📊 statistics

Adaptive clinical trials based on design-optimal e-values with automatic curtailment: An application to single-arm trials with binary data

Dit artikel stelt eindhorizontale optimale e-waarde-ontwerpen voor single-arm binair klinische proeven voor en valideert deze, waarbij dynamische programmering wordt gebruikt om de power te maximaliseren of de steekproefgrootte te minimaliseren, terwijl tegelijkertijd wordt gegarandeerd dat de validiteit op elk tijdstip geldt en automatische voortijdige beëindiging wegens gebrek aan effectiviteit mogelijk wordt gemaakt.

Oorspronkelijke auteurs: Stef Baas, Judith ter Schure, Joost van Rosmalen

Gepubliceerd 2026-05-28

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Stef Baas, Judith ter Schure, Joost van Rosmalen

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 klinische trial uitvoert om te zien of een nieuw kankermedicijn werkt. Op de oude manier van werken stel je een star schema op: "We controleren de resultaten na 10 patiënten, dan 20, dan 30." Als je een controle mist of patiënten sneller rekruteert dan verwacht, wordt de wiskunde rommelig, en kun je per ongeluk beweren dat het medicijn werkt terwijl dat niet zo is.

Dit artikel introduceert een slimmere, flexibeler manier om deze trials uit te voeren met behulp van een concept dat e-waarden wordt genoemd. Denk aan een e-waarde niet als een droge statistiek, maar als een gokscore of een bankrekening die bijhoudt hoeveel bewijs je hebt verzameld tegen het idee dat het medicijn nutteloos is.

Hier is de uiteenzetting van de ideeën uit het artikel met behulp van eenvoudige analogieën:

1. Het Gokspel (De Kernidee)

Stel je voor dat je een gokker bent die denkt dat het nieuwe medicijn wel werkt. Je begint met $1 aan "bewijskapitaal".

Het Huis (Nulhypothese): Het "Huis" gelooft dat het medicijn nutteloos is. Ze stellen de kansen in op basis van de standaardzorg (bijvoorbeeld een succespercentage van 10%).
De Weddenschap: Elke keer dat een patiënt het medicijn neemt, mag je een deel van je kapitaal inzetten.
- Als de patiënt goed reageert (een "winst"), groeit je kapitaal.
- Als de patiënt niet reageert (een "verlies"), krimpt je kapitaal.
Het Doel: Je doel is om je kapitaal te laten groeien van $1 naar $20 (wat sterk bewijs vertegenwoordigt dat het medicijn werkt). Als je $20 bereikt, win je de trial.
De Veiligheidsregel: Als het medicijn eigenlijk nutteloos is, zorgt het "Huis" ervoor dat je kapitaal gemiddeld nooit groeit. Het is een eerlijk spel voor het Huis. Maar als het medicijn wel goed is, zal je kapitaal snel groeien.

2. De "Slimme" versus de "Domme" Gokstrategie

Het artikel vergelijkt twee manieren om dit spel te spelen:

De "Domme" Strategie (GROW/Kelly-gokken): Dit is de standaardmethode die in veel moderne trials wordt gebruikt. Het is alsof je een spel speelt waarbij je uitgaat van oneindige tijd om te spelen. Je zet elke keer een vast percentage in om de langetermijngroei te maximaliseren.
- Het Probleem: Klinische trials hebben een harde stop (bijvoorbeeld: "We kunnen maximaal 50 mensen rekruteren"). Als je tegen het einde achterloopt op schema, is de "oneindige tijd"-strategie te voorzichtig. Hij zet niet genoeg in om bij te komen, en je mist de winst zelfs als het medicijn werkt.
De "Slimme" Strategie (Ontwerp-Optimaal): Dit is wat de auteurs hebben uitgevonden. Ze gebruiken een GPS (genaamd Dynamisch Programmeren) die precies weet hoeveel patiënten er nog over zijn.
- Als je voorloopt: De GPS vertelt je om conservatief te gokken om je voorsprong niet te verliezen.
- Als je achterloopt: De GPS vertelt je om agressief te gokken (misschien zelfs "all-in") om te proberen het doel van $20 te bereiken voordat het spel eindigt.
- Het Resultaat: Deze strategie is veel beter in het vinden van het ware effect van het medicijn bij een beperkt aantal patiënten.

3. Automatische "Stopborden" (Curtailment)

Een van de coolste kenmerken van dit systeem is Automatische Curtailment.

Het Faillissementsscenario: Stel je voor dat je gokt, maar je verliest zoveel dat je kapitaal daalt naar $0.
- Op de oude manier zou je misschien patiënten blijven rekruteren om "zeker" te zijn, zelfs al weet je dat je nu onmogelijk kunt winnen.
- In dit nieuwe systeem stopt het spel automatisch als je kapitaal $0 bereikt. Je weet direct dat het onmogelijk is om het doel van $20 te bereiken met de resterende patiënten. Je bespaart tijd en geld door een hopeloze trial direct te stoppen.
De "Hopeloze Zone": Zelfs voordat je $0 bereikt, kan het systeem zien of je in een "Hopeloze Zone" zit (waar je kapitaal zo laag is dat zelfs het winnen van elke resterende weddenschap je niet naar $20 zou brengen). Het geeft een signaal om vroeg te stoppen.

4. Waarom Dit Beter Is voor het Reële Leven

Het artikel betoogt dat deze methode robuuster is dan huidige standaarden om drie hoofdredenen:

Het Hanteert Chaos: Echte trials zijn rommelig. Patiënten haken af, of de rekrutering verloopt sneller dan gepland. Als je je schema aanpast, breekt de oude wiskunde. Het e-waarden-systeem is "altijd-geldig", wat betekent dat het perfect werkt of je nu de resultaten controleert na 5 patiënten of na 50. Het geeft niet om afwijkingen van het plan.
Het Combineert Bewijs: Je kunt een trial starten met een "voorsprong" aan bewijs uit een eerdere studie (zoals beginnen met $1,50 in plaats van $1). De wiskunde behandelt dit veilig zonder het risico op valse alarmen te verhogen.
Het Is Flexibel: Je kunt de trial ontwerpen om ofwel de kans op het vinden van een werkend medicijn te maximaliseren (Power) of het aantal benodigde patiënten te minimaliseren (Efficiency), en het systeem past de gokstrategie aan om dat specifieke doel te bereiken.

Samenvatting

De auteurs hebben een nieuw "slim gokkend" systeem voor klinische trials gebouwd. In plaats van een star script te volgen, past de trial haar strategie aan op basis van hoeveel bewijs ze heeft verzameld en hoeveel patiënten er nog over zijn. Het stopt direct wanneer een trial hopeloos is (wat middelen bespaart) en gokt agressief wanneer het moet bijhollen (waardoor effectieve medicijnen sneller worden gevonden). Het is een flexibeler, robuuster en efficiëntere manier om te beslissen of een nieuwe behandeling werkt.

Technische Samenvatting: Adaptieve Klinische Trials Gebaseerd op Ontwerp-Optimale E-Waarden

Probleemstelling
Standaard adaptieve klinische trials zijn weliswaar flexibel, maar lijden onder rigiditeit met betrekking tot de controle van het type I-foutpercentage bij protocolafwijkingen (bijvoorbeeld wijzigingen in bewakingsplanningen of steekproefgroottes) en vereisen vaak een stop zodra een vooraf gespecificeerde maximale steekproefgrootte is bereikt. Bovendien richt de bestaande literatuur over e-waarden zich voornamelijk op asymptotische optimaliteit (Growth Rate Optimal in the Worst-case, of GROW), wat een oneindige horizon veronderstelt. Deze aanpak is vaak suboptimaal voor klinische trials waar steekproefgroottes eindig en vast zijn. Er is behoefte aan op e-waarden gebaseerde ontwerpen die zijn geoptimaliseerd voor eindige horizons, robuustheid bieden tegen protocolafwijkingen en automatische curtailment (stoppen wegens futiliteit) faciliteren zonder statistische power te offeren.

Methodologie
De auteurs stellen een raamwerk voor voor single-arm multi-stage klinische trials met binaire data (bijvoorbeeld tumorrespons) met behulp van ontwerp-optimale e-waarden. In tegenstelling tot standaard GROW e-waarden, die de asymptotische groeifactor van bewijs maximaliseren, optimaliseren deze ontwerpen de prestaties over een eindige horizon $n$ (de maximale steekproefgrootte).

Wedden Analoge en E-Processen: De methodologie maakt gebruik van de wedden-analogie waarbij een e-waarde het kapitaal vertegenwoordigt van een wedder die inzet tegen de nulhypothese $H_0: \theta \le \theta_0$ ten gunste van $H_1: \theta \ge \theta_1$ . Het kapitaalproces $M_t$ is een test-supermartingaal onder $H_0$ .
Markov Beslissingsproces (MDP): De optimale wedstrategie wordt afgeleid door een MDP met eindige horizon op te lossen. De toestandsruimte wordt gedefinieerd door de huidige tijd $t$ en de huidige e-waarde (kapitaal) $M_t$ . De actie-ruimte bestaat uit het wedpercentage $B_t \in [0, 1]$ .
Optimalisatiedoelen: De auteurs definiëren twee primaire beloningsfuncties om op te lossen via dynamische programmering (Bellman-vergelijkingen):
- Power-Maximaliserend (P-max): Maximaliseert de kans op het verwerpen van $H_0$ (het bereiken van $M_n \ge 1/\alpha$ ) bij de definitieve analyse.
- Verwachte Steekproefgrootte-Minimaliserend (ESS-min): Minimaliseert de verwachte steekproefgrootte onder $H_1$ , onderworpen aan een beperking dat de algehele power boven een gespecificeerde drempel blijft (bijvoorbeeld 80%).
Automatische Curtailment: Het raamwerk integreert van nature niet-stochastische curtailment. Als de e-waarde daalt tot nul (of een "hopeloze zone" binnenkomt waar de drempel $1/\alpha$ niet langer kan worden bereikt), wordt de trial automatisch gestopt wegens futiliteit.
Geblokkeerde Ontwerpen: De aanpak komt tegemoet aan geblokkeerde ontwerpen (het analyseren van data in groepen in plaats van continu) door uitkomsten als volledig sequentieel te behandelen binnen blokken. Dit zorgt ervoor dat de minimale power-beperking wordt gehaald, zelfs als tussentijdse analysepunten afwijken van het plan, mits de maximale steekproefgrootte wordt gerespecteerd.

Belangrijkste Bijdragen

Optimaliteit voor Eindige Horizon: Het paper introduceert e-waarden die zijn geoptimaliseerd voor specifieke trial-ontwerpen met eindige steekproefgroottes, en gaat hiermee voorbij aan het GROW-criterium voor oneindige horizons.
Constructie via Dynamische Programmering: Het biedt een computationele methode om optimale wedstrategieën te construeren die ofwel power maximaliseren ofwel de verwachte steekproefgrootte minimaliseren onder power-beperkingen.
Robuustheid tegen Protocolafwijkingen: Door te vertrouwen op de 'altijd-geldende' eigenschap van e-waarden, behouden deze ontwerpen de controle over het type I-foutpercentage, zelfs als de bewakingsplanning verandert of de trial wordt voortgezet buiten de geplande omvang, mits de maximale steekproefgrootte wordt gerespecteerd.
Automatische Stoppen Wegens Futiliteit: De methode biedt een rigoureuze, automatische mechanisme voor stoppen wegens futiliteit (wanneer $M_t = 0$ ) dat is geïntegreerd in de ontwerpoptimalisatie, in plaats van een ad-hoc toevoeging te zijn.
Vergelijking met Standaard Ontwerpen: De auteurs tonen aan dat ontwerp-optimale e-waarden standaard GROW e-waarden kunnen overtreffen in eindige steekproeven en concurrerende operationele kenmerken bieden in vergelijking met standaard stochastische curtailment (SC) ontwerpen en Simon's twee-stadia ontwerpen.

Resultaten
Numerieke vergelijkingen werden uitgevoerd voor single-arm trials met binaire data ( $n=50$ , $\theta_0=0.1$ , $\theta_1=0.242$ , $\alpha=0.05$ ) over volledig sequentiële, geblokkeerde en twee-stadia ontwerpen:

Controle Type I Fout: Alle op e-waarden gebaseerde ontwerpen hielden het type I-foutpercentage onder het nominale niveau.
Power: Het op P-max e-waarden gebaseerde ontwerp bereikte een hogere definitieve power dan standaard stochastische curtailment (SC) en de GROW e-waarde, hoewel het een lagere vroege power vertoonde. Het ESS-min ontwerp bereikte een power vergelijkbaar met SC.
Verwachte Steekproefgrootte (ESS): Het op ESS-min e-waarden gebaseerde ontwerp resulteerde in een lagere mediaan verwachte steekproefgrootte onder $H_1$ in vergelijking met SC.
Stoppen Wegens Futiliteit: De op e-waarden gebaseerde ontwerpen vertoonden een hogere kans op vroege beëindiging wegens futiliteit onder de nulhypothese in vergelijking met SC, met name in twee-stadia ontwerpen. De GROW e-waarde (Kelly wedden) vertoonde geen niet-stochastische curtailment.
Geblokkeerde Ontwerpen: De aanpak "volledig sequentieel in blokken" behield de power-eigenschappen van het volledig sequentiële ontwerp, waardoor de minimale power-beperking werd gehaald ongeacht variaties in bloksgrootte.

Betekenis en Beweringen
Het paper beweert dat ontwerp-optimale e-waarden een levensvatbaar en concurrerend alternatief bieden voor de huidige state-of-the-art in single-arm binaire trials. Door de focus te verschuiven van asymptotische optimaliteit naar optimaliteit voor eindige horizons, overwinnen deze ontwerpen de rigiditeit van standaard adaptieve trials met betrekking tot protocolafwijkingen en vaste stopregels. De auteurs stellen dat op e-waarden gebaseerde ontwerpen het volgende bieden:

Robuustheid: Geldige inferentie bij ongespecificeerde datamonitoring en optionele voortzetting.
Efficiëntie: Concurrerende of superieure operationele kenmerken (power en ESS) in vergelijking met standaard adaptieve ontwerpen.
Flexibiliteit: Het vermogen om historische data te integreren en zich aan te passen aan veranderende trial-omstandigheden zonder het type I-foutpercentage te verhogen.
Interpreteerbaarheid: Een duidelijke wed-interpretatie die de introductie van 'altijd-geldende' inferentie vergemakkelijkt en intuïtieve indicatoren biedt voor trial-voortzetting of futiliteit.

De auteurs concluderen dat hoewel deze ontwerpen de directe connectie met likelihood-ratio's die wordt gevonden in GROW e-waarden verliezen, ze superieure praktische prestaties bieden in situaties met eindige steekproeven en een uitbreiding verdienen naar multi-arm en respons-adaptieve trial-omgevingen.