Dose-Finding: Plans d`expériences optimaux
Transcription
Dose-Finding: Plans d`expériences optimaux
Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Dose-Finding: Plans d’expériences optimaux Kim Chi DUONG Master 2 Statistiques, Informatique et Techniques Numériques (SITN) Université Claude Bernard Lyon 1 Maı̂tre de stage: Dominique VERRIER Biostatistics & Programming - Statistical Methodology Group Sanofi R&D Montpellier Journée Annuelle B&S - 15 novembre 2012 1/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Plan de la présentation 1 Introduction Contexte Méthode MCP-Mod 2 Plans d’expériences optimaux pour les études dose-réponse Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse 3 Plans d’expériences robustes Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités 4 Conclusion et Perspectives 2/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Contexte Méthode MCP-Mod Plan de la présentation 1 Introduction Contexte Méthode MCP-Mod 2 Plans d’expériences optimaux pour les études dose-réponse Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse 3 Plans d’expériences robustes Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités 4 Conclusion et Perspectives 3/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Contexte Méthode MCP-Mod Phase II : relations dose-réponse ⇒ dose(s) adéquate(s) pour phase III. Courbe dose-réponse : non linéaire, mécanismes d’action complexes au niveau du corps humain. Courbes sigmoı̈des souvent rencontrées, courbes non monotones plus rarement. Allure de la courbe et paramètres peu connus a priori. 0.0 0.2 0.4 0.6 0.8 1.0 ● ● ● ● emax ● linlog ● linear 0.4 ● ● 0.3 ● 0.2 ● ● quadratic logistic ● ● ● exponential ● 0.0 ● Réponse ● ● ● 0.1 0.4 ● ● 0.3 ● 0.2 ● ● ● ● 0.1 0.0 0.2 0.4 0.6 0.8 ● ● ● ● 0.0 1.0 0.0 Dose Kim Chi DUONG (M2 SITN) 0.2 0.4 0.6 0.8 1.0 4/35 Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Contexte Méthode MCP-Mod Modélisation mathématique de la relation dose-réponse Yij = f (di , θ) + ij , iid ij ∼ N(0, σ 2 ), i = 1, . . . , k, j = 1, . . . , ni (1) f (di , θ) peut être écrit : f (di , θ) = θ0 + θ1 f 0 (di , θ0 ) Yij : réponse du patient j à la dose i f(.) : modèle paramétrique dose-réponse linéaire ou non linéaire de vecteur de paramètres inconnus θ f 0 (.) : version standardisée de f θ0 : paramètres à estimer a priori (guesstimates) k doses, ni patients alloués à la dose di Pk n = i=1 ni patients en total 5/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Contexte Méthode MCP-Mod MCP-Mod : combinaison de MCP (Multiple Comparison Procedures) et Mod (Modeling) ⇒ développée par Bretz et al. (2005) Principales étapes : Ensemble de modèles dose-réponse candidats Déterminer l’existence d’un effet dose avec le test de contraste Sélection de modèle ,→ Critères : Tmax , AIC, AICc , BIC Estimation de la dose cible : ,→ MED (Minimum Effective Dose) : plus petite dose pour laquelle une différence significative est observée avec le médicament de référence ou le placebo ,→ EDp (Effective Dose) : la plus petite dose pour laquelle un pourcentage 100×p de la réponse maximale obtenue 6/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Plan de la présentation 1 Introduction Contexte Méthode MCP-Mod 2 Plans d’expériences optimaux pour les études dose-réponse Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse 3 Plans d’expériences robustes Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités 4 Conclusion et Perspectives 7/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Chaque critère d’optimalité correspond à un objectif spécifique de l’expérience : estimation ou prédiction Beaucoup de critères d’optimalité existent : ,→ D-optimalité : critère d’estimation, couramment utilisé estime l’ensemble de la courbe dose-réponse ,→ c-optimalité : estime une dose cible Cas particulier du design c-optimal : ,→ Design MED-optimal permet d’estimer la MED. Remarque : On cherche un design MED-optimal par rapport à UN modèle donné 8/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Définitions et Notations d (d) : dose minimale (maximale), X = [d, d] ⊂ R : espace de design Design expérimental ξ défini comme une mesure de probabilité à supports finis : d1 . . . dk ξ= w1 . . . wk P w1 , . . . , wk ≥ 0 avec ki=1 wi = 1 wi : proportion des observations prises au point di ,→ non multiple de 1/n ni = nwi : nombre d’observations en di ,→ non entier M(ξ, θ) matrice d’information de Fisher induite par le design ξ et le vecteur de paramètres d’intérêt θ. 9/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse D-optimal Un design ξD est dit D-optimal s’il maximise |M(ξD , θ)|, le déterminant de la matrice d’information ou minimise le volume de l’ellipsoı̈de de confiance pour les paramètres du modèle. c-optimal Un design ξc où c ∈ Rp un vecteur donné, est dit c-optimal si la combinaison linéaire c T θ est estimable par le design ξc , et le design ξc minimise : c T M −1 (ξc , θ)c (2) avec M −1 (ξc , θ) est l’inverse généralisé de la matrice M(ξc , θ). 10/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Sous l’hypothèse de la distribution normale M(ξ, θ) = k X wi g (di , θ)g T (di , θ) ∈ Rp+1×p+1 (3) i=1 où g : gradient de la fonction f par rapport à θ Pour une taille d’échantillon assez large, l’approximation du premier ordre de la MED estimée : [ = ap (θˆ1 , . . . , θˆp ) := h0 f 0 (d, θ̂0 ) + ∆ MED (4) θˆ1 où h0 : inverse de la fonction f 0 par rapport à d 11/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Variance asymptotique de la MED estimée déterminée par la méthode Delta de Van der Vaart (développement limité au 1er ordre) : 2 [ = σ b T (θ0 , . . . , θp)M −1 (ξ, θ)b(θ0 , . . . , θp) + o 1 (5) var(MED) n n où b(θ) : gradient de ap (θ) par rapport à θ Design localement MED-optimal On appelle ξ ∗ (θ) un design localement MED-optimal s’il minimise la quantité Ψ(ξ, θ) = b T (θ0 , . . . , θp)M −1 (ξ, θ)b(θ0 , . . . , θp) parmi tous les designs pour lesquels la MED est estimable. ,→ Design localement optimal au voisinage de θ 12/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux (6) Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Efficacité : eff(ξ, θ) = Ψ(ξ ∗ (θ), θ) Ψ(ξ, θ) (7) C’est un nombre entre 0 et 1. Par exemple, si l’efficacité du design traditionnel ξt d1 . . . dk ξt = 1/k . . . 1/k par rapport au design localement MED-optimal ξ ∗ (θ) est de 0.5 ⇒ 2 fois plus de sujets que le design ξ ∗ (θ) pour la même précision. 13/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Théorème Le design localement MED-optimal pour modèles Emax, Exponentiel, LinLog dépend seulement des paramètres ∆/θ1 et θ2 . Soit un design à 2-points de poids égaux qui sont affectés à la dose minimale d1 = d et à la seconde dose d2 dépendant des paramètres ∆/θ1 et θ2 Soit un design à 3-points dont les poids w , 0.5 − w , 0.5 sont affectés à la dose minimale d1 = d, à la dose maximale d3 = d, et à la troisième dose d2 ∈ (d, d) qui dépend seulement des paramètres ∆/θ1 et θ2 Pour ces 3 modèles : solutions analytiques existent ⇒ calcul explicite du design MED-optimal pour chacun des modèles. 14/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Design localement MED-optimal pour modèle Logistique Deux types de designs existent : Soit un design à 2-points de poids égaux au niveau de dose minimale d1 = d et au second niveau de dose d2 qui dépend des paramètres ∆/θ1 , θ2 et θ3 Soit un design à 4-points ayant les poids w1 , w2 , 0.5 − w1 , 0.5 − w2 attribués aux doses d, d2 , d3 et d. Donc d2 , d3 dépendent des paramètres θ1 , θ2 et w1 , w2 dépendent de ∆/θ1 , θ2 et θ3 Solutions analytiques non disponibles ⇒ méthodes numériques ,→ Fonction calcOptDesign du package DoseFinding de R : Calculer le design MED-optimal Méthodes d’optimisation : Nelder-Mead, ou nlminb, ou solnp 15/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Applications [d, d] = [0mg , 150mg ] ∆ = 0.2 Réponse du placebo d = 0 : f0 = 0 Réponse maximale correspond à la dose d = 150 : fmax = 0.4 Design traditionnel comporte six doses de poids égaux 0 10 25 50 100 150 ξt (θ) = 1/6 1/6 1/6 1/6 1/6 1/6 eff(ξt , θ) = Ψ(ξ ∗ (θ), θ) Ψ(ξt , θ) 16/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Modèles utilisés dans la suite : Modèle f(d, θ) Linéaire Emax Exponentiel LinLog Logistique θ0 θ0 θ0 θ0 θ0 + + + + + θ = (θ0 , . . . , θ3 ) (0, 0.4/150) (0, 7/15, 25) ) (0, 0.08265, 85) (0, 0.0797, 1) (−0.00404, 0.4041, 50, 10.88111) θ1 d θ1 d/(θ2 + d) θ1 [exp(d/θ2 )] θ1 log(d + θ2 ) θ1 / 1 + exp[(θ2 − d)/θ3 ] linear linlog emax exponential ● ● ● ● ● ● ● ● ● 0.4 logistic ● ● 0.2 ● ● ● Réponse ● ● ● 0.3 ● ● ● ● 0.0 ● ● ● ● ● ● ● ● ● 0.1 0 50 100 150 Dose 17/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Exemple : Designs MED-optimaux pour modèles Emax, Exponentiel ,→ Varier θ = (0, θ1 , θ2 ) Modèle Emax Exponentiel ∆ θ1 θ2 d1 0.2 0.2 0.2 0.2 0.2 0.2 0.4667 0.4666 0.4667 0.4667 0.2667 0.6667 15 25 25 35 25 25 0 0 0 0 0 0 d2 12.50 18.75 18.75 26.25 74.96 18.75 d3 150 0.2 0.2 0.2 0.2 0.2 0.083 0.083 0.083 0.063 0.103 65 85 105 85 85 0 0 0 0 0 101.57 104.26 128.79 121.46 95.99 150 150 150 150 w1 0.486 0.5 0.499 0.5 0.5 0.442 w2 0.5 0.5 0.5 0.5 0.5 0.5 0.440 0.5 0.5 0.5 0.4851 0.5 0.5 0.5 0.5 0.5 w3 0.013 0.000017 0.058 0.06 0.0149 eff(ξt ) 0.4684 0.4544 0.4543 0.4400 0.5078 0.5099 0.4664 0.4287 0.5139 0.4620 0.4518 Designs à 2-points plus fréquents Certains designs à 3-points peuvent être considérés comme 2-points Efficacité varie de 0.4 à 0.5 ⇒ certains designs MED-optimaux nécessitent la moitié des patients qu’un design traditionnel pour la même précision. Essais cliniques : réduction du nombre total de patients ⇒ objectif appréciable. Mais il faut supposer connaı̂tre a priori le modèle et les paramètres ! 18/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Modèle Logistique Design MED-optimal à 2-points : Expression de d2 a été calculée Vérification de la formule avec un exemple : ,→ Varier θ = (−0.00404, θ1 , θ2 , θ3 ) ∆ 0.2 0.2 0.2 0.2 0.2 0.2 θ1 0.404 0.404 0.404 0.404 0.304 0.540 θ2 50 50 30 70 50 50 θ3 10.881 13.881 10.881 10.881 10.881 10.881 d1 0 0 0 0 0 0 d2 50.219 51.199 32.392 69.854 57.602 45.896 w1 w2 eff(ξt ) 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.40941 0.39981 0.32024 0.08785 0.31140 0.30647 Résultats obtenus avec la formule sont justes pour designs à 2-points Design MED-optimal à 4-points : 2 difficultés non résolues Seuil, formules des points et des poids 19/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Contexte Designs MED-optimaux à 2-points souvent rencontrés : nombre de points inférieur au nombre de paramètres du modèle ⇒ ne permet pas d’estimer tous les paramètres du modèle. Première solution : modifier légèrement le design localement ˜ MED-optimal à 2-points ⇒ ξ(θ) ˜ = Modèles à 3 paramètres, ξ(θ) ˜ = Modèles à 4 paramètres, ξ(θ) d 0.48 d2 0.48 d 0.04 d 0.48 d2 0.48 d3 0.02 d 0.02 Design MED-optimal pour une valeur de θ ne permet pas d’estimer de façon optimale la MED d’une autre valeur de θ 20/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Mauvaise spécification des paramètres du modèle Notations ρ = (ρ0 , . . . , ρ3 ) : vrai vecteur de paramètres ⇒ ξ ∗ (ρ) : design localement MED-optimal associé θ : valeurs estimées a priori ˜ : design modifié associé ⇒ ξ(θ) ˜ eff(ξ(θ), ρ) = Ψ(ξ ∗ (ρ), ρ) ˜ Ψ(ξ(θ), ρ) 21/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Mauvaise spécification des paramètres du modèle Exemple : modèle Emax Fixer θ = (0, 0.4666, 25) Varier ρ = (0, ρ1 , ρ2 ) Résultats : ρ1 ρ2 eff Emax : (θ0 , θ1 , θ2 ) = (0, 0.4666, 25) 0.432 0.44 7/15 0.48 0.496 0.52 12 15 25 30 36 45 0.72 0.88 0.96 0.91 0.84 0.75 Si bons paramètres : efficacité égale à 0.96 ⇒ design a été modifié légèrement Perte d’efficacité causée par erreur de spécification des paramètres Mais design MED-optimal modifié reste raisonnablement efficace. 22/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Mauvaise spécification du modèle Hypothèses de l’exemple : ξ ∗ (ρ) : design localement MED-optimal du vrai modèle ˜ : design modifié du modèle candidat avec θ ξ(θ) Modèles candidats : Linéaire, Emax, Exponentiel, LinLog, Logistique Ajouter 2 doses aux designs optimaux à 2-points comme suivant : Modèle Linéaire Emax Exponentiel LinLog Logistique θ = (θ0 , . . . , θ3 ) (0, 0.00267) (0, 0.4666, 25) (0, 0.083, 85) (0, 0.08, 1) (-0.00404, 0.404, 50, 10.881) ˜ eff(ξ(θ), ρ) = d1 0 0 0 0 0 d2 50 18.75 104.26 11.18 50.22 d3 100 75 75 75 75 d4 150 150 150 150 150 w1 0.48 0.48 0.48 0.48 0.48 w2 0.02 0.48 0.48 0.48 0.48 Ψ(ξ ∗ (ρ), ρ) ˜ Ψ(ξ(θ), ρ) 23/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux w3 0.02 0.02 0.02 0.02 0.02 w4 0.48 0.02 0.02 0.02 0.02 Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse Résultats de l’exemple : Modèle ρ = (ρ0 , . . . , ρ3 ) Linéaire (0, 0.00267) Emax (0, 0.4666, 25) 0.04 Exponentiel (0, 0.083, 85) 0.11 0.10 LinLog (0, 0.08, 1) 0.02 0.61 Logistique (-0.00404, 0.404, 50, 10.881) 0.08 0.02 ξ̃[Lin] 0.96 ξ̃[Emax] 0.10 0.96 ξ̃[Exp] ξ̃[LinLog ] 0.50 0.09 0.17 0.01 0.71 0.17 0.97 0.07 0.31 0.01 0.96 0.06 0.22 0.01 0.96 ξ̃[Logistique] Efficacité varie beaucoup selon modèles Si Logistique vrai modèle et ξ˜[Emax] ⇒ très mauvaise efficacité : 0.02 Si Emax vrai modèle et ξ˜[Logistique] ⇒ moins mauvaise efficacité : 0.17 ⇒ Dans les 2 cas : perte d’efficacité Designs MED-optimaux modifiés très sensibles au choix du modèle. ,→ Quel type de design peut remédier à ce problème de mauvaise spécification des paramètres et/ou du modèle ? design robuste 24/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités Plan de la présentation 1 Introduction Contexte Méthode MCP-Mod 2 Plans d’expériences optimaux pour les études dose-réponse Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse 3 Plans d’expériences robustes Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités 4 Conclusion et Perspectives 25/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités Remarque : On s’intéresse maintenant à un ensemble de modèles. Définition 1 ∗ Un design ξM est appelé Maximin (localement) MED-optimal pour la classe F = {f1 , . . . , fm } des modèles dose-réponse candidats s’il permet d’estimer la MED pour tous les modèles dans F et s’il maximise le critère : min{effj (ξ) | j = 1, . . . , m}. Définition 2 Un design ξB∗ est appelé Bayésien MED-optimal pour la classe F = {f1 , . . . , fm } des modèles dose-réponse candidats s’il permet d’estimerPla MED pour tous les modèles dans F et s’il maximise le m critère : j=1 αj log effj (ξ) αi : probabilité du modèle α1 = . . . = αm = 1/m : si aucune information préalable sur les modèles Exponentiel du critère Bayésien : faciliter l’interprétation des résultats suivants 26/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités Application : Emax : (0, 0.4667, 25) Logistique : (-0.00404, 0.404, 50, 10.8811) α1 = α2 = 1/2 Intervalle de doses : [0, 150] ,→ Calculer le design MED-optimal pour chaque modèle Contrainte supplémentaire ,→ Doses : 0, 10, 25, 50, 100, 150 Design Traditionnel Calculer le design MED-optimal global (pour 2 modèles) avec la fonction calcOptDesign du package DoseFinding Calculer efficacité ,→ Déterminer les critères Maximin et Bayésien 27/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités Essai 0 : emax logistic ● ● ● ● ● 0.4 ● 0.2 ● Réponse ● 0.3 ● 0.0 ● ● ● 0.1 0 50 100 150 Dose Modèle Emax Logistique Design MED-optimal Doses Poids (0, 18.75, 150) (0.499, 0.5, 0.000017) (0, 50.22) (0.5, 0.5) 28/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités Essai 1 : Chaque design obtenu ici est comparé aux designs de l’essai 0 Designs Traditionnel MED-optimal global Doses Poids des doses (0, 10, 25, 50, 100, 150) (0, 10, 25, 50, 100, 150) (1/6,6) (0.385, 0.157, 0.064, 0.345, 0, 0.049) Efficacités Logistique Emax 0.409 0.454 0.802 0.616 exp(Critère Bayésien) Selon critère Maximin (en bleu) : Design Traditionnel est le moins efficace pour le modèle Logistique Design MED-optimal global est le moins efficace pour le modèle Emax Selon l’exponentiel du critère Bayésien : Efficacité du design MED-optimal global nettement supérieure au design Traditionnel ⇒ vrai pour chaque modèle 29/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux 0.431 0.703 Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités ,→ Parmi les designs cités, lequel donne le plus petit nombre d’observations pour une puissance souhaitée ? Exemple : Fixer la puissance à 80% et le risque α à 0.025 Modèles : Emax, Logistique (mêmes paramètres que précédent) Designs candidats : Design D-optimal global MED&D-optimal global MED-optimal global Traditionnel 1 Traditionnel 2 Doses (0, 25, 50, 150) (0, 25, 50, 150) (0, 10, 25, 50, 150) (0, 10, 25, 50, 100, 150) (0, 10, 25, 50, 150) Poids des doses (0.28536, 0.24854, 0.18907, 0.27702) (0.31576, 0.22762, 0.23772, 0.2189) (0.385, 0.157, 0.064, 0.345, 0.049) (1/6, 6) (1/5, 5) Designs optimaux calculés avec calcOptDesign y compris D-optimal et MED&D-optimal (mixte des 2 critères avec poids égaux) Fonction sampSize du package DoseFinding calcule pour une puissance souhaitée le nombre de sujets par groupe de dose pour détecter un effet dose. 30/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités Résultats : Design Nombre de sujets D-optimal global MED&D-optimal global MED-optimal global Traditionnel 1 Traditionnel 2 327 347 510 354 395 Critères d’efficacité Maximin Bayésien 0.456 0.546 0.545 0.607 0.616 0.703 0.409 0.431 0.491 0.517 Design MED-optimal nécessite 55% de sujets de plus que design D-optimal pour efficacité améliorée de 30-35% Design MED&D-optimal nécessite seulement 6% de sujets de plus que design D-optimal pour efficacité améliorée de 10-20% Designs traditionnels s’ils ne sont pas trop mauvais pour mettre en évidence un effet dose, sont moins efficaces que MED&D- et MED-optimal 31/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Plan de la présentation 1 Introduction Contexte Méthode MCP-Mod 2 Plans d’expériences optimaux pour les études dose-réponse Éléments méthodologies Résultats pour quelques modèles représentatifs Étude de la robustesse 3 Plans d’expériences robustes Éléments méthodologies Exemples de comparaisons des designs basés sur les critères robustes Taille de l’échantillon et efficacités 4 Conclusion et Perspectives 32/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Conclusion Designs localement MED-optimaux Solutions analytiques disponibles pour modèles Emax, Exponentiel, Linlog Solutions numériques pour modèle Logistique Programme R disponible pour le calcul de l’efficacité Sensibles (très sensibles) aux erreurs de spécifications des paramètres (des modèles) : ,→ Designs robustes : Maximin et Bayésien. 33/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Perspectives Compléter la construction du design MED-optimal à 4-points pour le modèle Logistique Implémenter l’algorithme de construction du design robuste Estimation de la MED doit être précédée par la démonstration d’un effet dose ,→ Design adaptatif Étape 1 : Sélection de modèle par un design D-optimal Étape 2 : Calcul de la MED par un design c-optimal 34/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux Introduction Plans d’expériences optimaux pour les études dose-réponse Plans d’expériences robustes Conclusion et Perspectives Références Bretz, F., Pinheiro, J., Branson, M. Combining Multiple Comparaisons and Modeling techniques in Dose-Response Studies Biometrics, 61, 738-748, (2005) Dette, H., Bretz, F., Pepelyshev, A., Pinheiro, J. Optimal Designs for Dose-Finding Studies Journal of the American Statistical Association, 103, 1226-1237, (2008) Bretz, F., Dette, H., Pinheiro, J. Practical Considerations for Optimal Designs in Clinical Dose Finding Studies Statistics in Medicine, 29, 731-742, (2010) Dette, H., Kiss, C., Bevanda, M., Bretz, F. Optimal Designs for the Emax, Log-Linear and Exponential Models Biometrika, 97, 513-518, (2010) 35/35 Kim Chi DUONG (M2 SITN) Dose-Finding: Plans d’expériences optimaux