48、临床试验设计与生物分析测定开发中的协作与优化

临床试验设计与生物分析测定开发中的协作与优化

临床试验设计通过模拟优化

临床实验设计方法极大地增强了试验设计团队成员之间的协作机会，这些成员包括生物统计学家、药代动力学家、医生和运营团队成员。在准备临床试验模拟时，推动团队成员讨论试验假设，有助于根据文献数据使研究尽可能严谨。很多时候，深入研究文献会发现，一些被认为是正确的观点实际上是错误的。

以药代动力学模型为基础构建药代动力学 - 药效学（PK - PD）关系，进而确定试验的操作特征。药代动力学家利用I期数据开发了非线性混合效应群体药代动力学模型，一个具有一级吸收和消除的双室模型能很好地拟合数据，其中体重是清除率的协变量。由于受试者之间暴露量的差异较大，不同剂量组之间的暴露分布可能会重叠，这使得剂量 - 反应关系难以辨别。原本可以采用随机浓度控制试验，以更好地分离不同剂量组的暴露量，从而明确剂量 - 反应关系，但该方法未被考虑。

在多剂量递增的I期试验中，不良事件（AEs）被建模为剂量的函数。数据挖掘专家使用无监督数据分析技术发现，不良事件水平在前4周上升，然后趋于稳定。显然，积极治疗组的患者不良事件水平高于安慰剂组。这种建模方法的一个优点是可以根据患者的基线特征为每个患者计算预测分数。由于不良事件主要与耐受性有关，且与退出试验的概率呈正相关，排除那些可能不耐受药物的患者，可以通过剔除不太可能从药物中获益的参与者来提高研究性能。但并非所有情况都适合这样做，例如肿瘤患者可能不会因为耐受性而退出试验，而是因为缺乏疗效或剂量限制性毒性；在其他适应症中，由于多种原因，如希望获得更广泛的市场授权、基于较窄人群缺乏对更广泛人群的可推广性以及招募困难等，可能不希望减少潜在患者的数量。

不良事件建模是试验模拟中关键且常被忽视的部分。在这个案例中，由于不良事件建模对退出率有影响，因此在模拟过程中至关重要。由于我们经常寻找意外的安全信号，数据挖掘方法有助于在药物开发早期检测到安全问题。根据药物开发领域的经验，如Cox - 2抑制剂Vioxx被发现增加心血管事件风险，安全建模和数据挖掘对于开发药物和找到合适的给药方案至关重要。

为了进一步探索浓度与不良事件之间的关系，对7种最常见的不良事件（按发生率衡量）进行了逻辑回归建模。解释变量从Cmax、AUC或平均观察浓度（Cavg）中选择。对于具有线性动力学的药物，这三个变量的建模结果相当一致。对于包括恶心和呕吐在内的几种不良事件，观察到了具有统计学意义的关系，模型表明较高的浓度耐受性明显较低。

由于健康志愿者的I期试验中没有疗效数据，因此无法获得用于规划研究的剂量 - 反应曲线。因此，决定最佳设计应涵盖I期研究的剂量范围。从PK - PD的角度来看，设计应能够精确估计剂量 - 反应曲线，以便选择III期试验的剂量。终点和时间点是与项目的医学专家协商确定的。有两种设计方案可供选择：固定剂量范围设计和自适应剂量范围设计。自适应设计的优点是能够有效估计剂量 - 反应曲线，但它比固定设计更复杂，实际操作中需要大量的前期规划，需要精通自适应设计问题的统计专业知识，并且需要在试验方案中仔细措辞，以确保试验的统计特性得到控制和理解。由于I期建模表明剂量和暴露量之间呈线性关系，因此在设计试验时，剂量被用作药物暴露量的替代指标。

固定设计在PK - PD模型确定后很容易模拟。对于自适应设计，需要对招募情况进行建模，以确保在研究执行过程中有时间进行中期分析和计划变更。咨询运营团队后发现，相对于观察临床疗效终点的3个月时间点，招募率预计较慢。患者招募可以建模为泊松过程的混合，这对于充分研究任何自适应设计的效果是必要的。

选择了贝叶斯设计，如果满足特定标准，试验组将因无效而停止。受试者数量的上限用N表示，本试验比较了N = 50和N = 100两种情况。如果是固定设计，N/4的受试者将被随机分配到每个试验组。在自适应设计中，试验在总受试者的一部分（f）被随机分配之前将作为固定设计试验进行，这部分受试者被称为“导入期”组。之后，自适应算法将根据累积数据调整分配到四个治疗组的概率。更新频率可以从多次中期分析到仅一次进行调整。该模型按固定时间频率进行中期分析，这导致分析的受试者数量频率不同，因此模拟研究中的中期分析次数也不同。

本设计选择了0、5、10和15mg的剂量进行研究，与固定设计相同。选择的模型是正态动态线性模型。设μk（0 ≤ k ≤ 3）表示剂量水平k的均值，其中k = 0代表安慰剂组。均值之间的关系为μk = μk - 1 + Δk - 1，其中Δk - 1服从高斯分布N(0, τ2)，变异性参数τ服从逆伽马分布IG(τ0, τ0τn/n)，作为收缩参数以减少每个剂量水平均值估计的随机变异性。可以调整先验参数来优化自适应算法的性能，使算法在一组剂量 - 反应曲线上表现良好。根据先前的研究，观察值的标准差估计为10个单位。模拟了三种剂量 - 反应曲线，最佳设计应在以下三种情况下都表现良好：（1）无反应的零假设情况；（2）S形剂量反应曲线（预期情况）；（3）U形剂量反应曲线。如果P（III期成功）< 0.2，试验将因无效而停止；如果在研究结束时P（III期成功）> 0.7，则试验被宣布成功。

为了优化研究设计参数，进行了析因设计。操作特征包括因无效而提前停止试验节省的受试者比例、每个非安慰剂剂量优于安慰剂的最大概率（跨剂量）以及在假设III期有300名受试者且采用最佳剂量的情况下，III期试验成功的概率。每个参数对不同的操作特征有影响，例如改变f值对无效概率的影响在零假设和备择假设下有所不同。结果表明，τ0的值仅在极端情况下对性能有影响，当τ0大于1时，影响极小；逆伽马参数τn是治疗均值变异性信息的指标，当τn大于1时，性能较为稳健。

在这种自适应设计中，如果相对于安慰剂的预测优势概率低于0.1，剂量组将被剔除。如果在假设III期有300名受试者的情况下，具有最高III期成功概率的剂量大于0.7，则试验被认为成功；如果该概率小于0.3，则试验失败；中间值则导致试验结果不确定。关注的指标包括与固定试验相比预期节省的样本量、成功概率以及III期试验的预测成功概率。研究了三种情况：（1）平坦剂量 - 反应曲线的零假设；（2）预期的剂量 - 反应曲线，最高剂量有显著改善，中间剂量有中等改善；（3）U形剂量反应曲线，最大反应发生在中间点，最大剂量有中等但仍为正的反应。

与更多剂量水平的设计相比，使用四个剂量水平的贝叶斯自适应设计在情况2和3中有较高的成功概率，在情况1中成功概率较低。有人担心贝叶斯框架中参数的先验信息可能会对研究性能产生不利影响，但分析表明，在合理范围内，试验性能对先验信息的变化相当稳健。使用自适应设计平均可以节省10% - 20%的试验成本，并且在这种情况下可以因无效而提前停止试验，为终止产品开发提供支持证据。

不同专业领域（临床、药代动力学和生物统计学）的专业知识相互作用，改善了影响化合物开发和试验设计的决策。每个专家通过就应采用的指标、每个开发阶段最有价值的终点以及是否可以使用创新试验设计达成共识，为决策过程做出了贡献。自适应试验本身比传统设计需要更严格的协作，因为操作（如盲法、药物供应、与试验点的结果沟通等）、统计和临床方面（如研究效力、研究剂量、使用的终点等）都密切相关。

生物分析测定开发

测定是检测或定量分析物的程序。分析物是被分析的化学物质，通常存在于生物样本（称为基质）中。例如，一个组织正在开发一种免疫测定法，用于定量蛋白质分析物，如白细胞介素 - 6（IL - 6），一种由T细胞和巨噬细胞分泌以刺激免疫反应的大蛋白。一种可能的定量血液中IL - 6的测定方法是酶联免疫吸附测定（ELISA）。

夹心ELISA包括多个步骤，在每个步骤中，分析人员可以调整几个参数，如试剂浓度、pH值和孵育时间。测定在一个96孔（8×12网格）的PVC板中进行，每个孔含有不同浓度的分析物。

生物化学家的任务是：（1）找出对测定性能（以偏差和变异性衡量）有显著影响的参数（变量）；（2）找到这些显著参数的最佳值。在这个案例中，主要是试剂浓度和孵育时间。与生物化学家讨论参数后，筛选研究中主要关注的变量如下表所示：
|变量编号|评估变量|
| ---- | ---- |
|1|碳酸盐浓度|
|2|孵育2（步骤4）|
|3|孵育3（步骤6）|
|4|检测抗体浓度（步骤8）|
|5|孵育4（步骤9）|
|6|结合抗体浓度（步骤11）|
|7|孵育5（步骤12）|

由于这是一个筛选研究，主效应模型最为合适。Plackett - Burman设计适用于此类研究，即使只有七个因素。虽然可以进行仅需8次运行的部分因子设计，但每次运行只需1块板，12块板也不算过多。此外，Plackett - Burman设计通过将可能的交互作用分散到多个不同的主效应中，减少了主效应与交互作用混淆的有害影响，而部分因子设计会完全混淆主效应和交互作用。该设计如下表所示：
|运行|Var 1 (μg/mL)|Var 2 (hr)|Var 3 (hr)|Var 4 (μg/mL)|Var 5 (hr)|Var 6 (conc)|Var 7 (hr)|总孵育时间 (hr)|
| ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|1|10|2|2|High|3|High|2|9|
|2|1|2|1.5|High|3|High|1|7.5|
|3|1|1|2|Low|3|High|2|8|
|4|10|1|1.5|High|2|High|2|6.5|
|5|1|2|1.5|Low|3|Low|2|8.5|
|6|1|1|2|Low|2|High|1|6|
|7|1|1|1.5|High|2|Low|2|6.5|
|8|10|1|1.5|Low|3|Low|1|6.5|
|9|10|2|1.5|Low|2|High|1|6.5|
|10|10|2|2|Low|2|Low|2|8|
|11|1|2|2|High|2|Low|1|7|
|12|10|1|2|High|3|Low|1|7|

在与生物化学家讨论这个设计时，发现运行1和5的执行时间太长，需要缩短时间。适当减少所有孵育时间对设计的统计特性影响很小，因为所有主效应仍然可以用大致相同的特性进行估计。幸运的是，Plackett - Burman设计是一种D - 最优设计，经验表明它们对偏离最优情况相当稳健。生物化学家能够合理安排时间，使两名技术人员能够完成整个过程。

整个过程变得更加容易，得益于几个关键因素。统计学家在实验室参与了测定工作，了解了过程的细节，具备生物化学的实用知识，并通过与实验室团队在其他项目上的合作赢得了他们的信任，形成了生物化学家和统计学家之间的合作关系。因此，统计学家也知道需要采取一些捷径，例如运行顺序没有像通常那样随机化，而是根据实验室流程进行安排。这虽然带来了一些统计风险，但鉴于实际问题是必要的。此外，由于统计学家掌握了生物化学的语言，他们可以用问题的自然语言轻松交流。

计划的数据是计算质量控制（QC）样本的均值和标准差，这些样本含有已知浓度的IL - 6。计算基于通过比较两条米氏曲线之间的水平距离得出的相对效力。许多运行未能产生可以合理拟合米氏曲线的滴定曲线。

综上所述，在临床试验设计和生物分析测定开发中，不同专业领域的协作以及合理的设计和优化方法对于提高研究效率和质量至关重要。无论是通过模拟优化临床试验设计，还是通过合理选择设计方法和参数优化生物分析测定，都需要充分考虑实际情况，灵活运用各种技术和方法，以实现研究目标。

数据处理与结果分析

在生物分析测定开发中，数据处理是关键的一环。计划计算质量控制（QC）样本的均值和标准差，这些样本含有已知浓度的IL - 6。计算基于通过比较两条米氏曲线之间的水平距离得出的相对效力。以下是数据处理的步骤：
1. 收集数据 ：记录每个运行中QC样本的相关数据。
2. 计算相对效力 ：比较两条米氏曲线之间的水平距离。
3. 计算均值和标准差 ：基于相对效力计算QC样本的均值和标准差。

然而，许多运行未能产生可以合理拟合米氏曲线的滴定曲线。例如，部分数据呈现为随机值，而非曲线。这给数据处理和结果分析带来了挑战。对于这些异常数据，需要进一步分析原因，可能是测定过程中的参数设置不当，也可能是试剂的质量问题。

结果分析与优化

对数据处理得到的结果进行分析，以评估测定性能。主要关注的指标是偏差和变异性，通过分析可以找出对测定性能有显著影响的参数。根据结果，可以对参数进行优化，以提高测定的准确性和可靠性。

例如，如果发现某个试剂的浓度对测定结果的偏差影响较大，可以调整该试剂的浓度范围，重新进行测定，观察结果是否得到改善。对于孵育时间等参数，也可以采用类似的方法进行优化。

mermaid流程图如下：

graph LR
    A[收集数据] --> B[计算相对效力]
    B --> C[计算均值和标准差]
    C --> D[结果分析]
    D --> E{是否满足要求}
    E -- 是 --> F[结束]
    E -- 否 --> G[参数优化]
    G --> A

协作的重要性与挑战

在整个临床试验设计和生物分析测定开发过程中，不同专业领域的协作起到了至关重要的作用。临床、药代动力学和生物统计学等专业的专家通过协作，共同确定了试验设计的参数、指标和终点，提高了研究的效率和质量。

协作的好处

• 知识共享 ：不同专业的专家可以分享各自领域的知识和经验，为问题的解决提供更多的思路和方法。
• 优化决策 ：通过协作，能够综合考虑各种因素，做出更合理的决策，避免单一专业视角的局限性。
• 提高效率 ：各专业人员之间的密切配合可以减少沟通成本，加快项目的推进速度。

协作面临的挑战

• 沟通障碍 ：不同专业的人员使用的术语和思维方式可能不同，导致沟通困难。例如，统计学家和生物化学家在讨论设计方案时，可能需要花费时间解释各自的专业概念。
• 利益冲突 ：不同专业人员可能有不同的目标和利益，需要协调各方利益，以确保项目的顺利进行。
• 时间安排 ：不同专业人员的工作节奏和时间安排可能不一致，需要合理安排时间，确保协作的有效性。

为了克服这些挑战，需要建立良好的沟通机制，加强专业人员之间的培训和交流，提高彼此的理解和信任。同时，制定明确的项目目标和计划，合理分配任务和资源，以确保协作的顺利进行。

总结与展望

在临床试验设计和生物分析测定开发中，通过模拟优化试验设计和合理选择设计方法及参数优化生物分析测定，能够提高研究的效率和质量。不同专业领域的协作是实现这些目标的关键，尽管面临一些挑战，但通过有效的沟通和协调，可以充分发挥各专业的优势。

未来，随着科技的不断发展，临床试验设计和生物分析测定开发将面临更多的机遇和挑战。例如，新的数据分析技术和模型可能会为试验设计提供更精确的指导，而新型的试剂和测定方法可能会提高生物分析测定的灵敏度和特异性。我们需要不断学习和掌握新的知识和技术，加强专业之间的协作，以应对未来的挑战，推动药物研发和生物分析领域的发展。

以下是一个总结表格，概括了临床试验设计和生物分析测定开发的关键要点：
|领域|关键要点|
| ---- | ---- |
|临床试验设计|通过模拟优化，考虑剂量 - 反应关系、不良事件建模，选择合适的设计方案（固定或自适应），利用贝叶斯设计提高效率和节省成本|
|生物分析测定开发|选择合适的设计方法（如Plackett - Burman设计），找出对测定性能有显著影响的参数，优化参数以提高测定准确性和可靠性，加强不同专业的协作|