7  中間解析

長い臨床試験では、途中でデータを見て、効果がはっきりしていれば早く終える(参加者を早く有効な治療に切り替える)ことがあります。これを 中間解析 と呼びます。 しかし、データを見るたびに検定をすると、それも多重性の問題になります。

7.1 データを何度も見ると

予定人数の 1/5、2/5、…、5/5 が集まるたびに検定し、p < 0.05 になったらその時点で試験を止めて「有効」 とする試験を考えます。 本当は 効果がない としたら、どれくらいの確率で「有効」になるでしょうか。

計算を速くするため、累積したデータの検定統計量(z 値)を直接作ります。各時点の z 値は、それまでに集まったデータ全体から計算されるので、互いに強く相関しています。

5 回データを見ると、効果がないのに約 14% の試験で「有効」になります。 相関があるので、独立な 5 回の検定(23%)ほどではありませんが、5% を大きく超えています。

効果がなくても、z 値は試験の途中で上下に揺れます。その途中で一度でも ±1.96 を超えたら止める、というルールでは、偽陽性が増えるのです。

7.2 境界を厳しくする

中間解析をしても FWER(全体の第一種の過誤)を 5% に保つには、各時点の 境界 を ±1.96 より厳しくします。代表的な 2 つの方法があります。

  • Pocock の境界:すべての時点で 同じ 境界
  • O’Brien–Fleming の境界:最初はとても厳しく、だんだん緩める。最終解析の境界は 1.96 に近い

どちらも、「5 時点のどこかで境界を超える確率」が 5% になるように決めます。各時点の z 値の相関(時点 i と j で \(\sqrt{i/j}\))から、多変量正規分布で計算できます。

方法 各時点の p 値の基準 特徴
Pocock すべて 0.016 早い時点で止めやすいが、最終解析でも 0.016 と厳しい
O’Brien–Fleming 0.000005 → 0.0013 → 0.008 → 0.023 → 0.041 早い時点ではよほどの差がないと止まらない。最終解析はほぼ 0.05
  • 素朴な方法(毎回 1.96)は、第一種の過誤が約 14%
  • Pocock と O’Brien–Fleming は、どちらも約 5% に保たれています
  • 効果があるとき、Pocock は平均して予定人数の 約 62% で終わりますが、検出力は 83% に下がります(最終解析の基準が厳しいため)
  • O’Brien–Fleming は、検出力をほとんど落とさず(89%)、平均して予定人数の 約 74% で終わります
ヒントO’Brien–Fleming 型がよく使われる理由
  • 最終解析の基準が 0.05 に近いので、中間解析をしても 検出力や必要な人数がほとんど変わらない
  • 早い時点で止めるのは、よほど大きな効果のときだけ。少ない人数で、偶然の大きな差に振り回されない
  • 実際の試験では、データを見る時点が予定どおりにならないので、α 消費関数(Lan–DeMets)で、見た時点に応じた境界を計算します(R の gsDesign・rpact パッケージ)

7.3 早く止めた試験の効果は大きすぎる

O’Brien–Fleming の境界で、早い時点で止まった試験の 効果の推定値 を見てみます。本当の効果を 1 としたときの比で表します。

2/5 の時点で止まった試験の推定値は、平均すると本当の効果の 約 1.8 倍 です(5/5 の行には、最後まで境界を超えなかった試験も含まれるので、逆に小さめになります)。 早い時点で境界を超えるのは、たまたま大きな差が出たときだからです(第 4 章の「勝者の呪い」と同じしくみ。サンプルサイズハンズオン 第 4 章)。

警告中間解析の注意
  • 中間解析の回数・時点・境界(α 消費関数)は、試験開始前に 計画書に書く
  • 中間解析の結果は、独立データモニタリング委員会 だけが見る。試験を運営する人が結果を知ると、試験の進め方が変わってしまう
  • 早期に止めた試験の効果は 過大 になりやすい。とくに少ない人数で止めた試験の結果は、慎重に解釈する
  • 「無益性」(効果がなさそうなので止める)の中間解析は、第一種の過誤を増やさないが、検出力は下がる

7.4 やってみよう

ノート練習
  1. データを見る回数を 5 回から 10 回にすると、素朴な方法(毎回 p < 0.05)の第一種の過誤はどうなりますか
  2. 中間解析が 1 回だけ(予定人数の半分、K = 2)のとき、O’Brien–Fleming の境界を計算してください
  1. 約 19% に増えます。データを見る回数を増やすほど、偽陽性は増え続けます(無限に見続ければ、いつかは必ず有意になります)
  2. 境界は 2.797(中間)と 1.977(最終)、p 値の基準は 0.0052 と 0.048 です。中間解析が 1 回なら、最終解析はほぼ 0.05 で検定できます
重要この章のまとめ
  • データを見るたびに p < 0.05 で止めると、第一種の過誤が増える(5 回で約 14%)
  • Pocock(同じ境界)・O’Brien–Fleming(最初は厳しく、最後は 0.05 に近い)で、全体を 5% に保つ
  • O’Brien–Fleming 型は検出力をほとんど落とさず、平均人数を減らせる。実際には α 消費関数 で計算する
  • 早く止めた試験の効果は 過大 になりやすい