一种用于篮筐试验的广义贝叶斯层次模型

《Pharmaceutical Statistics》：A Generalized Bayesian Hierarchical Model in Basket Trials

贝叶斯层次模型（BHM）在肿瘤学篮子试验中存在无法自适应调整借用强度的问题，导致异质性亚组中第一类错误通胀。本文提出广义贝叶斯层次模型（GBHM），通过放松BHM的方差参数假设实现自适应调整。通过四组仿真研究验证，GBHM结合逆伽马（IG）或柯西（Cauchy）先验能有效应对治疗效应异质性。推荐IG(0.01,0.01)先验用于宽松信息借用场景，Cauchy(25)先验适用于保守借用需求。相较于现有方法，GBHM实现更简单且无需复杂超参数校准。

　　

摘要

在肿瘤学研究中，篮子试验（basket trial）同时评估一种治疗方法对具有共同基因组异常的多种癌症组织类型的效果。Thall等人首次提出的贝叶斯层次模型（Bayesian Hierarchical Model，简称BHM）被广泛用于在篮子试验中跨多种癌症类型共享信息。然而，这种BHM无法自适应地确定信息共享的强度，当治疗效果在不同亚组中存在差异时，可能会导致I型错误（Type I error）显著增加。为了考虑异质性，人们提出了BHM的多种变体，其中一些变体通过修改BHM的可交换性假设或校准方差参数来实现。我们提出了一种广义贝叶斯层次模型（Generalized Bayesian Hierarchical Model，简称GBHM），该模型放宽了对BHM中方差参数的假设。我们在四项模拟研究中与现有的BHM变体进行了广泛的比较，这些模拟研究的设置与提出这些变体的文章中的设置相同。我们研究了使用逆伽马（Inverse-Gamma，简称IG）和柯西（Cauchy）先验的GBHM，并设置了不同的超参数。模拟研究表明，在某些先验选择下，GBHM对治疗效果的异质性具有鲁棒性。如果主要关注点不是控制I型错误，我们建议使用IG(0.01,0.01)先验的GBHM以实现较为宽松的信息共享；否则，建议使用Cauchy(25)先验的GBHM以实现更为保守的信息共享。GBHM的一个巨大优势是实现起来非常简单，不需要复杂的先验指定，而现有的方法可能需要对先验超参数进行仔细调整。

利益冲突

作者声明没有利益冲突。