📊 statistics

Two-Stage Design with Sample Size Re-estimation Using gsDesign

本文利用 `gsDesign` R 包演示了二阶段分组序贯设计与条件效能设计的推导过程，并指出虽然条件效能设计提供了一定的灵活性，但由于存在效率降低及潜在的期中治疗效应揭盲风险，标准的分组序贯设计通常更为理想。

原作者： Keaven M. Anderson, Alison Pedley

发布于 2026-08-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Keaven M. Anderson, Alison Pedley

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

想象一下你是一名试图破解谜团的侦探，但你不知道自己需要多少线索才能抓到罪犯。在医学科学的世界里，这就是设计临床试验的日常挑战。研究人员正在测试一种新药，以观察它是否比旧药更有效，但在开始之前，他们无法百分之百确定这种新药的效力到底有多强。如果他们的预估过低，可能会浪费时间和金钱去测试一种实际上毫无作用的药物；如果预估过高，他们可能会招募过多的患者，使他们面临不必要的风险并耗尽预算。为了解决这个问题，科学家们使用了一种叫做“组序设计”（Group Sequential Design）的策略。这就像是一次徒步旅行，地图上有两个检查站。你带着计划出发，但在第一个检查站（中期分析）时，你会检查自己的进度。如果这条路看起来非常棒，你可能会提前停止，因为你已经找到了宝藏。如果这条路看起来毫无希望，你可能会折返以节省体力。但如果这条路只是“还可以”呢？那就是棘手的地方了。

这篇由默克公司（Merck & Co.）的 Keaven M. Anderson 和 Alison Pedley 撰写的论文，探讨了这些“检查站”试验中的一个特定问题：当数据变得混乱，或者最初对药物效力的猜测错误时，会发生什么？作者们探索了一种被称为“条件效能”（Conditional Power）的聪明变通方法。想象一下，你正走在徒步旅行的中途，突然意识到这座山比你想象的要高。与其仅仅是放弃，或者盲目地继续前行，不如重新计算一下：“如果我按现在的速度继续走，我到达顶峰的机会有多大？”如果数学计算显示你的机会很小，你可能会决定带入更多物资（招募更多患者）来提高胜算。这篇论文使用了一个名为 gsDesign 的计算机工具来模拟这些场景，将传统的“检查站”方法与这种新的“重新计算并调整”的方法进行对比。其目标是看看这种中途改变计划的做法究竟是节省了资金，还是仅仅让旅程变得更加复杂和昂expensive。

作者们设置了一个虚拟实验来测试这些想法。他们设想了一项针对新疗法的试验，其中预期的获益是一个特定的数值（0.33），但他们担心实际的获益可能会更小（0.27）。他们从一个标准的“组序”设计开始，这就像是一个有两个停顿点的严格徒步计划。如果药物在第一个停顿点看起来效果很好，他们就会提前停止。如果效果看起来很差，他们会因无效性而停止。如果效果只是“一般”，他们就会继续走到最后。然而，他们注意到一个缺陷：如果药物实际上只有中度的有效性，原有的计划可能不足以证明它的有效性，从而导致试验失败。

为了修复这个问题，他们测试了三种不同的“条件效能”策略。这些策略就像是一个智能 GPS，会在你走到一半时，根据你的实际表现重新规划路线。

“观测效应”策略： GPS 查看你当前的移动速度并说：“你比计划中走得慢，所以让我们增加一些徒步者加入团队，以确保我们能到达顶峰。”
“计划效应”策略： GPS 忽略你当前的缓慢速度并说：“坚持原计划；假设你稍后会加速，但以防万一，让我们再多加几个徒步者。”
“单一调整样本量 N”策略： GPS 通过简化问题来运作，它说：“我们只有两个选择：要么现在停止，要么切换到一种特定的、规模更大的团队规模。”

研究人员运行了这些模拟实验，以观察哪种方法效率最高。他们衡量了两个指标：“效能”（Power，即成功证明药物有效的概率）和“预期样本量”（Expected Sample Size，即平均需要的患者人数，代表了成本）。

这里有一个转折，而且是一个巨大的转折：论文发现，虽然这些“重新计算”的策略听起来像是节省资金的绝妙方法，但它们的效果并不如预期那样好。当药物的效应实际上是较小的、难以检测的大小（0.27）时，这些条件效能设计虽然设法提高了成功率，但却是通过要求显著增加的平均患者人数来实现的。事实上，这些适应性设计的“预期样本量”往往与从一开始就直接按较小的效应值进行规划的结果一样高，甚至更高。

作者们指出，“条件效能”方法其实是一个陷阱。它创造了一种安全感。你以为通过调整是在变聪明，但你最终会为招募更多患者而支付高昂的代价。论文明确反对认为这些设计具有“较小的初始计划样本量”这一主要优势。在他们的模拟实验中，传统的组序设计，甚至是从一开始就按最坏情况进行规划的设计，在效率方面往往表现得更好。

此外，论文还指出了一个隐藏的风险。通过观察数据来决定是否增加更多患者，你可能会在试验正式结束前，无意中泄露了关于药物效果的信息。这可能会使结果产生偏差，或使试验更难解释。作者得出结论，虽然“条件效能”背后的数学逻辑很优雅，且软件工具（如 gsDesign）使得计算变得容易，但其实际益处却微乎其微。在许多情况下，组序设计仍然是更好的选择，因为它更简单，不太可能出现低效的情况，并且避免了中途调整可能带来的反噬。

那么，对于我们的侦探来说，教训是什么呢？如果你正在策划一项医学试验，除非你绝对确定有必要，否则不要玩弄那些复杂的途中重新计算。论文表明，试图通过在中途增加患者来“挽救”一场试验，其成本往往比从第一天起就按最坏情况进行规划还要高。最高效的路径并不总是那个看起来适应性最强的路径；有时，一个从一开始就制定好的、稳健的计划，才是到达顶峰且不耗尽资源的最好方式。作者并没有证明条件效能法在所有情况下都是徒劳的，但他们展示了在他们测试的场景中，与坚持稳健的预设策略相比，它往往是一种低效的绕路。

技术摘要：使用 gsDesign 进行基于样本量重新估计的两阶段设计

问题陈述
临床试验设计通常依赖于在试验启动前尚未完全了解的效应量和로 干扰参数假设。虽然经过预先计划的保守型序贯设计（GSD）可以通过预设的早期停止规则来适应无效或高度有效的治疗方案，但它们面临着一个特定的操作挑战：在数据清洗和分析期间，可能会在期中分析截止点之后继续招募大量患者。此外，如果最初的假设过于乐观，标准的 GSD 可能缺乏检测较小但具有临床意义的效应的能力。

为了解决招募超额问题以及效能不足的风险，研究者提出了基于条件效能（conditional power）的样本量重新估计（SSR）。这种方法旨在通过调整样本量来“挽救”那些在期中分析时显示出效能不足的试验。然而，这类设计的一个所谓优势——即比保守型 GSD 具有更小的初始计划样本量——需要经过审视。存在一种风险，即条件效能设计的推导可能效率低下，导致其相对于标准 GSD 几乎没有优势，同时增加了关于期中治疗效应估计的复杂性。

方法论
本文利用 gsDesign R 包（版本 ≥3.10.0）来推导并比较 2 阶段序贯设计与基于条件效能调整样本量的 2 阶段设计。作者专注于一个方差已知的连续正态分布结局，并使用标准正态检验统计量。

该方法包括以下步骤：

基准设计： 为特定效应量（例如 $\delta = 0.33$ ）计算固定样本量。随后使用消耗函数（具体为 Kim 和 DeMets 功率消耗函数）推导出 2 阶段 GSD，以建立有效性和无效性边界。
条件效能推导： 本文形式化了基于期中检验统计量 ( $Z_1$ $Z_{1}$ ) 推导自适应样本量 ( $n_2$ $n_{2}$ ) 的过程。它考虑了两种主要的估计治疗效应 ( $\theta$ $θ$ ) 的策略：
- 观测效应： 使用期中估计值 $\hat{\theta}_1 \approx Z_1/\sqrt{n_1}$ 。
- 计划效应： 使用最初指定的备择假设值 $\theta_1$ 。
自适应规则： 如果条件效能落在特定范围内（例如 0.3 到 0.8 之间），则进行样本量调整。本文实现了三种具体的变体：
- “观测治疗效应”策略。
- “计划治疗效应”策略。
- “单一自适应 N”策略（调整至一个固定的样本量）。
比较指标： 作者使用以下指标将这些自适应设计与替代 GSD（包括一个针对较小效应量 $\delta = 0.27$ $δ = 0.27$ 设计的 GSD）进行比较：
- 效能（Power）： 在一系列潜在治疗效应下的阳性试验结果概率。
- 期望样本量（ESS）： 计算所需的平均患者人数，并计入招募超额（例如在期中截止点与分析之间招募了 75 名患者）。
- 最大样本量： 所需患者人数的上界。

主要贡献

实现与可视化： 本文提供了使用 gsDesign 包进行推导、评估和绘制 2 阶段条件效能设计的具体 R 代码。它展示了如何根据期中 Z 值和条件效能标尺来可视化样本量自适应曲线。
比较框架： 它建立了一个通过使用期望样本量计算而非仅仅比较名义样本量来比较具有相似效能曲线的自适应设计的框架。
效率分析： 作者证明，虽然可以推导出条件效能设计，但创建低效的设计是“非常容易的”。他们表明，具有相似效能的设计通常具有相似的期望样本量，没有任何一种设计在整个治疗效应范围内具有统一的优越性。

结果
在使用初始设计针对 $\delta = 0.33$ 而真实效应可能为 $\delta = 0.27$ 的示例中：

效能恢复： 若真实效应为 $\delta = 0.27$ ，针对 $\delta = 0.33$ 设计的标准 GSD 效能会降至约 63%。条件效能自适应成功将 $\delta = 0.27$ 时的效能恢复到约 68.7%。
样本量权衡： 为了获得针对较小效应量 ( $\delta = 0.27$ ) 的充分效能，所有设计（包括条件效能自适应设计和直接针对 0.27 设计的 GSD）与最初的乐观计划相比，都需要大幅增加期望样本量。
设计等效性： 研究发现，在具有相似效能曲线的设计中，期望样本量是相当的。“序贯设计”方法和“单一自适应 N”方法由于具有更简单的最大样本量剖面，看起来比传统的条件效能设计更具吸引力。
超额影响： 将招募超额（75 名患者）纳入考虑显著影响了期望样本量的计算，强调了在期中分析中考虑数据滞后性的实际重要性。

意义与主张
本文谦虚地声称，虽然条件效能设计提供了一种“挽救”效能不足试验的机制，但在比较具有等效效能的设计时，它们本身并不比保守计划的 GSD 提供更小的初始样本量优势。作者断言：

设计选择： 在许多情况下，标准的序贯设计仍然是首选设计。这部分是因为条件效能设计可能会揭示有关期中治疗效应的信息，从而使解释变得复杂，并且它们容易因设计不当而导致效率低下。
工具效用： 其主要意义在于演示如何使用 gsDesign 包来严格评估这些权衡。该软件允许研究人员根据期中结果绘制自适应曲线，并在一系列效应量范围内比较效能和 ESS，而无需依赖耗时的模拟。
泛化性： 虽然示例使用的是独立的正态观测值，但作者指出，渐近理论可以推广到包括生存时间终点（经修改后）在内的许多结局类型，这使得这些比较方法广泛适用于典型的临床试验设计场景。

文章得出结论，如果不仔细检查这些特征（效能、ESS 和最大样本量），仅凭直觉选择设计方法是错误的，而所提供的工具促进了这种必要的评估。

类似论文