一种新型适应性设计——动态适应性设计

从近期发表的一些文章可以看出，目前临床试验II期到III期的成功率只有30.7%。 许多只有固定样本量和终点一次性分析的药物临床试验，其结果要么缺乏显著意义，要么就是阴性，致使了大量金钱和时间的浪费。

经典的成组序贯设计（GS）以及适应性成组序贯设计（AGS）都要求提前设定中期分析的时间节点、停止边界或是α消耗函数。然而，由于真正的临床疗效是预先未知的，样本量的计算可能基于对临床疗效的不可靠的假设，这样，预先设定的中期分析时间节点可能会过早或过晚。另外，由于早期阶段的数据不稳定，导致了临床试验效力分数和条件把握度的不稳定，在预先设定的时间点进行中期分析可能产生不可靠或不可行的结果（例如：重新估计的样本量是原先的很多倍，从而变得不现实）。

近期FDA就创新型试验设计举办了一系列研讨会，并发布了关于适应性研究设计的最新指南，为未来的临床试验指明了趋势和方向。

本次培训中，我们特设立“动态适应性设计——一种新型适应性设计”一讲。介绍对临床试验进行连续动态数据监测(Dynamic Data Monitoring, DDM) 的方法学研究和进展。这项技术与EDC/IWRS(中央随机系统)相结合，利用机器学习和人工智能思维，连续监测和优化临床试验设计和试验过程，例如样本量重新估计，提高“有希望”的试验成功的机率，或提前终止“无希望”的临床试验，以避免病人遭受不伦理的痛苦及经济损失。同时，这项技术可以帮助独立数据监测委员会(IDMC)审查数据的趋势，而不是只能在特定的中期节点查看数据，以此来优化传统的IDMC审查过程。此外，该技术可用于实现无缝2/3期适应性设计、优化剂量选择、人群选择、终点选择、真实世界证据（RWE）监测、药物警戒动态安全监测和信号检测等。

北京大学临床研究所《适应性设计培训》

2019年7月19日