Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Các thiết kế thích ứng dựa trên nhóm (SUBA) cho các thử nghiệm đa nhánh dựa trên sinh phẩm
Tóm tắt
Các liệu pháp nhắm mục tiêu dựa trên hồ sơ sinh phẩm đang trở thành hướng nghiên cứu và điều trị ung thư phổ biến. Tùy thuộc vào sự biểu hiện của các sinh phẩm tiên đoán cụ thể, các liệu pháp nhắm mục tiêu chỉ định các loại thuốc ung thư khác nhau cho các nhóm bệnh nhân, ngay cả khi họ được chẩn đoán cùng một loại ung thư qua các phương pháp truyền thống, chẳng hạn như vị trí khối u. Ví dụ, Herceptin chỉ được chỉ định cho nhóm bệnh nhân mắc ung thư vú HER2+, nhưng không phải cho các loại ung thư vú khác. Tuy nhiên, các nhóm như ung thư vú HER2+ với các liệu pháp nhắm mục tiêu hiệu quả là rất hiếm, và hầu hết các loại thuốc ung thư vẫn đang được áp dụng cho một quần thể bệnh nhân lớn bao gồm nhiều bệnh nhân có thể không đáp ứng hoặc không có lợi. Ngoài ra, phản ứng với các tác nhân nhắm mục tiêu ở người thường không thể dự đoán. Để giải quyết những vấn đề này, chúng tôi đề xuất các thiết kế thích ứng dựa trên nhóm (SUBA), đồng thời tìm kiếm các nhóm tiên đoán và phân bổ bệnh nhân một cách thích ứng đến các liệu pháp cụ thể tốt nhất trong suốt quá trình thử nghiệm. Các tính năng chính của SUBA bao gồm việc phân loại lại liên tục các nhóm bệnh nhân dựa trên mô hình phân hoạch ngẫu nhiên và phân bổ bệnh nhân một cách thích ứng đến cánh tay điều trị tốt nhất dựa trên xác suất dự đoán sau. Chúng tôi so sánh thiết kế SUBA với ba thiết kế thay thế bao gồm phân bổ ngẫu nhiên đồng đều, phân bổ ngẫu nhiên thích ứng với kết quả, và một thiết kế dựa trên hồi quy probit. Trong các nghiên cứu mô phỏng, chúng tôi thấy rằng SUBA có những ưu điểm vượt trội so với các thiết kế thay thế.
Từ khóa
#liệu pháp nhắm mục tiêu #sinh phẩm #ung thư #nhóm bệnh nhân #thiết kế thích ứngTài liệu tham khảo
van de Vijver MJ, He YD, van’t Veer LJ, Dai H, Hart AA, Voskuil DW et al (2002) A gene-expression signature as a predictor of survival in breast cancer. N Engl J Med 347:1999–2009
Snijders A, Nowak N, Segraves R, Blackwood S, Brown N et al (1998) Assembly of microarrays for genome-wide measurement of DNA copy number. Nat Genet 29:263–264
van’t Veer LJ, Dai H, van de Vijver MJ, He YD, Hart AA (2002) Gene expression profiling predicts clinical outcome of breast cancer. Nature 415:530–536
Curtis C, Shah S, Chin SF, Turashvili G, Rueda O, Dunning M et al (2012) The genomic and transcriptomic architecture of 2,000 breast tumours reveals novel subgroups. Nature 486:346–352
Baladandayuthapani V, Ji Y, Talluri R, Nieto-Barajas L, Morris J (2010) Bayesian random segmentation models to identify shared copy number aberrations for array CGH data. J Am Stat Assoc 105: 1358–1375
Wang Z, Zang C, Rosenfeld J, Schones D, Barski A, Cuddapah S et al (2008) Combinatorial patterns of histone acetylations and methylations in the human genome. Nat Genet 40:897–903
Barski A, Zhao K (2009) Genomic location analysis by ChIP-Seq. J Cell Biochem 107:11–18
Mitra R, Müller P, Shoudan L, Yue L, Ji Y (2013) A bayesian graphical model for chip-seq data on histone modifications. J Am Stat Assoc 108(501):69–80
Hudis CA (2007) Trastuzumab: mechanism of action and use in clinical practice. N Engl J Med 357(1):39–51
Misale S, Yaeger R, Hobor S, Scala E, Janakiraman M, Liska D, Valtorta E, Schiavo R, Buscarino M, Siravegna G et al (2012) Emergence of KRAS mutations and acquired resistance to anti-EGFR therapy in colorectal cancer. Nature 486(7404):532–536
Simon R, Maitournam A (2004) Evaluating the efficiency of targeted designs for randomized clinical trials. Clin Cancer Res 10(20):6759–6763
Sargent DJ, Conley BA, Allegra C, Collette L (2005) Clinical trial designs for predictive marker validation in cancer treatment trials. J Clin Oncol 23(9):2020–2027
Maitournam A, Simon R (2005) On the efficiency of targeted clinical trials. Stat Med 24(3):329–339
Freidlin B, McShane LM, Korn EL (2010) Randomized clinical trials with biomarkers: design issues. J Natl Cancer Inst 102(3):152–160
Simon Richard (2010) Clinical trial designs for evaluating the medical utility of prognostic and predictive biomarkers in oncology. Pers Med 7(1):33–47
Mandrekar SJ, Sargent DJ (2010) Predictive biomarker validation in practice: lessons from real trials. Clin Trials 7(5):567–573
Kim ES, Herbst RS, Wistuba II, Lee JJ, Blumenschein GR, Tsao A, Stewart DJ, Hicks ME, Erasmus J, Sanjay G et al (2011) The battle trial: personalizing therapy for lung cancer. Cancer Discov 1(1):44–53
Barker AD, Sigman CC, Kelloff GJ, Hylton NM, Berry DA, Esserman LJ (2009) I-spy 2: an adaptive breast cancer trial design in the setting of neoadjuvant chemotherapy. Clin Pharmacol Ther 86(1): 97–100
Yin G, Chen N, Lee JJ (2012) Phase ii trial design with bayesian adaptive randomization and predictive probability. J R Stat Soc Ser C Appl Stat 61(2):219–235
Gu X, Lee JJ (2010) A simulation study for comparing testing statistics in response-adaptive randomization. BMC Med Res Methodol 10(1):48
Zhu H, Hu F, Zhao H (2013) Adaptive clinical trial designs to detect interaction between treatment and a dichotomous biomarker. Can J Stat 41:1–15
Ruberg SJ, Chen L, Wang Y (2010) The mean does not mean as much anymore: finding sub-groups for tailored therapeutics. Clin Trials 7(5):574–583
Foster JC, Taylor JMG, Ruberg SJ (2011) Subgroup identification from randomized clinical trial data. Stat Med 30(24):2867–2880
Loredo T (2003) Bayesian adaptive exploration in a nutshell. Stat Probl Part Phys Astrophys Cosmol 1:162–165
Kruschke J (2008) Bayesian approaches to associative learning: from passive to active learning. Learn Behav 36:210–226
Fedorov VV, Leonov SL (2013) Optimal design for nonlinear response models. CRC Press
Chipman HA, George EI, McCulloch RE (1998) Bayesian cart model search. J Am Stat Assoc 93(443):935–948
Denison DGT, Mallick BK, Smith AFM (1998) A bayesian cart algorithm. Biometrika 85(2):363–377
Gelfand AE, Ghosh SK (1998) Model choice: a minimum posterior predictive loss approach. Biometrika 85(1):1–11
Raiffa H, Schlaifer R (1961) Applied statistical decision theory. Harvard Business School Publications, Boston, MA
Thall PF, Wathen JK (2007) Practical bayesian adaptive randomisation in clinical trials. Eur J Cancer 43(5):859–866
Medvedovic M, Yeung KY, Bumgarner RE (2004) Bayesian mixture model based clustering of replicated microarray data. Bioinformatics 20(8):1222–1232
Dahl DB (2006) Model-based clustering for expression data via a dirichlet process mixture model. In: Do K-A, Mueller P, Vannucci, M (eds) Bayesian inference for gene expression and proteomics, pp 201–218