BUDS: Benchmark Uncertainty Design Selection for Two-Stage Single-Arm Phase II Trials

想象一下，你是一名试图抓捕小偷的侦探，但你并不确切知道小偷的长相。你手里有一张素描，但有点模糊。在医学科学的世界里，特别是在新药测试的早期阶段，研究人员也在玩类似的博弈。他们想知道一种新疗法是否比“旧方法”更有效。为此，他们会进行所谓的“II 期临床试验”。把这看作是新演员的第一次正式试镜。研究人员将新药的表现与一个“历史基准”（historical benchmark）进行比较，即基于当前最佳疗法通常表现出的标准数值。这就像是在说：“如果这种新药能治愈超过 10% 的人，我们就继续；如果不行，我们就停止。”

问题在于，那个“10%”的数字往往是一个猜测。它可能来自一项小规模研究，或者患者的情况略有不同，亦或是自那项旧研究以来，医学已经发生了变化。如果研究人员选错了用于基准的数字，他们可能会误把一个没用的药当成英雄，或者过早地放弃一个好药。这篇论文探讨了在无法 100% 确定“标准”表现时，如何设计这些药物试镜的复杂数学问题。这关乎建立一个安全网，这样即使你的猜测稍有偏差，也不会造成代价高昂的错误。

---

“BUDS”解决方案：为未知而设计

这篇论文介绍了一个名为 BUDS（基准不确定性设计选择，Benchmark Uncertainty Design Selection）的新框架。把 BUDS 想象成一位聪明的、谨慎的建筑师在设计一座桥梁。通常，当你建造一座桥时，你会根据一个特定的重量来计算载荷——比如一辆恰好重 2,000 磅的汽车。你设计的桥正好能承载这辆车。但如果现实中，经过桥梁的汽车重量可能在 1,800 到 2,200 磅之间呢？如果你只针对 2,000 磅进行设计，一辆重型卡车可能会压垮你的桥。

作者认为，传统的药物试验设计就像那座单重量设计的桥。它们选择一个特定的“基准”（比如 10% 的治愈率），并围绕它设计整个研究。论文指出，如果真实的基准实际上更高（比如 15%），这些传统设计可能会惨败。它们可能会宣布一种药物是成功的，而实际上它是个废物。在模拟实验中，作者发现当真实基准仅比计划值稍高时，一种被称为“Simon Optimal”的流行设计方案，其错误率会飙升至 0.407（也就是有 40.7% 的概率发生假警报！），而不是预期的 10%。

为了解决这个问题，BUDS 建议停止“单一猜测”的游戏。研究人员不应该只选一个数字，而应该定义一个基准可能存在的合理范围（例如，“治愈率可能在 5% 到 15% 之间”）。随后，BUDS 会设计出能够在这个整个范围内安全运行的试验。

BUDS 如何运作： “最坏情况”与“平均”策略

论文提出了两种主要方法，用于从符合这种新型、更宽安全网的众多选项中挑选出最佳的试验设计：

1. BUDS-Worst-Regret（最坏遗憾策略）： 这是“偏执型”策略。它会问：“在我们设定的范围内，最坏的情况是什么？为了应对那个特定的最坏情况，我们需要额外投入多少工作量（患者人数）？”然后，它会选择那个能使“最大遗憾”最小化的设计——即如果最坏情况真的发生了，所产生的失望程度最小。这就像是为一次旅行打包行李，你可能需要带一件厚外套、一件轻便夹克或什么都不带。你会选择那种即使在最冷的天气下也能让你感到舒适的装束，即便这意味着在晴天时你可能会穿得稍微多余了一点。
2. BUDS-Avg-EN（平均效率策略）： 这是“平均型”策略。它观察整个可能性范围，并挑选出平均使用患者人数最少的方案。这就像是为一次旅行打包，你预期会有各种天气，并且希望整体上保持高效，即便在某一个特定日子可能会感到一点点凉意。

模拟实验显示了什么

作者运行了数千次计算机模拟，以观察这些新设计与旧设计的对比。以下是他们的发现：

• 安全第一： 最重要的发现是，无论真实的基准落在范围内的哪个位置，BUDS 设计都能将“假警报”率（I 类错误）控制在一定范围内。无论基准是在猜测范围的低端还是高端，试验都不会误将一种坏药宣布为成功。相比之下，旧的单基准设计在实际基准高于预期时，其错误率会爆炸式增长。
• 安全的代价： 存在一种权衡。为了在广泛的可能性中保持安全，BUDS 设计有时需要比旧设计更多的患者。例如，在基准具有不确定性的场景下，传统设计可能最多需要 37 名患者。而 BUDS 设计，为了防范最坏的情况，可能需要 54 名甚至 72 名患者。论文指出，这种额外的招募人数是避免犯错的代价。测试多出几个人，总比把数百万美元浪费在一次针对无效药物的 III 期临床试验上要好。
• 现实世界的案例： 作者将他们的想法应用于现实场景，例如一项针对胶质母细胞瘤（一种类型的脑癌）的试验。他们研究了一个使用 0.10（10%）作为基准的试验。当他们应用具有 0.05 到 0.13 现实范围的 BUDS 时，旧的设计方案会有超过 0.25（25%）的假警报率。而 BUDS 设计将错误率控制在了 0.093（9.3%）以下，但它要求的最大样本量为 89 人，而非原先的 50 人。

核心结论

论文总结道，BUDS 提供了一种透明的方式来处理医疗历史的不确定性。它并没有神奇地让不确定性消失；相反，它迫使研究人员承认：“我们无法 100% 确定，所以让我们为一个范围做计划。”通过这样做，它使效率（使用更少的患者）与稳健性（避免假阳性）之间的权衡变得清晰可见。作者甚至开发了一个免费的计算机工具（一个 R 包和一个 Shiny 应用），以便其他科学家可以使用这种方法来设计他们自己的试验。

简而言之，BUDS 认为，在药物测试这一高风险游戏中，设计一座能够承受一系列重量的桥梁，比赌在一个完美的单一猜测上要明智得多。论文并未声称这是所有医学试验的终极方案，但它提供了一种坚实的、符合数学逻辑的方法，让我们停止猜测，开始为未知进行规划。