats van alleen naar de laatste foto te kijken (de snapshot), kijken ze naar de hele film (het traject).

Ze volgen hoe patiënten door verschillende stadia van ziekte bewegen in de loop van de tijd:

CR (Complete Response - Tumor verdwenen)
PR (Partial Response - Tumor gekrompen)
SD (Stable Disease - Ziekte stabiel gebleven)
PD (Progressive Disease - Ziekte verergerd)

De Analogie: De Reisroute van de Reiziger
Stel je voor dat je probeert reizigers te groeperen op basis van hun reizen.

De Oude Manier (Alleen ORR): Je vraat alleen: "Hebben ze de bestemming bereikt?" Als twee reizigers allebei "Ja" zeggen, zet je ze in dezelfde groep. Je weet niet of de een rechtstreeks vloog en de ander verdwaald raakte en een omweg nam.
De Nieuwe Manier (Traject-geïnformeerd): Je bekijkt hun reisroute.
- Reiziger A: Thuis $\to$ Luchthaven $\to$ Bestemming. (Soepele reis).
- Reiziger B: Thuis $\to$ Verkeerde Stad $\to$ Luchthaven $\to$ Bestemming. (Onrustige reis).
- Reiziger C: Thuis $\to$ Luchthaven $\to$ Bestemming. (Soepele reis).

Hoewel alle drie de reizigers de bestemming hebben bereikt, ziet de nieuwe methode dat Reiziger A en C een vergelijkbare reis hadden, terwijl Reiziger B een ander pad had. De methode groepeert A en C samen, maar houdt B apart.

Hoe het werkt (De "Silhouette"-methode)

Breng de paden in kaart: De wiskunde berekent de "transitie-waarschijnlijkheden". Het vraagt: "Als een patiënt vandaag in 'Stable Disease' zit, hoe waarschijnlijk is het dat hij morgen in 'Progressive Disease' terechtkomt?"
Vind de clusters: Het gebruikt een instrument genaamd de Silhouette Method (denk aan een "groeperingsdetector") om te zien welke manden vergelijkbare "filmplots" hebben.
Informatie lenen: Zodra de manden zijn gegroepeerd op basis van hun vergelijkbare "plots", staat de onderzoeker toe dat ze gegevens delen.
- Als Mand A en Mand B hetzelfde "filmplot" hebben, delen ze hun gegevens om tot een nauwkeuriger antwoord te komen.
- Als Mand C een totaal ander plot heeft, blijft deze alleen.

Wat het Papier Vond
De auteurs voerden duizenden computertests uit om dit idee te testen:

Wanneer manden echt verschillend waren: Was de nieuwe methode veel beter in het vinden van de juiste groepen dan de oude "Eindscore"-methode. Het voorkwam het mengen van incompatibele manden, wat valse alarmen (Type I-fouten) voorkwam.
Wanneer alle manden hetzelfde waren: Werd de nieuwe methode soms een beetje te enthousiast en splitste het één grote groep op in kleinere stukjes (over-partitioning). Dit gebeurde omdat de methode zeer gevoelig is voor kleine verschillen in de "filmplots", zelfs als de plots in essentie hetzelfde zijn.
Het Resultaat: Over het algereen gaf de nieuwe methode nauwkeurigere antwoorden en was het beter in het herkennen wanneer manden samengevoegd moesten worden, vooral wanneer de manden daadwerkelijk van elkaar verschilden.

Samenvattend
Dit artikel suggereert dat we in medische studies met kleine groepen niet alleen naar het eindresultaat moeten kijken. We moeten kijken naar het verhaal van hoe dat resultaat tot stand kwam. Door patiënten te groeperen op basis van hun "reis" door de ziekte in plaats van alleen hun bestemming, kunnen we slimmere beslissingen nemen over welke groepen patiënten gegevens moeten delen, wat leidt tot nauwkeurigere en veiligere medische conclusies.

Technische Samenvatting: Een Trajectgeïnformeerde Clustering-aanpak voor Informatieoverdracht in Basket Trials

Probleemstelling

Basket trials, die een enkele behandeling evalueren over meerdere tumortypes of biomarkers tegelijkertijd, worden geconfronteerd met een kritieke statistische uitdaging: heterogeniteit in de behandelingseffectiviteit tussen de verschillende baskets. Terwijl een onafhankelijke analyse van elke basket ongepaste informatieoverdracht voorkomt, offert het de statistische efficiëntie op, vooral gezien de kleine steekproefomvang (doorgaans 20–50 patiënten) die gebruikelijk is in de vroege fasen van oncologisch onderzoek. Daarentegen kan volledige pooling (waarbij wordt aangenomen dat alle baskets uitwisselbaar zijn) de fout-positieve ratio verhogen als de baskets significant van elkaar verschillen in respons.

Bestaande oplossingen, zoals hiërarchische Bayesiaanse modellen, staan gedeeltelijke informatieoverdracht toe, maar vertrouwen vaak op vooraf gespecificeerde uitwisselbaarheidsstructuren of covariaten. In de praktijk zijn de biomarkers of covariaten die de latente subgroepen definiëren echter vaak onbekend bij de start van de trial. Bovendien vertrouwen veel eerdere clusteringmethoden uitsluitend op een enkele samenvattende eindmaat, zoals de Objective Response Rate (ORR). De auteurs stellen dat het vertrouwen op een enkele binaire proportie kan leiden tot instabiele clusteringprestaties, vooral bij kleine steekproeven of wanneer de respons-kansen nabij beslissingsdrempels liggen, waardoor de onderliggende gelijkenisstructuur van de baskets niet volledig wordt gevangen.

Methodologie

De auteurs stellen een tweestaps, datagedreven raamwerk voor, dat longitudinale tumorrespons-trajecten gebruikt om informatieoverdracht te informeren, in plaats van uitsluitend te vertrouwen op de uiteindelijke ORR.

1. Extractie van Trajectkenmerken

De methode modelleert de tumorrespons als een eerste-orde, tijd-homogeen Markov-proces met toestanden $S = \{CR, PR, SD, PD\}$ .

Transitie-waarschijnlijkheden: Voor elke basket $j$ wordt een één-stap transitiewaarheid $\hat{P}_j$ geschat op basis van de geobserveerde sequenties van tumorresponsen over de patiënten heen.
Gewogen Eindtoestandverdeling: Om rekening te houden met het variërende aantal beoordelingsmomenten per patiënt, introduceren de auteurs een wegingsschema gebaseerd op de empirische distributie van het aantal beoordelingen. Dit levert een gewogen eindtoestandverdeling ( $\pi_j$ ) op, die de marginale waarschijnlijkheid schat dat een patiënt zich in een specifieke respons-toestand bevindt bij de laatste geobserveerde beoordeling.
Kenmerkvector: De clustering-kenmerkvector voor elke basket wordt geconstrueerd als $y_j = (\pi_j^\top, \hat{\theta}_j)^\top$ , waarbij de vier componenten van de gewogen eindtoestandverdeling worden gecombineerd met de geobserveerde ORR ( $\hat{\theta}_j$ ).

2. Clusteringprocedure

Afstandsmetriek: De dissimilariteit tussen baskets wordt berekend met behulp van de Manhattan-afstand ( $L_1$ ) tussen hun kenmerkvectoren.
Clusterselectie: Het aantal clusters wordt bepaald met behulp van de Silhouette-methode. Het algoritme selecteert het aantal clusters ( $u$ ) dat de gemiddelde Silhouette-index maximaliseert, onderworpen aan een minimale clustergrootte van 2.
Stabiliteitswaarborg: Indien de maximale gemiddelde Silhouette-index laag is ( $\bar{s} \leq 0.25$ ), wat duidt op zwakke cluster-scheiding, schakelt de methode terug naar een enkel-clusterstructuur (volledige informatieoverdracht) om onstabiele over-partitionering te voorkomen.

3. Hiërarchisch Bayesiaans Model

Zodra de clusters zijn geïdentificeerd, wordt er een hiërarchisch Bayesiaans model gefit, uitsluitend op de primaire effectiviteitseindmaat (ORR) binnen elk cluster.

Baskets binnen hetzelfde geschatte cluster delen een gemeenschappelijke prior-verdeling voor de log-odds van de respons, wat adaptieve informatieoverdracht mogelijk maakt.
Baskets in verschillende clusters worden onafhankelijk geanalyseerd, wat ongepaste informatieoverdracht tussen heterogene groepen voorkomt.
De aanpak wordt behandeld als een tweestapsalgoritme: de clusteringstap is datagedreven, en de daaropvolgende Bayesiaanse inferentie is conditioneel op de geschatte partitie.

Belangrijkste Bijdragen

Trajectgeïnformeerde Clustering: Het artikel introduceert een nieuwe methode voor de analyse van basket trials die longitudinale tumorrespons-trajecten (transitie-waarschijnlijkheden) gebruikt om de gelijkenis tussen baskets te definiëren, waarmee het verder gaat dan statische samenvattende eindmaten zoals de ORR.
Omgaan met Variabele Beoordelingsschema's: De auteurs stellen een specifiek wegingsmechanisme voor om eindtoestand-waarschijnlijkheden af te leiden die rekening houdt met de heterogeniteit in het aantal beoordelingsmomenten per patiënt, een veelvoorkomend probleem in klinische gegevens uit de praktijk.
Datagedreven Overdrachtsgroepen: Het raamwerk identificeert latente groepen voor informatieoverdracht zonder dat daarvoor vooraf gespecificeerde biomarkers of covariaten nodig zijn, wat een praktisch knelpunt adresseert in trials in de vroege fase waar dergelijke informatie vaak nog niet beschikbaar is.
Scheiding van Clustering en Informatieoverdracht: De methode scheidt de clusteringfase (gebruikmakend van de volledige trajectgegevens) expliciet van de fase van informatieoverdracht (gebruikmakend van enkel de primaire eindmaat), waardoor de beslissingen over informatieoverdracht in lijn blijven met de regulatoire definities van effectiviteit, terwijl de trajectgegevens nog steeds worden gebruikt voor de groepering.

Simulatie-resultaten

De auteurs evalueerden de methode via 10.000 simulatie-replicaten in drie scenario's: homogene baskets (één ware cluster), twee-cluster heterogeniteit, en drie-cluster heterogeniteit.

Cluster-herstel: In heterogene settings (Scenario 2 en 3) herstelde de voorgestelde trajectgeïnformeerde aanpak de onderliggende clusterstructuur vaker dan de "alleen ORR"-clustering comparator. De "alleen ORR"-methode had moeite om baskets te onderscheiden die weliswaar vergelijkbare ORR's hadden, maar verschillende trajectpatronen vertoonden.
Type I-fout en Power:
- In het homogene scenario (Scenario 1) vertoonde de voorgestelde methode een neiging tot over-partitionering (het selecteren van meerdere clusters wanneer er slechts één bestond), wat leidde tot een lichte inflatie van de Type I-foutratio boven het nominale niveau van 5%.
- In heterogene scenario's behield de methode Type I-foutratio's die over het algemeen dicht bij het nominale niveau lagen, terwijl zij een verbeterde statistische power demonstreerde vergeleken met onafhankelijke analyses ("Geen cluster") en het "Eén cluster"-model (volledige pooling).
Schattingsefficiëntie: De voorgestelde methode leverde nauwere 90% geloofintervallen op vergeleken met de niet-overdragende benadering, wat wijst op een verbeterde precisie van de schatting.
Comparators: De methode werd vergeleken met onafhankelijke analyse, volledige pooling, ORR-alleen clustering, en een Exchangeable/Non-Exchangeable (EXNEX) model. Het EXNEX-model gedroeg zich in deze settings vergelijkbaar met de onafhankelijke analyse en toonde beperkte informatieoverdracht.

Betekenis en Beperkingen

Het artikel stelt dat het voorgestelde raamwerk een praktische oplossing biedt voor informatieoverdracht in basket trials waarbij de latente subgroepstructuren onbekend zijn. Door gebruik te maken van routinematig verzamelde trajectgegevens, verbetert het de herwinning van ware basket-groeperingen en verhoogt het de schattings-efficiëntie in heterogene settings.

De auteurs erkennen echter ook de volgende beperkingen:

Over-partitionering bij Homogeniteit: De op de Silhouette-index gebaseerde implementatie heeft de neiging tot over-partitionering wanneer de werkelijke structuur homogeen is, wat kan leiden tot onnodige complexiteit en een lichte inflatie van de Type I-fout.
Vereenvoudigende Aannames: De methode behandelt respons-categorieën als nominaal in de afstandsberekening en gebruikt een uniforme verdeling om rijen in transitie-matrices te regulariseren waar geen uitgaande transities worden waargenomen. Deze keuzes geven prioriteit aan numerieke stabiliteit en eenvoud, maar weerspiegelen mogelijk niet volledig het ordinale karakter van tumorrespons of klinisch realistische transitiepatronen.
Conditionele Inferentie: Omdat de clustering wordt geschat voordat het Bayesiaanse model wordt toegepast, zijn de resulterende posterieure verdelingen conditioneel op de geschatte partitie, in plaats van volledig te marginaliseren over de onzekerheid van de clustering.

De auteurs concluderen dat hoewel de methode veelbelovend is voor het verbeteren van de efficiëntie van informatieoverdracht in heterogene settings, toekomstig onderzoek zich moet richten op robuustere clusteringalgoritmen om over-partitionering in homogene scenario's te mitigeren.