Как FDA рекомендует использовать байесовскую статистику для принятия регуляторных решений в отношении клинических испытаний? – Экономист в области здравоохранения

Проект руководства FDA по байесовской методологии от января 2026 г. в исследованиях лекарств и биологических препаратов сигнализирует о явном желании видеть байесовские методы, используемые для принятия регулирующих решений в ходе клинических испытаний. В руководстве изложено, как спонсоры (т. е. производители фармацевтических препаратов) должны заранее указать априорные данные, критерии успеха и моделирование, чтобы байесовские планы оставались интерпретируемыми, контролировать частоту ошибок, когда это необходимо, и генерировать доказательства, которые могут способствовать существенному подтверждению эффективности. В документе также подчеркивается прозрачность предшествующего строительства и эксплуатационных характеристик, особенно при заимствовании внешней информации, такой как исторические испытания или реальные данные.

Примеры применения байесовской статистики

В руководстве выделены несколько повторяющихся областей применения, в которых байесовские методы уже фигурировали в материалах:

• Заимствование из предыдущих клинических исследований: При определенных обстоятельствах информативная предварительная информация для исследования может быть сформирована на основе результатов более ранних исследований того же препарата, таких как исследование REBYOTA фазы 3, в которое формально включены данные предыдущего исследования фазы 2 при рецидивирующей инфекции C. difficile.
• Дополнение рандомизированного параллельного контроля внешними или непараллельными элементами управления.: В труднодоступных или этически сложных условиях внешние или несовпадающие контрольные данные могут дополнять параллельную контрольную группу, как это предложено в исследованиях платформ GBM AGILE и Precision Promise, а также в исследовании не меньшей эффективности рассеянного склероза у детей.
• Педиатрическая экстраполяция: Когда течение заболевания и фармакология достаточно схожи у взрослых и детей, данные для взрослых могут служить информативными для определения эффективности и дозировки у детей, как это видно в программах эмпаглифлозина и линаглиптина для лечения детского диабета 2 типа, с тщательной оценкой значимости.
• Заимствование при схожих заболеваниях или подтипах заболеваний: Для родственных состояний (например, опухолей, имеющих общие молекулярные изменения или родственных эпилепсий), байесовские методы – часто с помощью иерархических моделей – могут обмениваться информацией по показаниям или подтипам в условиях корзины, сохраняя при этом гетерогенность.
• Заимствование между подгруппами в рамках исследования (анализ подгрупп): Байесовские иерархические модели и сокращение могут стабилизировать оценки подгрупп (например, региональные эффекты) за счет частичного объединения в общий эффект, как показано в исследовании результатов лираглутида по сердечно-сосудистым заболеваниям и нескольких моментальных снимках испытаний лекарств, включая Rinvoq.
• Исследования по подбору дозы в онкологии: Схемы повышения дозы на основе байесовских моделей и с помощью моделей (CRM, BLRM, BOIN, mTPI/mTPI-2, EWOC и подходы, основанные на полезности) используются для определения максимально переносимых или иным образом оптимизированных доз более эффективно и гибко, чем традиционные схемы 3+3.

Взгляд FDA на приоры

В руководстве различаются три широких класса априорных положений и предлагаются практические комментарии по каждому из них:

• Неинформативно и минимально информативно. Априорные данные созданы как инструменты для кодирования общей неопределенности, часто подходящие, когда нет соответствующих предварительных доказательств, но FDA отмечает, что они все равно могут оказывать непреднамеренное влияние в условиях слабых данных и должны оцениваться посредством моделирования (включая эффективный размер выборки и проверки чувствительности).
• Скептические априоры описываются как разумные, когда большие размеры эффекта следует рассматривать с осторожностью — например, после нескольких неудачных программ в терапевтической области или когда вероятна только дополнительная польза — и как потенциальные инструменты в адаптивных проектах для смягчения ранних случайных максимумов при сохранении контроля ошибок типа I.
• Информационные априоры заимствования внешней информации (например, по педиатрии, редким заболеваниям или платформенным исследованиям) в принципе приемлемы, но требуют «сильного обоснования», явного моделирования релевантности и неопределенности, формальной оценки конфликта априорных данных и тщательной калибровки того, насколько происходит заимствование (часто посредством динамического дисконтирования, иерархических моделей или смешанных априорных данных).

В отношении данных, используемых для информирования априорных данных, FDA подчеркивает, что источники должны быть: высококачественными и надежными (с дополнительной проверкой реальных данных), заранее указанными в систематическом плане синтеза доказательств (критерии включения, аналитические методы и объем), соответствующими конкретной оценке и условиям (популяция, конечные точки, обработка интеркуррентных событий, новизна и развивающиеся стандарты лечения), в идеале рандомизированными и на уровне пациентов, где это возможно, и прозрачно документированными, включая причины исключения любых исследований.

Другие важные темы руководства включают критерии успеха и рабочие характеристики, количественную оценку предшествующего влияния (например, эффективный размер выборки). [ESS]), оценки и недостающие данные в байесовской настройке, программном обеспечении и вычислениях (включая цепь Маркова Монте-Карло [MCMC] диагностика) и ожидания от документирования и отчетности по байесовскому анализу.

Читателям, заинтересованным в подробностях, следует ознакомиться с проектом руководства по адресу: https://www.fda.gov/media/190505/download.