Backfill Bayesian Ordered Lattice Design for Phase I Clinical Trials

Dit artikel introduceert het Backfill Bayesian Ordered Lattice Design (BF-BOLD), een methode voor Fase I-klinische studies die de bepaling van de maximale tolerateerbare dosis combineert met een directe evaluatie van activiteit om de optimale biologische dosis te vinden en zo de veiligheid en werkzaamheid te verbeteren.

De kern

Titel: De Slimme "Terugvul"-Strategie voor Nieuwe Medicijnen

Stel je voor dat je een nieuwe, krachtige medicijn ontwikkelt om kanker te bestrijden. Je hebt een groot probleem: je wilt de perfecte dosis vinden. Te weinig? Dan werkt het niet. Te veel? Dan wordt de patiënt ziek van de bijwerkingen.

In de medische wereld noemen we dit de "fase I" proef. Traditioneel zoeken artsen alleen naar de hoogste dosis die nog veilig is (de Maximum Tolerated Dose of MTD). Maar de FDA (de Amerikaanse gezondheidsautoriteit) zegt nu: "Wacht even! Soms is een iets lagere dosis net zo goed tegen de kanker, maar dan met veel minder bijwerkingen." Ze willen de Optimale Biologische Dosis (OBD) vinden.

De auteurs van dit papier, Gi-Ming Wang en Curtis Tatsuoka, hebben een slimme nieuwe manier bedacht om dit te doen. Ze noemen het BF-BOLD. Laten we het uitleggen met een paar simpele vergelijkingen.

1. Het Probleem: De Ladder en de Stille Tussenruimte

Stel je een ladder voor met 5 sporten (doses).

• De onderste sporten zijn veilig, maar werken misschien niet tegen de kanker.
• De bovenste sporten werken goed, maar zijn te giftig.
• Ergens in het midden zit de "gouden middenweg".

De oude methoden klommen als een klaploper omhoog: ze testten een sport, keken of het veilig was, en klommen dan direct naar de volgende. Ze hielden niet echt stil om te kijken of de lagere sporten misschien ook al genoeg werkten. Ze waren te druk bezig met "niet te hoog klimmen" om te zien of ze op de perfecte sport zaten.

2. De Oplossing: De "Backfill" (Terugvul) Strategie

De nieuwe methode, BF-BOLD, werkt als een slimme klimmer die ook tijd neemt om de lagere sporten te inspecteren terwijl hij wacht.

Hier is hoe het werkt, stap voor stap:

• De Klim (Dosisvinding): De onderzoekers beginnen laag en klimmen langzaam omhoog om de hoogste veilige sport te vinden (de MTD). Dit is de standaardprocedure.
• Het Wachten: Tussen het testen van elke nieuwe sport moet er even gewacht worden om te zien of de patiënten last krijgen van bijwerkingen. In de oude methoden deden ze in deze wachttijd niets.
• De Terugvul (Backfill): Hier komt de genialiteit van deze nieuwe methode. Terwijl ze wachten op het antwoord van de hoge sport, sturen ze extra patiënten naar de sporten eronder (de "terugvul").
  • Vergelijking: Stel je voor dat je een nieuwe auto test op een steile helling. Je rijdt langzaam omhoog om te zien waar de motor begint te haperen. Maar terwijl je wacht om te zien of de motor het op de top haalt, laat je ook een paar andere auto's de lagere hellingen oprijden om te kijken of ze daar al snel genoeg zijn. Zo weet je: "Oh, op sport 3 werkt het al perfect, we hoeven niet naar sport 5 te gaan!"

3. Waarom is dit zo slim?

Deze "terugvul" methode heeft drie grote voordelen, zoals een slimme tuinman die zijn planten beter verzorgt:

1. Veiligheid: Omdat je extra patiënten op lagere (en dus veiligere) doses test, krijg je meer zekerheid dat die lage doses echt veilig zijn. Je voorkomt dat je per ongeluk te veel medicijn geeft.
2. De "Plateau"-Effect: Soms werkt een medicijn even goed op dosis 2 als op dosis 4, maar is dosis 4 veel giftiger. De oude methoden zagen dit niet en gaven patiënten de giftige dosis 4. De nieuwe methode ziet het "plateau" (het vlakke stukje waar de werking niet meer stijgt) en kiest dan de veiligste optie: dosis 2.
3. Efficiëntie: In plaats van een tweede, aparte proef (fase 1b) te doen om de lagere doses te testen, doe je dit alles in één keer. Je bespaart tijd en geld.

4. De Resultaten (Wat zegt de computer?)

De auteurs hebben dit getest met duizenden virtuele simulaties (alsof ze een video-game spelen met duizenden verschillende scenario's).

• Resultaat: De nieuwe methode vond de perfecte dosis (OBD) vaker dan de oude methoden.
• Veiligheid: Er werden minder patiënten blootgesteld aan te hoge, giftige doses.
• Snelheid: Het was net zo snel als de oude methoden, maar gaf veel meer informatie.

Conclusie: Een Nieuwe Standaard?

Kortom, BF-BOLD is als een slimme navigatie voor medicijntesten. In plaats van alleen maar te kijken hoe hoog je kunt klimmen zonder te vallen, kijkt het ook naar de beste uitzichtpunten op de lagere sporten.

Het helpt artsen om niet alleen de veiligste dosis te vinden, maar de beste dosis: die welke de ziekte bestrijdt zonder de patiënt onnodig te kwetsen. Dit is een belangrijke stap in de richting van de nieuwe richtlijnen van de FDA om medicijntesten menselijker en effectiever te maken.

Technische samenvatting

Probleemstelling

Traditionele Fase I klinische trials zijn primair gericht op het bepalen van de Maximaal Tolerabele Dosis (MTD), gedefinieerd als de dosis met de toxiciteitsgraad (DLT) die het dichtst bij een vooraf bepaald doel ligt. Echter, deze benadering heeft beperkingen:

1. Onvoldoende activiteitsevaluatie: Fase I trials focussen vaak uitsluitend op veiligheid, terwijl de therapeutische activiteit (efficacy) pas in Fase II wordt getest.
2. Project Optimus: De FDA heeft "Project Optimus" gelanceerd om de paradigma's van dosisoptimalisatie te hervormen. Het doel is niet alleen de MTD te vinden, maar een Optimale Biologische Dosis (OBD) te identificeren. De OBD is de laagste dosis die voldoende therapeutische activiteit behoudt (vaak op een "plateau" van activiteit) terwijl de toxiciteit acceptabel blijft. Deze dosis kan lager zijn dan de MTD.
3. Beperkte data: Conventionele designs verzamelen onvoldoende data op lagere doseringen om een activiteitsplateau te detecteren voordat de trial stopt.

De auteurs stellen dat bestaande designs niet consistent effectief zijn in het vinden van een dosis die zowel veilig, actief en duurzaam is.

Methodologie: BF-BOLD

De auteurs introduceren de Backfill Bayesian Ordered Lattice Design (BF-BOLD). Dit is een uitbreiding van het bestaande Bayesian Ordered Lattice Design (BOLD) dat specifiek is ontworpen om zowel toxiciteit als activiteit te evalueren tijdens de dosisvinding.

Kerncomponenten van de methode:

• Bayesiaans Framework: Het gebruik van Bayesiaanse inferentie met geconjugeerde prior distributies (Beta-distributies) voor zowel toxiciteit (DLT) als activiteit (binary response).
• Orde-structuur (Lattice): De doses worden behandeld als een lineair geordende structuur. De methode gebruikt de Pool-Adjacent-Violators Algorithm (PAVA) om de geschatte toxiciteits- en activiteitskansen monotoon te maken (toxiciteit neemt toe met de dosis).
• Backfill-strategie:
  • Tijdens de dosisvinding (waarbij de MTD wordt gezocht) worden patiënten toegewezen aan de huidige dosis.
  • Backfilling: Zolang er wacht wordt op toxiciteitsdata van de huidige cohort, worden extra patiënten ("backfill") toegewezen aan de anti-cover dosis (de direct lagere dosis dan de huidige).
  • Veiligheidscriteria: Backfilling is alleen toegestaan als de lagere dosis voldoende veilig is (geen te hoge kans op DLT) en voldoende actieve is (boven een drempelwaarde $\phi_a$).
  • Activiteitscontrole: Als een lagere dosis een te lage activiteitskans toont, wordt deze uitgesloten voor backfilling.
• Stopregels en Selectie:
  • De trial stopt als de laagste dosis te toxisch is, het maximale aantal patiënten voor dosisvinding ($N_{max}$) is bereikt, of een specifieke dosis zijn maximale steekproefgrootte heeft bereikt.
  • MTD Bepaling: Gebaseerd op de PAVA-gecorrigeerde posterior gemiddelde toxiciteitskansen die het dichtst bij het doel liggen.
  • OBD Bepaling: Na het vaststellen van de MTD ($M$), wordt de OBD gezocht onder de doses $\le M$. De OBD is de laagste dosis waarvan de PAVA-gecorrigeerde activiteitskans binnen een bepaald verlies (trade-off, bijv. 10%) ligt van de activiteit van de MTD, maar wel boven de minimale acceptabele activiteitsdrempel ($\phi_a$).

Belangrijkste Bijdragen

1. Integratie van Backfilling in BOLD: Voor het eerst wordt het BOLD-algoritme aangepast om backfilling te incorporeren, wat toelaat om tijdens de veiligheidsstudie ook data over therapeutische activiteit te verzamelen op lagere doseringen.
2. Eenvoudige OBD-bepaling: De methode biedt een gestructureerde, maar statistisch eenvoudige manier om de OBD te bepalen zonder complexe modellen, door gebruik te maken van posterior verdelingen en orde-beperkingen.
3. Overdosebeheersing: De backfill-strategie fungeert als een extra mechanisme om overdosering te verminderen, omdat patiënten op lagere, veiligere doses worden geplaatst terwijl de trial wacht op resultaten van hogere doses.
4. Vergelijking met Alternatieven: De auteurs vergelijken BF-BOLD met bestaande methoden zoals BF-BOIN (Backfill BOIN) en een traditionele aanpak met een aparte Fase 1b dosis-expansie (BOLD-1b).

Resultaten (Simulaties)

De auteurs hebben uitgebreide simulaties uitgevoerd (met R) om de prestaties van BF-BOLD te evalueren:

• Accuraatheid: BF-BOLD toont een hoge nauwkeurigheid in het identificeren van zowel de MTD als de OBD. De nauwkeurigheid van de OBD-identificatie verbetert naarmate het aantal backfill-patiënten per fase toeneemt (bijv. 1 tot 3 patiënten).
• Overdosering: Het gebruik van backfilling leidt tot een significante reductie in het percentage patiënten dat een dosis krijgt die hoger is dan de ware MTD, vergeleken met designs zonder backfilling.
• Specificiteit: De methode heeft een hoge specificiteit om te detecteren wanneer er geen OBD bestaat (d.w.z. wanneer alle doses onder de MTD onvoldoende activiteit hebben). Dit is cruciaal om trials te stoppen die geen vooruitzicht op efficentie hebben.
• Vergelijking BF-BOLD vs. BF-BOIN: BF-BOLD presteert over het algemeen beter in het nauwkeurig identificeren van de MTD, vooral bij hogere doseringen en grotere verschillen in toxiciteitskansen tussen doses. BF-BOIN presteert iets beter in het detecteren van de "onderste staat" (waar alle doses te toxisch zijn), maar BF-BOLD is superieur in het vinden van de juiste MTD in de meeste andere scenario's.
• Vergelijking BF-BOLD vs. BOLD-1b (Fase 1a/1b): In scenario's waar activiteitsmarkers direct gekoppeld zijn aan klinische uitkomsten (bijv. neoadjuvante trials), presteert BF-BOLD beter dan een gescheiden Fase 1a/1b aanpak. BF-BOLD levert een hogere nauwkeurigheid op voor zowel MTD als OBD en verlaagt de overdosering, terwijl het totaal aantal patiënten vergelijkbaar blijft.

Betekenis en Conclusie

De BF-BOLD-design biedt een robuust en flexibel alternatief voor conventionele Fase I trials, in lijn met de eisen van Project Optimus.

• Efficiëntie: Het elimineert de noodzaak voor een aparte, kleine dosis-expansiestudie (Fase 1b) in veel gevallen, omdat activiteitsdata al tijdens de dosisvinding wordt verzameld.
• Veiligheid: Door backfilling worden patiënten minder vaak blootgesteld aan onnodig hoge doses, wat de ethische kwaliteit van de trial verbetert.
• Besluitvorming: De methode helpt onderzoekers en toezichthouders beter te beslissen of een medicijn verder moet worden ontwikkeld, gebaseerd op een balans tussen toxiciteit en activiteit (OBD) in plaats van alleen toxiciteit (MTD).
• Toepasbaarheid: Het is vooral waardevol in studies waar biologische markers of vroege klinische uitkomsten (zoals pathologische respons) direct beschikbaar zijn tijdens de trial.

Kortom, BF-BOLD is een computerefficiënt, Bayesiaans ontwerp dat de overgang van puur toxiciteitsgericht naar een meer holistische benadering van dosisoptimalisatie (veiligheid + activiteit) mogelijk maakt.