面向个体化治疗试验的SMART-of-1设计方法

《Journal of Biopharmaceutical Statistics》：The SMART-of-1 approach to personalized treatment trials

　　

摘要：将治疗调整至个体患者特征在个体化医疗中已变得至关重要，尤其对于管理复杂且变异度大的慢性疾病。尽管传统N-of-1试验（N-of-1 trial）在精准医学中发挥重要作用，但其面临携带效应（carryover effect）、洗脱期（washout period）及盲法实施等设计难题。为解决上述局限，研究人员提出一种新颖设计——称为SMART-of-1——将小样本序贯多重随机分配试验（small sample Sequential Multiple Assignment Randomized Trial, snSMART）要素融入N-of-1试验中。该创新方法专为具有急性发作表现的慢性疾病（如哮喘和睡眠障碍）的比较效果研究而设计。研究人员提出用于SMART-of-1试验的贝叶斯联合阶段个体模型（Bayesian joint stage individual model）及贝叶斯分层模型（Bayesian hierarchical model），以在合并最终分析中同时估计个体治疗效应与群体水平效应。此外，在二分类结局设定下可评估周期内个体化治疗序列。研究人员通过疲劳研究和睡眠研究两个案例展示SMART-of-1设计对不同类型终点改善的准确性与效率。在连续型结局的疲劳研究中，SMART-of-1试验估计的个体及聚合治疗效应相较标准N-of-1试验在偏倚（bias）和均方根误差（root mean square error, rMSE）方面均表现出更高效率。睡眠研究的模拟结果表明，尤其在个体治疗效应存在异质性时，SMART-of-1模型对周期水平动态治疗策略（Dynamic Treatment Regimen, DTR）效应的估计优于传统snSMART方法。

论文解读：《The SMART-of-1 approach to personalized treatment trials》发表于Journal of Biopharmaceutical Statistics

一、研究背景与立项依据

传统N-of-1试验（N-of-1 trial，单病例随机对照交叉试验）以同一患者先后接受不同治疗并自身对照，适用于慢性病疗效个体化评价，且可通过多例患者汇总获得群体治疗效应估计值。然而N-of-1试验在实际应用中存在显著局限：①干预措施可能存在携带效应（carryover effect），影响后续阶段疗效判断；②为消除携带效应需设置洗脱期（washout period），可能延长试验时长、降低患者依从性甚至因停药带来安全风险；③部分急性表现为主的慢性病或需联合/序贯调整治疗方案的情形不适合传统固定随机交叉设计。序贯多重随机分配试验（Sequential Multiple Assignment Randomized Trial, SMART）及小样本版本snSMART（small sample SMART）可通过阶段性再随机构建动态治疗策略（Dynamic Treatment Regimen, DTR），但标准SMART/snSMART不适用于单一个体的多周期自身对照评价。为此，研究人员融合snSMART与N-of-1框架提出SMART-of-1设计，旨在减少周期内洗脱期、允许响应适应性治疗切换、并可估计周期水平DTR，同时用贝叶斯方法分别做个体与群体推断。

二、主要关键技术方法

研究人员针对二分类及连续型结局分别构建贝叶斯联合阶段模型（Bayesian Joint Stage Model, BJSM，推广自Wei等2018及Chao等2020的snSMART联合阶段模型）用于单个患者多周期数据，以估计初始治疗应答率π_j,i及连接参数β_0j,i（非应答者第二阶段链接参数）、β_1j,i（应答者第二阶段链接参数），进而计算周期水平DTR应答率π_jj′,i；对多患者数据建立贝叶斯分层模型（Bayesian Hierarchical Model, BHM）对logit(π_j,i)及链接参数做组水平先验，借用个体间信息估计群体治疗效应及DTR。连续型结局采用Hartman等2021提出的映射函数（mapping function）将第一阶段连续结果映射为第二阶段维持原治疗的概率，并以正态似然建模两阶段连续结局。通过两项模拟研究验证：①疲劳（癌因性疲劳FACIT-F量表连续结局）案例设4周期双治疗（A/B）33例模拟，比较SMART-of-1与传统固定随机N-of-1在个体/聚合效应估计的偏倚（bias）与均方根误差（rMSE）；②睡眠呼吸暂停（二分类应答）案例设12周期双治疗30例模拟并与标准snSMART（单周期两阶段，n=30）比较周期水平DTR估计精度。先验均采用弱信息正态及柯西（Cauchy）分布。

三、研究结果

3.1 疲劳案例研究（Fatigue case study）

通过四场景模拟（不同异质性σ及处理效应Δ），比较SMART-of-1与传统N-of-1的个体治疗效应（A为安慰剂，B为活性药）估计。结果显示SMART-of-1的个体治疗效应估计值更贴近真值，95%可信区间更窄；绝对偏倚（absolute bias）与rMSE均低于传统N-of-1，尤其在存在高异质性及少数个体呈强阳性反应（outlier）的场景中SMART-of-1模型更稳健，N-of-1模型对治疗B效应估计偏倚明显增大且rMSE分布拖尾严重。聚合水平贝叶斯分层模型同样显示SMART-of-1聚合效应估计偏差与rMSE更小。结论：在连续结局下SMART-of-1较传统N-of-1提高个体及群体治疗效应估计的效率与准确性，适合个体反应差异大的慢性病如癌因性疲劳。

3.2 睡眠案例研究（Sleep case study）

模拟低异质性与高异质性（三亚组不同应答率但总体均值相同）两场景，评估个体周期水平DTR（DTR_AB、DTR_BA）及首阶段治疗应答率估计，并与标准snSMART群体BJSM比较。个体模型结果显示低异质性时SMART-of-1能准确估计π_A、π_B及DTR率；高异质性时虽个别亚组估计精度略降，仍给出合理个体化估计。聚合贝叶斯分层模型显示无论异质性高低，SMART-of-1群体水平π_A、π_B、DTR_AB、DTR_BA的偏倚与rMSE均小于标准snSMART BJSM。结论：SMART-of-1可有效估计个体及群体周期水平DTR，在异质性存在时仍稳健，且群体推断精度优于同等样本量snSMART。

四、讨论与结论（翻译浓缩）

本文提出的SMART-of-1设计解决了传统N-of-1试验数项局限，通过取消阶段内洗脱期并允许基于反应的适应性治疗切换，特别适合需个体化调治的慢性病真实世界场景。疲劳案例模拟表明SMART-of-1个体及聚合模型均比传统N-of-1更高效，其对治疗效应异质性的捕捉能力尤为突出。SMART-of-1在二分类结局下可估计周期水平动态治疗策略（DTR）率是重要优势；睡眠案例模拟证明个体SMART-of-1模型可有效估计治疗应答率与周期DTR，聚合SMART-of-1模型群体估计精度高于snSMART模型。需注意当首阶段应答率高时第二阶段样本量可能失衡导致估计方差略增（此亦snSMART共有局限）；未建模周期间自相关与时期趋势，未来可引入时间依赖协变量或随机效应，并可扩展至有序、生存及更多结局类型。总之，SMART-of-1设计为具异质性与适应性需求的个体化治疗策略比较效果研究提供了有力工具。