Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Các phương pháp thống kê đánh giá sinh khả dụng tương đương dựa trên mô hình mới cho các nghiên cứu dược động học với mẫu thưa
Tóm tắt
Trong phân tích tương đương sinh khả dụng (PK) truyền thống, hai bài kiểm tra một phía (TOST) được tiến hành trên diện tích dưới đường cong nồng độ-thời gian và nồng độ tối đa được tính toán bằng cách tiếp cận không khoang. Khi việc lấy mẫu dày đặc không khả thi, một phương pháp dựa trên mô hình (MB) sử dụng các mô hình hỗn hợp phi tuyến (NLMEM) là khả thi. Tuy nhiên, MB-TOST sử dụng sai số chuẩn tiệm cận (SE) cho thấy tỷ lệ lỗi loại I tăng lên khi các điều kiện tiệm cận không được thỏa mãn. Trong công trình này, chúng tôi đề xuất ba cách tính toán SE thay thế dựa trên (i) một điều chỉnh cho NLMEM của sự điều chỉnh do Gallant đề xuất, (ii) phân phối a posteriori của hệ số điều trị sử dụng thuật toán Hamiltonian Monte Carlo, và (iii) phương pháp bootstrapping lỗi ngẫu nhiên tham số và lỗi dư. Chúng tôi đánh giá các phương pháp này qua các mô phỏng, cho thiết kế song phương song song và thiết kế cắt ngang hai giai đoạn, hai chuỗi với mẫu dày đặc (n = 10) và mẫu thưa (n = 3) dưới giả thuyết không và giả thuyết thay thế, với MB-TOST. Tất cả các phương pháp mới đều điều chỉnh cho việc gia tăng tỷ lệ lỗi loại I của MB-TOST trong các nghiên cứu PK có thiết kế thưa. Phương pháp dựa trên phân phối a posteriori dường như là sự thỏa hiệp tốt nhất giữa kiểm soát lỗi loại I và thời gian tính toán. MB-TOST sử dụng SE không tiệm cận kiểm soát tỷ lệ lỗi loại I tốt hơn so với khi sử dụng ước lượng SE tiệm cận cho sự tương đương sinh khả dụng trong các nghiên cứu PK với lấy mẫu thưa.
Từ khóa
#hệ số hỗn hợp phi tuyến #điều chỉnh Gallant #phân phối a posteriori #bootstrapping #sai số chuẩn tiệm cậnTài liệu tham khảo
US Department of Health and Human Services and others. FDA guidance for industry, statistical approaches to establishing bioequivalence. https://www.fda.gov/media/70958/download. 2001.
EMEA C. Note for guidance on the investigation of bioavailability and bioequivalence. CPMP/EWP/QWP/1401/98, London; 2001.
Schuirmann DJ. A comparison of the two one-sided tests procedure and the power approach for assessing the equivalence of average bioavailability. J Pharmacokinet Biopharm. 1987;15(6):657–80.
Shen M, Machado SG. Bioequivalence evaluation of sparse sampling pharmacokinetics data using bootstrap resampling method. J Biopharm Stat. 2017;27(2):257–64.
Dubois A, Gsteiger S, Pigeolet E, Mentre F. Bioequivalence tests based on individual estimates using non-compartmental or model-based analyses: evaluation of estimates of sample means and type I error for different designs. Pharm Res. 2010;27(1):92–104.
Gallant AR. Seemingly unrelated nonlinear regressions. J Econ. 1975;3(1):35–50.
Bertrand J, Comets E, Chenel M, Mentre F. Some alternatives to asymptotic tests for the analysis of pharmacogenetic data using nonlinear mixed effects models. Biometrics. 2012;68(1):146–55.
Stan Development Team. RStan: the R interface to Stan, Version 2.12.0; 2016. http://mc-stan.org/.
Ueckert S, Riviere MK, Mentre F. Improved confidence intervals and P-values by sampling from the normalized likelihood. J Pharmacokinet Pharmacodyn. 2015;42:S56–7.
Thai HT, Mentre F, Holford NH, Veyrat-Follet C, Comets E. A comparison of boot-strap approaches for estimating uncertainty of parameters in linear mixed-effects models. Pharm Stat. 2013;12(3):129–40.
Tsai CA, Huang CY, Liu JP. An approximate approach to sample size determination in bioequivalence testing with multiple pharmacokinetic responses. Stat Med. 2014;33(19):3300–17.
Mollenhoff K, Loingeville F, Bertrand J, Nguyen TT, Sharan S, Sun G, et al. Efficient model-based bioequivalence testing. Biostatistics. 2020. https://academic.oup.com/biostatistics/article-abstract/doi/10.1093/biostatistics/kxaa026/5874612.
Oehlert GW. A note on the delta method. Am Stat. 1992;46(1):27–9.
Dubois A, Lavielle M, Gsteiger S, Pigeolet E, Mentre F. Model-based analyses of bioequivalence crossover trials using the stochastic approximation expectation maximisation algorithm. Stat Med. 2011;30(21):2582–600.
FDA. Guidance for industry: statistical approaches to establishing bioequivalence. Rockville: Center for Drug Evaluation and Research, Food and Drug Administration; 2001.
Liu JP, Weng CS. Bias of two one-sided tests procedures in assessment of bioequivalence. Stat Med. 1995;14(8):853–61.
Panhard X, Mentre F. Evaluation by simulation of tests based on non-linear mixed-effects models in pharmacokinetic interaction and bioequivalence cross-over trials. Stat Med. 2005;24(10):1509–24.
Genz A, Bretz F, Miwa T, Mi X, Leisch F, Scheipl F, et al.. mvtnorm: multivariate normal and t distributions; 2020. R package version 1.1–1. Available from: https://CRAN.R-project.org/package=mvtnorm.
Comets E, Lavenu A, Lavielle M. Parameter estimation in nonlinear mixed effect models using saemix, an R implementation of the SAEM algorithm. J Stat Softw. 2017;80:1–42.
Monolix version 2018R2 . Antony, France: Lixoft SAS; 2018. http://lixoft.com/products/monolix/.
Haidar SH, Makhlouf F, Schuirmann DJ, Hyslop T, Davit B, Conner D, et al. Evaluation of a scaling approach for the bioequivalence of highly variable drugs. Am Assoc Pharm Sci J. 2008;10(3):450–4.
Davit BM, Chen ML, Conner DP, Haidar SH, Kim S, Lee CH, et al. Implementation of a reference-scaled average bioequivalence approach for highly variable generic drug products by the US Food and Drug Administration. Am Assoc Pharm Sci J. 2012;14(4):915–24.
Buatois S, Ueckert S, Frey N, Retout S, Mentre F. Comparison of model averaging and model selection in dose finding trials analyzed by nonlinear mixed effect models. AAPS J. 2018;20(3):56.
Maurer W, Jones B, Chen Y. Controlling the type I error rate in two-stage sequential adaptive designs when testing for average bioequivalence. Stat Med. 2018;37(10):1587–607.