📊 statistics

Bayesian integration G-formula for platform SMART designs allowing for adding new treatments

本文介绍了一种新颖的SMART平台设计，该设计允许在试验过程中添加新治疗，并提出了贝叶斯整合G公式（BIG）估计量以有效处理非并发治疗比较，其性能通过模拟研究及SNAP试验的真实世界应用得到验证。

原作者： Xinru Wang, Meghna Bose, Bibhas Chakraborty, Robert Mahar

发布于 2026-04-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Xinru Wang, Meghna Bose, Bibhas Chakraborty, Robert Mahar

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图为治疗某种特定疾病，找出制作一顿复杂多道菜肴的最佳食谱。在旧的方法（称为SMART 试验）中，你会搭建一个僵化的厨房。你会先选定两种主要食材（治疗方案 A 和 B）。如果第一道菜尝起来味道不错，你可能会换一种酱汁；如果味道不好，你就坚持使用原来的方案。你这样烹饪很长时间，进行品尝测试，最后决定哪份食谱是“获胜者”。

问题在于，这个过程耗时很长。在你烹饪的过程中，一种全新、惊人的食材（一种新药）可能会在市场上出现。在传统厨房里，你不得不停下来，扔掉当前的设置，并开始一个全新的实验来测试这种新食材。这是对时间和金钱的浪费。

解决方案：“平台厨房”
本文介绍了一种名为平台 SMART的新烹饪方式。想象一个设计为灵活的厨房。你从原有的食材开始，但厨房有一条特殊规则：如果在烹饪过程中有新的、有希望的食材到来，你可以立即将其滑入食谱中，而无需中断进程。

然而，这产生了一个棘手的统计问题。如果你将“老”厨师（他们只知道旧食材）的数据与“新”厨师（他们拥有新食材）的数据混合在一起，你可能会得到混乱的结果。也许新厨师做得更好仅仅是因为天气变了，或者食材更新鲜了，而不是因为新药实际上更好。这被称为时间效应。

新工具：“贝叶斯整合 G 公式”（BIG）
作者提出了一种名为BIG（贝叶斯整合 G 公式）的新数学工具来解决这种混乱。把 BIG 想象成一位非常聪明、谨慎的副厨师长，他帮助你决定在多大程度上信任旧食谱与新食谱。

BIG 不是简单地忽略旧数据（这会浪费信息），也不是盲目地将所有数据混在一起（这可能导致糟糕的结果），而是使用一种“信任滑动标尺”：

“分离”方法：副厨师长说：“我只信任新厨师。让我们完全忽略旧数据。”这是安全的（没有混淆），但你错过了来自过去的有用提示。
“合并”方法：副厨师长说：“让我们把所有数据混在一起！”这很高效，但如果天气变了（时间效应），结果可能会有偏差且错误。
"BIG"方法：这是聪明的中间路线。副厨师长审视旧数据和新数据。
- 如果老厨师和新厨师似乎做出的菜肴味道非常相似，BIG 会说：“太好了！让我们大量借用旧数据，使我们的新估计更稳健。”
- 如果老厨师和新厨师似乎做出的菜肴非常不同（也许新厨师使用了不同的技术，或者食材发生了变化），BIG 会说：“好吧，我们要小心。我们只从旧数据中借用少量信息，或者完全不借用，以避免破坏新结果。”

论文发现
作者使用计算机模拟（虚拟烹饪试验）在不同场景下测试了这位“聪明副厨师长”（BIG）：

当随时间没有任何变化时：如果厨房条件保持不变，简单地混合所有数据（合并）效果良好。但 BIG 在这方面也非常出色。
当随时间发生变化时：如果厨房条件发生变化（例如护理标准的变化或患者类型的转变），“混合所有数据”的方法会失败并给出错误答案。“忽略旧数据”的方法虽然安全，但精确度较低。
获胜者：BIG方法比其它方法更频繁地找到了“最佳食谱”（最佳治疗策略）。它能够在安全时利用旧数据以保持精确，同时在有风险时忽略旧数据以避免偏差。

现实世界示例
本文使用SNAP 试验演示了这种方法，这是一项针对金黄色葡萄球菌血液感染的真实世界研究。在该试验中，如果患者反应良好，医生可以将其转为口服抗生素；如果反应不佳，则继续使用静脉注射抗生素。该试验旨在随着新抗生素的出现而将其纳入。作者展示了如何利用他们的 BIG 方法分析该试验，确保新药物的加入不会扰乱哪种治疗策略真正最佳的比较。

总结
本文提出了一种分析临床试验的新方法，这类试验允许在过程中添加新治疗手段。它提供了一种“智能”统计方法（BIG），该方法知道何时信任过去的数据，何时保持怀疑，帮助医生比以往更快、更准确地找到最佳治疗序列。

以下是论文《允许添加新治疗的平台型 SMART 设计的贝叶斯整合 G 公式》的详细技术总结。

1. 问题陈述

**序贯多阶段随机试验（SMARTs）是评估动态治疗策略（DTRs）**的金标准，DTRs 是根据患者不断变化的疾病状态量身定制的决策规则序列。然而，传统 SMART 存在两个主要局限性：

持续时间：由于涉及多个随机化阶段，其完成所需时间通常显著长于单阶段随机对照试验（RCT）。
僵化性：在试验期间，新的候选治疗可能变得可用（例如通过监管批准），但若不重启试验或开展独立研究，则无法将其纳入。

平台试验通过在总方案下允许将新治疗添加到正在进行的试验中，解决了第二个问题。然而，添加治疗会产生非并发队列（在添加前后随机化的参与者）。这引入了统计挑战：

时间效应：随时间推移的标准治疗变化、人群特征或随机化概率的变化可能会混淆治疗效果估计。
权衡：
- 独立方法：仅使用适应后队列的数据可确保无偏性，但浪费了适应前队列的宝贵数据，降低了效率。
- 合并方法：合并所有队列的数据可提高效率，但如果存在时间效应（违反可交换性），则可能导致显著偏差。

本文针对平台型 SMART（允许添加新治疗的 SMART）在分析方法上的空白，重点探讨如何在平衡偏差与效率的同时估计 DTR 均值。

2. 方法论：贝叶斯整合 G 公式（BIG）

作者提出了一类新的估计量，称为贝叶斯整合 G 公式（BIG）估计量。这些估计量利用贝叶斯方法，以受控的方式从非并发队列（适应前数据）中“借用”信息。

A. 研究设计设置

场景：一个两阶段 SMART，在试验中期添加了一个额外的一阶段治疗（ $a_{13}$ ）。
队列：
- $C=c_1$ ：适应前队列（仅包含原始治疗）。
- $C=c_2$ ：适应后队列（包含原始治疗 + 新治疗）。
目标：在利用 $c_1$ 数据的同时，估计适应后队列（ $c_2$ ）中嵌入 DTR 的平均结果（ $\mu_{jk}$ ）。

B. BIG 估计量框架

该方法使用广义线性模型（GLM）对响应率（ $R$ ）和最终结果（ $Y$ ）进行建模。

模型设定：
- 响应模型： $\text{logit}(\pi) = f_R(A_1; \beta)$ 。
- 结果模型： $Y \sim f_Y(A_1, R, A_2; \psi) + \epsilon$ 。
参数划分：
- $\theta_s$ ：队列间共享的系数（例如原始治疗的效果）。这些可以从 $c_1$ 借用信息。
- $\theta_{ns}$ ：新治疗（ $a_{13}$ ）特有的系数。这些在 $c_1$ 中没有先验数据。
先验分布：
核心创新在于基于 $c_1$ $c_{1}$ 数据为 $\theta_s$ $θ_{s}$ 分配的先验：
- BIGweak：对所有参数使用弱信息先验（例如 $N(0, 100)$ ）。等同于忽略 $c_1$ 数据以进行借用。
- BIGlogdis（对数距离先验）：基于 $c_1$ 的最大似然估计（MLE）设置先验均值。先验方差是自适应的，定义为队列估计值之间差值的平方最大值与 $c_1$ 估计值方差的较大者。如果队列差异显著，这会自动减少借用。
- BIGcomP（一致性先验）：引入一致性参数 $\tau$ 。高 $\tau$ 意味着高相似性（更多借用）；低 $\tau$ 意味着不相似（较少借用）。
- BIGcommP（混合一致性先验）：使用固定 $\tau$ 值（例如一个低值，一个高值）的混合，权重相等，从而允许“部分借用”，而无需直接估计 $\tau$ 。

C. 估计算法

作者使用贝叶斯 G 公式算法：

利用 $c_2$ 的数据和基于 $c_1$ 指定的先验，生成模型参数（ $\theta$ ）的后验抽样。
使用这些后验抽样，在特定 DTR 下模拟一个大人群（ $N$ ）。
计算每个抽样的平均结果，以近似 DTR 均值（ $\mu_{jk}$ ）的后验分布。
最终估计值是这些后验抽样的均值。

3. 主要贡献

新颖的设计整合：这是首项专门针对平台型 SMART提出分析方法的研究报告，结合了平台试验的适应性与 SMART 的 DTR 评估目标。
BIG 估计量：开发了一个灵活的贝叶斯框架，允许动态借用非并发数据。与标准合并不同，它通过自适应先验考虑了潜在的时间效应。
先验灵活性：比较了多种先验策略（对数距离、一致性、混合一致性），以处理队列间不同程度的异质性。
现实世界应用：利用**金黄色葡萄球菌网络自适应平台（SNAP）**试验（一项针对血流感染的复杂自适应平台试验）演示了该方法。

4. 模拟结果

作者进行了广泛的模拟，涵盖五种场景（变化的时间效应、最优 DTR 和样本量），比较了以下方法：

独立法：仅使用 $c_2$ 数据。
合并法：合并 $c_1$ 和 $c_2$ 数据。
BIG 变体：使用不同的先验。

主要发现：

无时间效应（场景 1–3）：合并方法表现最佳（方差/均方误差最低）。然而，BIGlogdis、BIGcomP和BIGcommP的表现几乎与合并法相当，同时保持了稳健性。
存在时间效应（场景 4–5）：
- 合并法严重失败，由于违反可交换性，导致高偏差和低覆盖率。
- 独立法和BIGweak保持无偏，但方差较高（效率较低）。
- BIG（对数距离/一致性）成功平衡了权衡：它们实现了比合并法更低的偏差和比独立法/BIGweak 更低的方差。当时检测到时间效应时，它们有效地“降低权重”了适应前数据。
最优 DTR 识别：在所有场景中，BIG 方法在识别真实最优 DTR 方面始终优于独立法和 BIGweak 方法。

5. 意义与结论

效率与有效性：BIG 估计量在忽略历史数据的低效率与盲目合并数据的偏差之间提供了一个“最佳点”。这对于时间效应不可避免的平台试验至关重要。
临床影响通过使添加新治疗无需重启试验成为可能，并提供统计上有效的方法来分析由此产生的复杂数据，该方法加速了针对慢性复杂疾病的最优治疗序列的开发。
未来方向：作者指出，虽然他们专注于单个添加治疗和线性模型，但未来的工作应将其扩展到不同阶段的多个添加治疗，以及更灵活的建模方法（例如机器学习），以处理模型设定错误。

总之，该论文为平台型 SMART建立了一个严格的统计框架，证明通过 G 公式进行贝叶斯整合，使研究人员能够在不损害动态治疗策略估计有效性的前提下，高效地利用非并发数据。