예측 성공 확률

예측 성공 확률(PPOS)은 의사 결정을 지원하기 위해 보건 당국을 포함한 제약 업계에서 일반적으로 사용되는 통계 개념이다.임상시험에서 PPOS는 기존 데이터를 바탕으로 미래의 성공을 관찰할 확률이다.그것은 성공 확률의 한 유형이다.PPOS를 결정할 수 있는 베이지안 수단은 가능한 미래 응답에 대한 데이터의 우도(후방 분포)^[1]를 통합하는 것이다.

POS의 종류

• 엔드포인트 유형에 따른 분류:정상, 이진수, 사건 발생 시간
• 데이터를 제공하는 시험과 예측되는 시험과의 관계에 따른 분류

1. 크로스 트라이얼 PPOS: 하나의 트라이얼의 데이터를 사용하여 다른 트라이얼을 예측합니다.
2. 시험 POS 내: 중간 분석 시 데이터를 사용하여 최종 분석 시 동일한 시험을 예측합니다.

• 엔드포인트와 데이터와의 관계에 따른 분류 및 예측 대상 엔드포인트

1. 1 대 1 POS: 1개의 엔드 포인트를 사용하여 동일한 엔드 포인트를 예측
2. 1 ~ 1 * POS :1개의 엔드 포인트를 사용하여 다른 엔드 포인트를 예측하지만 상관관계가 있습니다.

조건부 검정력 및 예측 검정력과의 관계

조건부 검정력은 모수가 특정 ^[2]값과 같다고 가정하여 통계적으로 유의성을 관측할 확률입니다.보다 구체적으로, 이러한 매개변수는 향후 ^[3]관찰에서 고정될 수 있는 치료 및 위약 사건 비율이 될 수 있다.이것은 빈번한 통계의 힘이다.조건부 전력은 파라미터가 true로 알려져 있지 않은 특정 값과 동일하다고 가정할 때 종종 비판받습니다.모수의 실제 값을 알고 있으면 실험을 수행할 필요가 없습니다.

예측 전력은 모수가 특정 분포를 갖는다고 가정하여 이 문제에 대처합니다.예측력은 베이지안 파워입니다.베이지안 설정의 파라미터는 랜덤 변수입니다.예측력은 모수의 함수이므로 예측력도 변수입니다.

조건부 검정력과 예측 검정력 모두 통계적 유의성을 성공 기준으로 사용합니다.그러나 통계적 유의성이 성공을 정의하기에 충분하지 않은 경우가 많습니다.예를 들어 보건당국은 종종 등록 결정을 뒷받침하기 위해 치료 효과의 크기가 통계적 유의성보다 커야 한다고 요구한다.

이 문제에 대처하기 위해 예측 능력을 POS 개념으로 확장할 수 있습니다.PPOS의 성공 기준은 통계적 유의성으로 제한되지 않습니다.임상적으로 의미 있는 결과와 같은 다른 것이 될 수 있습니다.PPOS는 랜덤 변수에 따라 조건부 확률이 조정되므로 랜덤 변수이기도 합니다.관측치는 랜덤 ^[4]변수의 실현에 불과합니다.

사후 성공 확률과의 관계

사후 성공 확률은 사후 분포에서 계산됩니다.POS는 예측 분포에서 계산됩니다.후방 분포는 모수에 대한 불확실성의 요약이다.예측 분포는 모수에 대한 불확실성뿐만 아니라 데이터를 사용하여 모수를 추정하는 불확실성도 가지고 있다.후방 분포와 예측 분포의 평균은 동일하지만 전자의 분산은 더 작습니다.

POS의 현행 관행에서 흔히 볼 수 있는 문제

PPOS는 랜덤하게 관측된 데이터에 따라 조건화된 조건부 확률이므로 랜덤 변수 그 자체입니다.현재 PPOS의 일반적인 관행은 어플리케이션에서 포인트 추정치만 사용합니다.오해의 소지가 있습니다.변수의 경우 불확실성의 양이 이야기의 중요한 부분입니다.이 문제를 해결하기 위해 탕은^[5] 불확실성의 양을 정량화하기 위해 PPOS 신뢰 구간을 도입했다.탕은 의사결정 및 임상시험 설계와 같은 애플리케이션에서 PPOS 포인트 추정과 신뢰할 수 있는 간격을 모두 사용할 것을 지지한다.또 다른 공통적인 문제는 사후 성공 확률과 POS의 혼합 사용이다.이전 절에서 설명한 바와 같이, 2개의 통계는 2개의 다른 메트릭으로 측정되며, 비교는 사과와 오렌지를 비교하는 것과 같습니다.

임상시험 설계에서의 응용 프로그램

PPOS는 대규모 확인 시험 또는 파일럿 시험을 위해 임시로 무효를 설계하는 데 사용될 수 있습니다.

POS를 사용한 파일럿 시험 설계

종래의 파일럿 시험 설계는, 통상, 타입 I 의 에러율과 특정의 파라메타치를 검출하기 위한 전력을 제어하는 것에 의해서 행해집니다.2단계 시험과 같은 파일럿 시험의 목적은 보통 등록을 지원하지 않는 것입니다.따라서 타입 I 에러 레이트를 제어하는 것은 의미가 없습니다.특히 단계 II의 시행에서 통상적으로 행해지는 큰 타입 I 에러입니다.파일럿 재판은 보통 확인 재판의 합격/불합격 결정을 뒷받침하는 증거를 제공합니다.따라서 PPOS를 기반으로 트라이얼을 설계하는 것이 더 합리적입니다.No/Go 결정을 지원하려면 기존 방식에서는 PPOS를 작게 해야 합니다.그러나 PPOS는 우연에 의해 작을 수 있습니다.이 문제를 해결하기 위해서는 POS의 신뢰성 있는 간격이 긴 것을 요구하여 충분한 정보로 POS 계산이 지원되므로 우연만으로 POS가 작지 않습니다.최적 설계를 찾는 것은 다음 두 방정식의 해를 찾는 것과 같습니다.

1. POS = POS 1
2. POS 신뢰 구간 상한=PPOS2

여기서 PPOS1과 PPOS2는 사용자 정의 컷오프 값입니다.첫 번째 방정식은 PPOS가 작기 때문에 잘못된 음성을 방지하기 위해 다음 단계로 들어가는 것을 막을 수 있습니다.첫 번째 방정식은 또한 PPOS가 너무 작지 않기 때문에 잘못된 양성을 방지하기 위해 너무 많은 시행이 다음 단계에 들어가지 않도록 보장합니다.두 번째 방정식은 PPOS의 신뢰성 있는 간격이 긴밀함을 보증하고 PPOS 계산이 충분한 정보로 지원되도록 합니다.두 번째 방정식은 또한 PPOS의 신뢰성 있는 간격이 너무 좁지 않기 때문에 너무 많은 자원을 요구하지 않음을 보증합니다.

POS를 이용한 효용 중간 설계

PPOS는 임상시험을 계속해야 하는지 여부를 결정하기 위해 중간 분석에서도 사용될 수 있다.PPOS의 값은 현재 사용 가능한 ^[1]데이터로 귀무 가설을 기각하거나 기각할 수 있는 충분한 설득력 있는 증거가 있는지 여부를 나타내는 데 사용될 수 있기 때문에 이 목적을 위해 POS를 사용할 수 있다.PPOS는 또한 ^[1]헛수고 평가에도 사용될 수 있다.무익은 임상시험이 목표에 도달할 기미를 보이지 않는 경우(즉,^[6] 무효에 대한 결론을 내릴 수 있을 만큼 충분한 정보를 제공함)이다.

전통적인 무익한 중간은 베타 지출에 기반하여 설계되었습니다.그러나 베타 지출은 직관적으로 해석할 수 없다.따라서 통계학자가 아닌 동료들과 소통하는 것은 어렵다.PPOS는 직관적인 해석이 가능하기 때문에 PPOS를 사용하여 임시로 허무성을 설계하는 것이 더 타당하다.무효를 선언하기 위해 PPOS를 소형으로 하고 충분한 정보를 바탕으로 PPOS 계산을 지원합니다.최적 설계를 찾는 것은 다음 두 방정식을 푸는 것과 같습니다.

1. POS = POS 1
2. POS 신뢰 구간 상한=PPOS2

시뮬레이션을 사용한PPOS 계산

중간 분석에서는 다음과 같은 ^[1]방법으로 시뮬레이션을 사용하여 예측 성공 확률을 계산할 수도 있습니다.

1. 현재 사용 가능한 데이터 집합에서 얻은 사후 분포에서 관심 모수를 표본으로 추출합니다.
2. 중간 분석 중인 데이터에서 아직 관측되지 않은 값을 유지하는 예측 분포에서 샘플링하여 데이터 집합을 완성합니다.
3. 새로 완료된 데이터 집합을 사용하여 p-값, 사후 확률 등과 같은 성공을 계산하는 데 사용되는 기준을 계산합니다.그런 다음 이를 사용하여 시행이 성공했는지 여부를 분류할 수 있습니다.
4. 그 후 이 세 단계를 총 n회 반복합니다.PPOS는 데이터 집합에서 성공한 시험 비율에 따라 결정됩니다.

시뮬레이션을 사용하여 PPOS를 계산하면 복잡한 분포로 통계를 테스트할 수 있습니다. 그렇지 않으면 ^[3]필요했던 컴퓨팅의 복잡성을 완화하기 때문입니다.

레퍼런스