베이지안 임상시험과 적응 설계의 의사결정 프레임워크

임상시험의 중간 결정을 설계에 포함하는 방식

베이지안 임상시험과 적응 설계는 불확실성을 수치화하고, 중간분석 결과를 바탕으로 사전에 허용한 범위 안에서 시험을 조정하는 접근이다. 치료효과의 확률을 갱신하면서 조기 종료, 표본수 재추정, 무작위배정 비율 변경 같은 결정을 연결할 수 있다.

베이지안 임상시험은 사전분포(prior)와 관측 데이터를 결합해 사후분포(posterior)를 업데이트하고 치료효과를 확률로 판단하는 프레임워크다. 의사결정 기준은 후행확률 또는 예측확률로 정하며, 유효성이나 무용성에 따른 조기 종료와 결합할 수 있다.

적응 설계는 시험 도중 표본수, 팔 구조, 랜덤화 비율, 모집단 하위군 등의 요소를 바꾸는 절차다. 변경은 반드시 사전에 규정된 규칙을 따라야 한다. 베이지안과 빈도주의 모두에서 사용할 수 있지만, 베이지안 프레임은 연속적 갱신과 의사결정 확률 계산에 적합하다.

베이지안 적응 설계는 Type I/II error, 평균 표본수, 편향 등의 운영 특성(Operating Characteristics)을 사전 시뮬레이션으로 검증해야 한다. FDA/EMA는 사전 명세, 의사결정 규칙의 투명성, 독립적 데이터모니터링위원회(DMC), 운영 분리를 요구하며, 최신 지침/가이던스는 최신 정보 확인이 필요하다.

사전분포부터 분석 모델까지의 선택

사전분포는 비정보적 또는 약정보 사전으로 둘 수 있고, 전문가 엘리시테이션이나 외부 증거를 활용한 MAP/commensurate priors의 동적 차용도 가능하다. 외부 데이터와 현재 시험 데이터가 다를 수 있으므로 가중 사전이나 로버스트 사전으로 과도한 차용을 막아야 한다.

종말점의 형태에 따라 이항, 생존, 연속형 자료에 맞는 GLM, 혼합모형, 베이지안 생존모형을 적용한다. 추론에는 MCMC, HMC(NUTS), 근사법(INLA, Laplace)을 사용할 수 있으며, 수렴과 진단 절차를 사전에 명세한다.

모델은 사후예측검정(PPC), 민감도 분석, prior-data conflict 점검으로 확인한다. 모델과 사전분포에 따른 변경은 규칙 기반으로 제한해야 한다.

중간분석에서 적용하는 판단 기준

후행확률과 예측확률은 중간 의사결정의 기준이 된다. P(효과>0|데이터) ≥ θE이면 조기 성공을 판단하고, 예측확률(Predictive Probability)이 θF 이하이면 무용성 중단을 검토할 수 있다. 다중 종말점이나 하위군을 함께 볼 때는 계층 게이팅 또는 베이지안 다중비교 조정을 적용한다.

운영특성 캘리브레이션은 전반적 Type I 유사 통제를 위한 기반이다. 보수적 임계값과 로버스트 사전을 적용하고, 빈도주의 지표도 함께 보고하는 방식이 권장된다.

분석 시점에는 데이터 락 기준과 누락·지연 데이터 처리 규칙을 분명히 해야 한다. 안전성 신호를 우선하는 규칙도 함께 명시한다.

적응이 바꾸는 시험의 형태

표본수 재추정과 단계적 중단에서는 정보기반(information-based) 표본수 업데이트와 중간분석 시점 배치가 핵심이다.

반응적응 무작위배정(RAR)은 성과가 좋은 팔에 더 많은 환자를 배정한다. 이때 탐색과 이용의 균형, 시간적 추세에 따른 교란 보정이 필요하다.

플랫폼, 바스켓, 엄브렐라 설계에서는 팔을 추가하거나 제거하고 하위군 풍부화(enrichment)를 적용할 수 있다. 이 구조는 동적 팔 관리와 사전 정의된 변경 규칙을 전제로 한다.

시뮬레이션과 운영 환경이 설계를 지탱한다

설계 캘리브레이션은 여러 시나리오에서 Type I/II, 평균 표본수, 조기 종료율, 편향과 정확도를 평가하는 과정이다. 사전분포나 모형의 오정규화, 드리프트, 센터효과를 포함한 민감도 및 강건성 평가도 필요하다.

재현성을 위해 시드를 고정하고, 분석 환경을 컨테이너화하며, 의사결정 코드의 사전 해시를 저장한다. 리포팅은 모듈형으로 구성할 수 있다.

운영 측면에서는 블라인드를 유지하고 독립 DMC를 두며, 통계 운영팀과 임상팀 사이의 의사결정 인터페이스를 분리한다. EDC→ETL→분석 환경 파이프라인에는 RBAC, 변경 감사 로그, 데이터 락과 릴리즈 정책이 필요하다. SAP/SDD/Charter에는 의사결정 규칙, 중간분석 스케줄, 에러 처리까지 사전에 문서화한다.

초기용량 탐색에서의 활용

초기용량 탐색에서는 DLT 25~35% 범위의 최대내성용량(MTD)을 찾는 것이 목표다. 베이지안 로지스틱 회귀(BLRM)로 용량-독성 곡선을 추정하고, 코호트별 예측독성확률을 기준으로 용량을 상향·유지·하향한다.

운영 시에는 과도한 독성 확률 상한인 예: 0.25를 안전성 경계로 두고 Escalation with Overdose Control(EWOC)을 적용한다.

외부 정보를 차용하는 희귀질환 시험

희귀질환의 소표본 시험에서는 외부 자연사 코호트나 이전 연구 결과에서 정보를 차용할 수 있다. commensurate/MAP priors는 유사성이 높은 부분에 가중치를 두고, 현재 자료와 불일치하면 차용을 자동으로 축소한다.

이 접근은 평균 표본수를 20~40% 절감할 수 있다. Type I 상승 위험은 로버스트 사전으로 완화한다.

플랫폼 시험의 팔 관리

동일 적응증에서 여러 치료제를 동시에 평가하는 플랫폼 시험은 공통 대조군과 베이지안 계층모형을 이용해 팔 간 정보를 공유한다. 사전에 정한 규칙에 따라 성과가 미달한 팔을 제거하고 신규 팔을 추가한다.

팔의 진입과 퇴출 시점, 알파 소비 또는 베이지안 임계값의 재캘리브레이션은 미리 정의해야 한다.

예측확률로 조기 성공과 무용성을 판단할 때

임시 분석 시점마다 예측확률을 계산하고 θE와 θF 기준으로 조기 결론을 내릴 수 있다. 이는 환자 윤리성 제고와 비용 절감을 목표로 한다.

종말점이 지연되는 경우에는 부분 정보 업데이트와 누적 이벤트율 트리거를 포함한 처리 전략이 필요하다.

우월 시나리오에서는 평균 표본수를 15~~40% 줄일 수 있고, 무용 시험의 조기 중단 비율도 높아진다. 중간분석 1~~2회를 포함할 때 개발 기간이 3~9개월 단축된 사례가 다수 있으며, 열등 팔 배정과 SAE 노출을 줄이는 효과도 기대할 수 있다.

확률 기반 근거는 의사결정의 투명성과 이해관계자 설득력을 높인다. 플랫폼과 다중 팔 설계에 맞는 유연성은 파이프라인의 민첩성에도 연결된다. 다만 사전 시뮬레이션과 로버스트 사전 없이 적용하면 모델 오정규화와 운영 실수의 위험이 커진다.

중간분석의 처리 경로

⤢✕

고정 설계와 대비되는 운영 특성

측면	베이지안 적응 설계	전통 고정 설계
성능(평균 표본수)	우월 시나리오에서 15~40% 절감, 무용 중단 가능	사전 고정, 조기 중단 제한
확장성(다중 팔/플랫폼)	팔 추가/삭제 용이, 공통 대조군로 효율적	프로토콜 재설계·승인 부담 큼
일관성(Type I/II 관리)	시뮬레이션 기반 캘리브레이션 필요, 로버스트 사전으로 보완	공인된 분석법으로 명확, 보수적
안정성(모델 민감도)	사전·모형 의존, PPC/민감도 분석 필수	모델 의존 낮음, 단 유연성 부족
운영 편의(IT/거버넌스)	DMC·분석 파이프라인·감사 추적 필요	운영 단순, 리드타임 길어짐

베타-이항 모델로 보는 인터림 조기 중단

다음은 R 4.3+, rstan 2.26+ 또는 Rcpp 없음 환경에서 재현성을 위해 구성한 단순 베타-이항 폐형 예시다.

# 환경: R 4.3+, 필요 패키지 없음
set.seed(42)

post_prob_efficacy <- function(success_t, n_t, success_c, n_c,
                               a0=1, b0=1, # Beta(1,1) 사전
                               delta=0.1,  # 최소 임상적 차이
                               nsim=20000) {
  # 베타-이항 폐형 사용, 치료/대조 사후에서 샘플링
  p_t <- rbeta(nsim, a0 + success_t, b0 + n_t - success_t)
  p_c <- rbeta(nsim, a0 + success_c, b0 + n_c - success_c)
  mean((p_t - p_c) > delta)
}

interim_decision <- function(data_t, data_c,
                             theta_E=0.975, theta_F=0.05, delta=0.1) {
  n_t <- length(data_t); n_c <- length(data_c)
  s_t <- sum(data_t);    s_c <- sum(data_c)
  pp <- post_prob_efficacy(s_t, n_t, s_t, n_c, delta=delta)
  decision <- if (pp >= theta_E) "Stop for efficacy"
    else if (pp <= theta_F) "Stop for futility"
    else "Continue"
  list(pp=pp, decision=decision, n_t=n_t, n_c=n_c, s_t=s_t, s_c=s_c)
}

# 예시 데이터(인터림 시점)
data_t <- rbinom(40, 1, 0.55) # 치료군
data_c <- rbinom(40, 1, 0.40) # 대조군

res <- interim_decision(data_t, data_c, theta_E=0.975, theta_F=0.05, delta=0.1)
print(res)

인터림 분석마다 누락·지연 이벤트를 별도 플래그로 관리하고, 데이터 락 뒤에 분석을 실행한다. θE와 θF는 사전 시뮬레이션으로 조정해 전반적 Type I/II 목표를 만족시켜야 한다. MCMC를 쓴다면 수렴 실패 시나리오와 보수적 결정 유지 규칙을 SAP에 명시한다.

효율성과 통제 사이의 설계 선택

설계, 사전분포, 의사결정 규칙, 에러 처리, 데이터 흐름은 SAP/SDD에 구체적으로 적는다. DMC의 독립성, 블라인드 유지, 롤기반 접근, 분석 코드 해시와 버전 고정으로 통제 범위를 유지한다. 드리프트, 지연, 센터 이질성을 포함한 다양한 시나리오를 먼저 시뮬레이션하고, 컨테이너 기반 파이프라인과 CI, 인터림 리포트 자동화로 재현성을 뒷받침한다.

적응 규칙이 복잡해질수록 효율성은 얻을 수 있지만 교육과 검증 비용도 증가한다. 사전 차용은 표본수 절감에 유리한 반면 이질성과 바이어스 위험이 있다. 플랫폼 설계는 민첩하지만 변경 관리와 문서화 부담이 크다.

베이지안 임상시험과 적응 설계의 성패는 확률 계산 자체보다 설계 전 단계의 명세와 검증에 달려 있다. BLRM이나 조기 중단처럼 단순한 적응에서 시작해, 운영 역량과 거버넌스가 갖춰진 뒤 플랫폼 설계와 동적 차용으로 확장할 수 있다.