중간 단계 용량 삽입을 위한 혼합 비정보·정보 사전 모델 보조 설계

본 논문은 암 위상Ⅰ 임상시험에서 중간에 새로운 용량을 삽입해야 하는 상황을 다루며, 기존 비정보 기반 모델 보조 설계(BOIN, BOIN‑ET)의 장점을 유지하면서 삽입 용량에만 정보 사전을 부여하는 ‘하이브리드’ 설계를 제안한다. 1. **연구 배경 및 필요성** - 기존 BOIN·BOIN‑ET는 비정보 사전으로 시작해 간단히 용량을 조정하지만, 실제 임상에서는 비임상 데이터 기반으로 초기 용량을 선정한 뒤 독성·효능 정보가 충분히 축적된 상태에서 중간에 새로운 용량을 삽입하는 경우가 많다. - 기존 문헌(Hu 2013, Guo 2015, George 2026)은 삽입 트리거와 모델 업데이트 방법을 제시했지만, 삽입 용량에 대한 사전 정보를 어떻게 구성할지에 대한 체계적 접근이 부족했다. 2. **기본 설계와 용어 정의** - J개의 사전 계획 용량, 목표 독성 수준 ϕ₁, 목표 효능 수준 η, 각 용량 j에 대한 환자 수 n_j와 독성 발생 t_j, 효능 발생 u_j를 정의한다. - BOIN은 세 가설(H₁: p=ϕ₁, H₂: p=ϕ₂, H₃: p=ϕ₃) 기반으로 로그비율 경계 λ_e, λ_d를 도출해 용량을 상승·유지·감소한다. - BOIN‑ET는 효능 정보를 추가해 λ₁, λ₂, η 경계를 동시에 고려한다. 3. **정보 사전 기반 설계(iBOIN, iBOIN‑ET)** - 삽입 용량에 대해 스켈레톤 r(독성)와 v(효능)를 정의하고, 사전 효과 표본 크기(PESS) s를 설정한다. - 사전 확률 π*_k는 베타‑이항 형태로 구성되며, 이를 통해 새로운 λ*_e, λ*_d, η*를 계산한다. - 사후 평균 ˆp = (t + s·r)/(n + s) 등으로 MTD/OBD 선정에 활용한다. 4. **제안된 하이브리드 설계** - 초기 단계에서는 비정보 BOIN/BOIN‑ET를 그대로 사용한다. - 새로운 용량 d*가 삽입될 때, 기존 용량들의 독성·효능 데이터를 이용해 두 개의 회귀 모델을 피팅한다. - **독성 스켈레톤**: 베이지안 로지스틱 회귀(logit p_T(d_j)=α+β·log(d_j/d_ref))를 통해 r = p_T(d*)를 추정. - **효능 스켈레톤**: 2차 분수 다항 로지스틱 회귀(logit p_E(d_j)=α+β₁·f₁(d_j)+β₂·f₂(d_j))를 이용해 v를 추정. - 모델 피팅에 사용되는 기준선 d_ref는 임상적으로 의미 있는 용량, 평균 용량 ¯d는 효능 모델 표준화에 활용된다. 5. **효과 표본 크기(ESS) 계산** - 기존 PESS와 달리, 실제 데이터(다른 용량에서 관찰된 n_j)를 반영한 데이터 의존형 ESS를 도입한다. - Zhou et al. (2021)의 1차·2차 모멘트 근사를 이용해 µ_T, v_T(독성)와 µ_E, v_E(효능)를 구하고, 이를 베타 분포의 모수로 역변환해 ESS를 산출한다. 6. **적응형 확장** - **온라인 가중치**: 시뮬레이션 진행 중에 스켈레톤 r, v를 지속적으로 재추정해 사전 가중치를 업데이트한다. 이는 스켈레톤이 초기 추정과 크게 달라질 경우에도 설계가 견고하도록 만든다. - **베이지안 혼합**: 여러 후보 스켈레톤(예: N/3J, N/2J 등)을 사전 확률로 혼합해 π*를 가중 평균한다. 혼합 모델은 어느 하나가 잘못 지정되더라도 전체 사후 추정이 크게 왜곡되지 않게 한다. 7. **시뮬레이션 설정 및 결과** - 다양한 독성·효능 프로파일(단조 증가, 비단조, 급격한 변곡점 등)과 삽입 시점(초기, 중기, 후기) 및 스켈레톤 오차 상황을 고려한 6,000여 개 시나리오를 평가했다. - 평가 지표는 MTD/OBD 선정 정확도, 과다 독성 위험, 평균 환자 수 대비 효능 정보 획득량, 그리고 삽입 용량에 대한 초기 할당 비율이었다. - 하이브리드 설계는 전통 BOIN/BOIN‑ET 대비 MTD 정확도가 3~7%p 상승하고, 과다 독성 비율이 1~3%p 감소했으며, 효능 기반 OBD 선정에서도 유의미한 개선을 보였다. - 특히 온라인 가중치와 베이지안 혼합을 동시에 적용한 경우, 스켈레톤이 크게 틀린 상황에서도 성능 저하가 최소화되는 강건성을 확인했다. 8. **논의 및 한계** - 삽입 용량에 대한 사전 구축을 위해 별도의 회귀 모델 피팅이 필요하지만, 이는 BOIN/BOIN‑ET의 단순성을 크게 해치지 않으며, 계산량도 완전 베이지안 모델에 비해 낮다. - ESS 추정에 사용된 모멘트 근사는 근사적이므로, 극단적인 데이터(예: 매우 적은 환자 수)에서는 보정이 필요할 수 있다. - 실제 임상 적용 시, 사전 스켈레톤 선택에 대한 가이드라인(예: d_ref 설정, β 사전 분포)과 온라인 가중치 업데이트 빈도에 대한 운영 매뉴얼이 추가로 요구된다. 9. **결론** - 본 연구는 중간 단계 용량 삽입 상황에서 비정보·정보 사전을 혼합하고, 스켈레톤을 데이터 기반으로 동적으로 보정하는 새로운 모델 보조 설계 프레임워크를 제시한다. - 시뮬레이션 결과는 제안 방법이 기존 설계보다 안전성·효능 측면에서 전반적으로 우수함을 입증했으며, 실제 임상시험에서 용량 삽입이 필요할 때 실용적인 대안이 될 수 있음을 시사한다.