Être à la page du rythme rapide du développement clinique signifie adopter des conceptions innovantes ou à forte intensité de calcul, telles que les méthodes bayésiennes. Celles-ci permettent l'incorporation de connaissances antérieures, telles que les opinions des experts-cliniciens ou des données historiques, dans l'inférence statistique. Elles offrent ainsi l'avantage supplémentaire de travailler avec des données du monde réel (généralement, les données du monde réel sont incomplètes) sans avoir besoin d'imputer des valeurs manquantes. Ces types de modèles sont également suffisamment flexibles pour fonctionner avec des données temporelles, ce qui permet de réduire le recours à des approximations de grands échantillons, souvent requises pour les méthodes fréquentistes, et se traduit généralement par une plus grande efficacité dans la conception de l'étude.
Dans cette édition de The Informative Bayesian de Pantelis Vlachos, nous en apprenons plus sur l'emprunt d'information pour former une distribution préalable. Dans un cadre bayésien, emprunter à des données historiques revient à considérer des a priori informatifs. Ces a priori peuvent être dérivés sous forme d'a priori prédictifs méta-analytiques (MAP) ou en utilisant des données au niveau du patient.
East Bayes fournit une approche prédictive méta-analytique (MAP) pour dériver un a priori informatif à partir de données historiques d'une manière qui tient compte de l'hétérogénéité entre les essais, à l'aide d'un modèle hiérarchique. En particulier, le MAP a priori est dérivé à l'aide d'un modèle de méta-analyse à effets aléatoires, généralement utilisé pour synthétiser les preuves de l'efficacité comparative de deux traitements.
La méta-analyse tient compte de l'hétérogénéité entre les essais et conduit à l'actualisation des informations historiques. Comme pour toute méta-analyse, une attention particulière doit être accordée à l'examen des caractéristiques des essais historiques inclus dans la méta-analyse. Afin de s'assurer que les aspects historiques sélectionnés sont comparables à ceux du nouvel essai, les descriptions quantitatives de la population de l'essai (données démographiques du sujet, caractéristiques de base) et les caractéristiques qualitatives (traitements concomitants) doivent d'abord être examinées. De plus, l'hypothèse d'hétérogénéité entre les essais doit être raisonnable, car le nombre d'essais historiques est généralement faible et l'incertitude doit être prise en compte.
La MAP a priori est ensuite dérivée d'une méta-analyse à effet aléatoire de données historiques, via des algorithmes de Méthode de Monte-Carlo par chaînes de Markov (MCMC). Les méthodes MCMC sont nécessaires, car la dérivation analytique de la MAP a priori n'est généralement pas possible. Cet échantillon MCMC postérieur représentera la MAP a priori, avec une distribution de mélange paramétrique utilisant l'algorithme de maximisation de l'espérance (EM). L'algorithme EM, qui commence par un nombre fixe de composants du mélange, exprime de façon paramétrique la représentation numérique de la MAP a priori. Le nombre de composants du mélange à utiliser peut être spécifié manuellement, ou déterminé automatiquement sur la base de mesures de critères d'information.
On peut également augmenter la robustesse de la MAP paramétrique en ajoutant une composante a priori faiblement informative au mélange dérivé des étapes précédentes. Le degré d'information de la MAP a priori peut être évalué par la taille d'échantillon effective donnant une indication approximative de combien la taille de l'échantillon peut être réduite en utilisant le calcul de puissance fréquentiste respectif comme référence.
East Bayes – Innovation vérifiée pour générer des a priori méta-analytiques prédictifs
East Bayes de Cytel, une extension Web native d'East, permet l'adoption pratique et durable de conceptions innovantes à forte intensité de calcul. Ce logiciel vise à améliorer l'intelligence de votre entreprise, en utilisant une interface graphique intuitive pour concevoir efficacement des essais cliniques innovants informés par les données antérieures. L'approche MAP dans East Bayes permet de réduire le nombre de sujets traités par placebo au sein de l'étude et d'augmenter la puissance de l'étude. Elle permet une communication facile des informations antérieures grâce à la densité de mélange paramétrique, qui conduit à des procédures analytiques rapides et précises pour évaluer les propriétés des conceptions d'essai.
Rendez-vous ici très bientôt pour en savoir plus sur les capacités bayésiennes offertes par East Bayes.
Pantelis illustre l'incorporation de données historiques en termes d'a priori informatifs dans un webinaire à la demande. Cliquez sur le bouton pour regarder le webinaire et accéder à la présentation.
À propos de Pantelis Vlachos
Pantelis est consultant principal/stratégique pour Cytel, Inc. Basé à Genève, il a rejoint l'entreprise en janvier 2013. Avant cela, il a été biostatisticien principal chez Merck Serono ainsi que professeur de statistique à l'Université Carnegie Mellon pendant 12 ans. Ses intérêts de recherche se situent dans le domaine des conceptions adaptatives, principalement d'un point de vue bayésien, ainsi que dans le test et la vérification de modèles hiérarchiques, bien que sa passion secrète soit la fouille de texte. Il a été rédacteur en chef de la revue «Bayesian Analysis » ainsi que des comités de rédaction de plusieurs autres revues et archives de données statistiques et de logiciels en ligne.
