医疗器械临床试验中使用贝叶斯统计的指南
Guidance for the Use of Bayesian Statistics in Medical Device Clinical Trials
发布日期：2010-02-04
状态：Final（最终） 类型：Guidance Document 类别：临床 / 真实世界证据 受试者：Biostatistics
INFO
本内容由英文原文机器辅助翻译，并经结构校对。如有歧义，以英文官方文本为准。
官方文件全文
本指南代表FDA（FDA）目前对该受试者的观点。它不为任何人确立任何权利，对FDA或公众亦不具约束力。若替代方法满足适用法规与条例的要求，您可采用该替代方法。
1. 简介
本文件就医疗器械临床试验中规划、分析与报告贝叶斯统计方法提供建议。贝叶斯方法通过贝叶斯定理将先验信息与当前试验数据结合，得到后验推断，并可用于决策规则、后验预测概率与适应性设计。
FDA指南不确立具有法律强制力的责任；“应当”表示建议而非强制要求。
2. 前言
2.1 什么是贝叶斯统计？
贝叶斯统计将关于未知参数的不确定性表示为概率分布。分析从先验分布开始，结合数据的似然，得到后验分布。后验汇总（均值、可信区间、尾概率）用于推断与决策。
2.2 为何在医疗器械中使用贝叶斯统计？
器械试验常面临样本量有限、可获得历史器械数据、需要适应性设计或希望对成功概率作直接概率陈述等情形。贝叶斯框架可系统纳入既往信息并支持灵活设计，前提是科学论证充分。
2.3 为何贝叶斯方法现在更常用？
计算能力（尤其是MCMC）、软件可用性、适应性试验方法学发展，以及监管方对借力历史数据与创新设计的经验积累，使贝叶斯方法在器械试验中更可行。
2.4 FDA应何时参与贝叶斯试验的规划？
当拟使用信息先验、层次借力、外部对照、复杂适应性规则或非标准决策阈值时，应尽早通过预提交/IDE讨论与FDA互动。即使设计较简单，提前沟通也有助于避免审评阶段争议。
2.5 贝叶斯方法不能替代严谨科学
贝叶斯分析不能弥补不良试验设计、有偏终点、不完善对照或数据质量问题。可交换性、终点选择与试验实施仍是基础。
2.6 使用贝叶斯方法的潜在获益
2.6.1 为决策提供更多信息
后验与(参照)分布可提供对效应大小、成功概率与未来患者结局的直接概率解释。
2.6.2 通过先验信息减小样本量
在可交换且稳健借力的参照器械下，相关历史数据可提高精度并可能减小所需样本量。
2.6.3 通过适应性试验设计减小样本量
后验预测概率指导的提前停止或样本量再估计可能提高效率。
2.6.4 试验设计的中途变更
在预先规定的适应规则下，可基于累积数据调整设计特征；仍须通过模拟控制错误率。
2.6.5 其他潜在获益
包括对复杂层次结构的自然建模、小样本下的确切分析以及多重终点的联合建模。
2.7 使用贝叶斯方法的潜在挑战
先验选择主观性、可交换性论证困难、操作特征评价复杂、审评双方对模型假设共识不足、以及软件/可重复性要求等。
2.8 可用软件
常见选项包括专用贝叶斯软件与可进行MCMC的统计环境。申办者应说明所用软件版本，并提供足够细节以复现主要分析。
2.9 进一步学习资源
统计学教材、FDA相关统计指导、适应性设计文献以及专业学会良好实践均可作为补充资源。
3. 贝叶斯统计
3.2 贝叶斯范式
先验 × 似然 → 后验。决策可基于后验概率、期望效用或后验预测概率。
3.3 什么是先验分布？
先验表达试验数据观察前对参数的信念。可为无信息、弱信息或信息先验；信息先验须有数据或结构化专家引出支持。
3.4 什么是观察数据的似然？
似然描述在给定参数下生成观察数据的概率模型（例如二项、生存、纵向模型）。
3.5 什么是后验分布？
后验是结合先验与数据后对参数的更新认识，是贝叶斯推断的核心对象。
3.6 什么是(参照)分布？
(参照)分布描述尚未观察的数据（例如尚未入组或尚未完成随访的患者）的可能结果，常用于期中决策。
3.7 什么是可交换性？
若对象（或试验）的联合分布对置换不变，则称可交换。将历史试验与当前试验一起建模时，可交换性（或条件可交换性）是借力的关键假设。
3.8 什么是似然原则？
似然原则指出，对参数的推断应依赖观察数据的似然；贝叶斯方法自然遵守似然原则，而某些频率派程序可能不完全遵守。
4. 规划贝叶斯临床试验
4.1 从健全的临床试验设计开始
仍需明确目标、人群、随机化、对照、盲法、终点与访视计划。贝叶斯不降低试验质量要求。
4.2 选择相关终点
终点应具有临床意义并与预期用途对齐；多重终点需要预先规定的决策策略。
4.3 收集协变量等重要信息
协变量可用于分层、调整或评估可交换性；应预先规定调整模型以免数据挖矿。
4.4 选择比较：对照
对照可为同期随机对照、历史对照或外部对照。历史/外部对照的偏倚风险更高，需更强论证与稳健借力。
4.5 关于终点的初始信息：先验分布
说明先验来源、构建、有效样本量/权重，以及与当前试验人群/条件的相关性。
4.6 从其他研究借力：层次模型
层次模型允许各研究有自身参数并向共同分布收缩。应评估异质性并报告借力程度；在冲突时降低借力（稳健先验、幂先验等）。
4.7 确定样本量
贝叶斯样本量常通过模拟确定，使在临床有意义的效应下成功概率（效能类似量）达标，并在零效应下控制错误成功率。
4.8 评估贝叶斯设计的操作特征
FDA关注I类错误及其他操作特征。要点包括：在相关假设下模拟成功概率；使用先验信息时可能仍需控制I类错误或证明其可接受；若历史信息与当前冲突，可能建议折现先验。应记录模拟情景与结果。
4.9 贝叶斯多重性调整
多剂量、多终点、多亚群会增加错误阳性；可用联合模型、门控或模拟校准阈值。
4.10 贝叶斯适应性设计
介绍后验预测概率停止、臂选择、样本量再估计等。适应规则必须预先规定，并用模拟证明在无效假设下错误率受控。
5. 分析贝叶斯临床试验
5.1 后验分布的汇总
报告后验均值/中位数、可信区间、尾概率及图示。
5.2 假设检验
常通过后验概率与预设阈值比较进行决策；阈值应在方案中固定。
5.3 区间估计
可信区间提供参数的概率区间解释；应说明是相等尾还是最高后验密度区间。
5.4 后验预测概率
用于期中评估最终成功可能性或未来患者获益。
5.5 期中分析
预先规定期中时点与决策规则；说明是否纳入尚未完成随访患者的(参照)。
5.6 模型检查
后验(参照)检查、残差、收敛诊断（MCMC）与先验—数据冲突诊断。
5.8 决策分析
在某些情形下可将获益—风险明确纳入效用函数；须透明并与临床审查对齐。
6. 向FDA提交与沟通
提交应包括：完整统计分析计划；先验论证；模型公式；模拟报告；主要后验结果与敏感性分析；软件与复现信息。鼓励在设计阶段互动。
7. 结论
贝叶斯方法可为器械试验提供灵活且信息丰富的框架，但需要透明的先验、可交换性论证、经模拟验证的操作特征以及与FDA的早期沟通。它不能替代健全的临床试验科学。
脚注
本指南脚注提供方法学文献与补充技术细节。实施时应同时参阅现行适应性设计、真实世界证据、获益—风险以及具体器械临床评价指南。