Um mit dem rasanten Tempo der klinischen Entwicklung Schritt zu halten, müssen innovative oder rechenintensive Designs wie die Bayes-Methoden eingesetzt werden. Diese Methoden ermöglichen die Einbeziehung von Vorwissen in statistische Inferenzen, entweder in der Form von Expertenmeinungen von Klinikern oder in Form von historischen Daten. Somit haben sie den zusätzlichen Vorteil, dass sie reale Daten nutzen können (im Allgemeinen fehlen bei realen Daten viele Angaben), ohne dass fehlende Werte kalkuliert werden müssen. Diese Art von Modellen ist auch flexibel genug, um mit zeitlichen Daten zu arbeiten. Das trägt dazu bei, die Abhängigkeit von Näherungswerten bei großen Stichproben zu verringern, die häufig für frequentistische Methoden erforderlich sind, und führt im Allgemeinen zu einer höheren Effizienz beim Studiendesign.
In dieser Ausgabe von „The Informative Bayesian“ von Pantelis Vlachos erfahren Sie mehr über das Entleihen von Informationen zur Bildung einer Prioritätsverteilung. In einem bayesschen Rahmen ist das Entleihen historischer Daten gleichbedeutend mit der Berücksichtigung aussagekräftiger Vorinformationen. Diese Vorinformationen können als metaanalytische prädiktive Priors (MAP) abgeleitet werden oder aus Patientendaten gewonnen werden.
East Bayes berücksichtigt beim metaanalytischen prädikativen (MAP) Ansatz zum Ableiten eines informativen Priors aus historischen Daten die Heterogenität der Studien. Dies geschieht mit Hilfe eines hierarchischen Modells. Insbesondere wird der MAP-Prior aus einem metaanalytischen Random-Effects-Modell abgeleitet, das typischerweise verwendet wird, um Nachweise für die vergleichbare Wirksamkeit von zwei Behandlungen zusammenzufassen.
Die Metaanalyse berücksichtigt die Heterogenität unter den Studien und führt zu einer weniger starken Berücksichtigung der historischen Informationen. Wie bei jeder Metaanalyse sollte der Untersuchung der Merkmale der in die Metaanalyse einbezogenen historischen Studien besondere Beachtung geschenkt werden. Um sicherzustellen, dass die ausgewählten historischen Kontrollelemente mit denen der neuen Studie vergleichbar sind, sollten zunächst quantitative Beschreibungen der Studienpopulation (Probandendemografie, Ausgangsmerkmale) und qualitative Merkmale (Begleitmedikation) untersucht werden. Darüber hinaus muss die Annahme der Heterogenität zwischen den Studien angemessen sein, da die Anzahl der historischen Studien in der Regel gering ist und der Unsicherheit Rechnung getragen werden muss.
Der MAP-Prior wird dann aus einem metaanalytischen Random-Effects-Modell mit historischen Daten mithilfe des Markov-Chain-Monte-Carlo-Algorithmus (MCMC) abgeleitet. MCMC-Verfahren sind erforderlich, da eine analytische Ableitung des MAP-Prior normalerweise nicht möglich ist. Diese a posteriori MCMC-Stichprobe repräsentiert den MAP-Prior mit einer parametrischen Mischverteilung unter Verwendung des Erwartungs-Maximierung-Algorithmus (EM). Der EM-Algorithmus, der mit einer festen Anzahl von Mischungskomponenten beginnt, wird verwendet, um eine Möglichkeit zu finden, die numerische Darstellung des MAP-Prior in Parametern auszudrücken. Die Anzahl der zu verwendenden Mischungskomponenten kann entweder manuell vorgegeben oder anhand von Informationskriterien automatisch bestimmt werden.
Man kann die Robustheit des parametrischen MAP auch dadurch erhöhen, dass man der aus den vorherigen Schritten abgeleiteten Mischung eine schwach-informative Prior-Komponente hinzufügt. Wie informativ der MAP-Prior ist, kann anhand des effektiven Stichprobenumfangs beurteilt werden, der einen groben Anhaltspunkt dafür liefert, um wie viel der Stichprobenumfang reduziert werden kann, wenn die entsprechende frequentistische Leistungsberechnung als Referenz verwendet wird.
East Bayes – Verifizierte Innovation zur Generierung metaanalytischer prädiktiver Priors
East Bayes von Cytel, eine webbasierte Erweiterung von East, ermöglicht eine praktikable und nachhaltige Übernahme innovativer und rechenintensiver Designs. Diese Software zielt darauf ab, die Intelligenz Ihres Unternehmens durch die Verwendung einer intuitiven grafischen Schnittstelle zu verbessern, damit innovative klinische Studien auf der Grundlage früherer Daten kompetent entworfen werden können. Mit dem MAP-Ansatz in East Bayes kann die Anzahl der mit Placebo behandelten Probanden innerhalb der Studie reduziert und die Studienleistung erhöht werden. Er erlaubt eine einfache Kommunikation von Vorabinformationen durch die parametrische Mischungsdichte, was zu schnellen und genauen Analyseverfahren zur Bewertung der Eigenschaften von Studiendesigns führt.
Hier erfahren Sie mehr über die bayesschen Möglichkeiten von East Bayes.
Pantelis veranschaulicht in einem On-Demand-Webinar einen Ansatz für die Einbeziehung historischer Daten in Form von informativen Priors. Klicken Sie auf die Schaltfläche, um das Webinar anzusehen und auf die Präsentation zuzugreifen.
Über Pantelis Vlachos
Pantelis Vlachos ist Principal/Strategic Consultant für Cytel, Inc. in Genf. Er trat dem Unternehmen im Januar 2013 bei. Zuvor war er leitender Biostatistiker bei Merck Serono sowie 12 Jahre lang Professor für Statistik an der Carnegie Mellon University. Seine Forschungsinteressen liegen im Bereich adaptiver Designs, hauptsächlich aus der Bayes-Perspektive, sowie im Testen und Prüfen von hierarchischen Modellen, obwohl seine heimliche Leidenschaft Textmining ist. Er war als Chefredakteur für die Zeitschrift „Bayesian Analysis“ sowie für die Redaktionsleitung mehrerer anderer Zeitschriften und Online-Archive für statistische Daten und Software tätig.
