Evaluating Bias Reduction Methods in Binary Emax Model for Reliable Dose-Response Estimation

技术摘要：评估二元 Emax 模型中降低偏差的方法以实现可靠的剂量-效应估计

问题陈述
二元 Emax 模型是 II 期临床试验中用于识别基于二元结局（例如，响应者与非响应者）的最优剂量的标准工具。然而，在小到中等样本量（这在早期试验中很常见）的情况下，通过极大似然估计（MLE）进行参数估计面临着显著挑战。主要存在两个问题，削弱了标准 MLE 的可靠性：

1. 分离现象（Separation）： 在二元模型中，当协变量能够完美预测结局时，可能会发生完全分离或准完全分离，导致估计算法无法收敛、系数估计值趋于无穷大，或出现概率为 0 或 1 的情况。
2. 非单调性与模型违背： 虽然 Emax 模型假设剂量-效应关系是凹向且单调递增的，但有限样本的变异性可能产生看似凸向或非单调的数据。这违反了模型假设，导致 MLE 算法失效或产生高方差的不稳定估计。

现有的软件程序包（如 ClinDR、Dosefinding）利用标准 MLE，未能充分解决分离现象或这些收敛问题。虽然 Firth 的偏差削减法已知可以处理广义线性模型（GLM）中的分离问题，但在特定的非线性二元 Emax 模型背景下，其适用性和表现（特别是与其他惩罚方法相比）仍需进一步研究。

方法论
本文评估了应用于三参数 Logit Emax 模型的三种偏差削减策略：

1. Cox-Snell 偏差校正： 一种事后分析校正法，通过从 MLE 中减去估计的偏差项 $B(\hat{\theta})$ 来实现。该方法依赖于 Fisher 信息矩阵的逆以及对数似然函数的高阶导数。
2. Firth 得分修正（Firth's Score Modification）： 一种预防性方法，通过添加源自 Jeffreys 先验的调整项 $W_s$ 来修改得分函数 $U(\theta)$。其目的是即使在分离情况下也能产生有限的估计值。然而，在非线性模型（如 Emax）中，这种得分修正并不对应于最大化特定的惩罚似然函数，从而限制了某些优化算法的使用（例如，Newton-Raphson 法需要对称的海森矩阵）。
3. 基于 Jeffreys 先验的最大惩罚似然估计（MPLE）： 该方法显式地最大化一个惩罚似然函数 $L^*(\theta) = L(\theta)|I(\theta)|^{1/2}$，其中 $|I(\theta)|^{1/2}$ 是 Jeffreys 不变先验。作者推导了在 Logit Emax 模型背景下该惩罚似然函数得分函数的解析表达式。与非线性设置下的 Firth 得分修正不同，MPLE 提供了一个显式的似然函数，允许使用标准的优化技术。

本研究通过综合模拟研究，在不同样本量（$n=50, 100, 150, 200$）和参数配置（变化的 $E_{max}$ 和 $ED_{50}$）下，将这些方法与标准 MLE 进行了对比。性能指标包括收敛率、偏差、均方误差（MSE）、方差稳定性以及置信区间覆盖率。研究还利用 TURANDOT II 期试验的数据进行了实际应用演示。

核心贡献

• 解析推导： 本文提供了针对具有逻辑斯谛连接函数的二元 Emax 模型，其 Jeffreys 先验惩罚项及由此产生的得分函数的闭式解析表达式；在此背景下，Firth 得分修正与 Jeffreys 惩罚之间的等价性（这在规范 GLM 中是已知的）并不严格成立。
• 比较评估： 系统地量化了 Cox-Snells、Firth 得分修正和 MPLE 在特定非线性二元剂量-效应建模设置中的表现，强调了标准方法失效的情景。
• 现实世界验证： 将这些方法应用于展示了非单调剂量-效应曲线的 TURANDOT 研究，证明了这些方法在处理复杂、真实世界试验数据方面的实用价值。

结果

• 收敛性与稳定性： 在小样本量（$n=50$）以及数据呈现分离或非凹模式时，标准 MLE 和 Cox-Snell 校正经常出现无法收敛或产生不稳定估计（例如，标准误未定义）的情况。相比之下，Firth 方法和 MPLE 均能一致地产生稳定的有限估计值。
• 偏差与方差： 与 MLE 相比，Firth 和 MPLE 方法均显著降低了偏差。虽然两者都有效，但 基于 Jeffry 先验的 MPLE 在稳定性及更低的方差（MSE）方面始终优于 Firth 方法。
• 对模型违背的鲁棒性： 在剂量-效应关系偏离假设的单调凹向形状（例如，凸向递增或非单调数据）的情景下，MPLE 展示了卓越的稳定性。由于 Cox-Snell 方法依赖于 Fisher 信息矩阵的逆，而在这些情景下该矩阵会变得病态，因此该方法极易出现不稳定性。
• TURANDOT 应用： 在对 TURANDOT 试验的分析中，由于非凹数据模式，MLE、Cox-Snell 和 Firth 方法在 $\log(ED_{50})$ 的标准误方面表现不稳定。MPLE 则提供了稳定的点估计和方差估计。此外，特别是在较低剂量水平下，MPLE 产生的概率估计值的方差明显小于 Firth 方法。

意义与主张
作者得出结论，虽然 Firth 得分修正是处理分离现象的一种稳健的 MLE 替代方案，但 基于 Jeffreys 先验的 MPLE 为二元 Emax 模型提供了一个更有效且更可靠的解决方案。具体而言，MPLE 被强调在剂量-效应关系偏离单调性时具有更优越的稳定性，能够提供稳定的参数估计和更低的方差。

论文谨慎地指出，虽然 MPLE 提高了估计稳定性，但由于惩罚对数似然函数在小样本中的非二次性质，所得的 Wald 置信区间可能过于保守。作者建议，剖面惩罚似然区间（profile penalized likelihood intervals）可能提供更精确的估计。此外，论文承认，真实数据（如 TURANDOT）中观察到的非单调性可能源于非忽略缺失（non-ignorable missingness），而非仅仅是抽样变异性，并指向了处理非随机缺失（MNAR）机制下惩罚估计的配套研究。

这项工作为样本量有限且模型假设可能不完善的剂量探索研究提供了一种实用的、稳健的替代方案，并提供了一个 R 程序包（jpemax）以方便实现。