Bayesian Adaptive + Platform Trials

Master protocol — 다중 처치, 다중 질문, 다중 subgroup

Bayesian adaptive trial 과 platform trial 의 결합. (1) Bayesian inference 의 임상 trial 적합성 — Berry et al. (2010), (2) Platform trial 의 master protocol 구조, (3) I-SPY 2 의 biomarker-driven adaptive enrichment, (4) REMAP-CAP 의 community- acquired pneumonia + COVID-19, (5) RECOVERY 의 효율성 — dexamethasone, baricitinib, (6) Master protocol 의 운영적 도전 — DSMB, IRB, 통계, (7) 시뮬레이션.

Experimentation
Clinical Trial
저자

Kwangmin Kim

공개

2026년 05월 09일

출처

이 글은 사전지식 기반 (교재 미확인 — agent 사전학습 기반). 핵심 인용 — Berry et al. (2010), Barker et al. (2009), Angus et al. (2020), Park et al. (2020).

이 글은 J-ADAPT 시리즈의 세 번째 글. Bayesian adaptive + Platform trial 의 결합 — master protocol 의 정통 — 을 다룬다.

1 진입 직관 — “한 protocol, 여러 약, 여러 질문”

전통 RCT: 각 약에 대해 별도 trial. protocol 별도 + control arm 별도.

Platform trial 의 한 줄 원리: 하나의 master protocol 로 여러 처치 arm 동시 평가. 공통 control + Bayesian adaptive + biomarker-driven enrichment.

결과: 효율 ↑ 비용 ↓ 시간 ↓. 동시 다중 질문 답변.

1.1 비유

팀 vs 개별: 팀 단위 협업 (한 개의 platform) 가 공통 인프라 공유. 개별 (각자 trial) 은 infrastructure 중복.

2 Bayesian Adaptive 의 임상 trial 적합성 (Berry 2010)

2.1 핵심 명제

Bayesian framework 가 adaptive trial 에 자연스럽게 적합.

2.2 이유

  1. Continuous learning: 매 환자마다 posterior update
  2. 모든 정보 활용: likelihood 로 prior + data 통합
  3. Stopping rule 자연: posterior probability 기반 (예: \(P(\text{efficacy}) > 0.95\))
  4. Subgroup 효과 분석 자연: hierarchical model 로 partial pooling

2.3 도전

  1. Prior 선택: 영향력 큼, robust 분석 필요
  2. Computation: MCMC 등 무거움 (현대는 빠름)
  3. Regulatory: FDA 가 점차 수용 (2010 이후)

3 Platform Trial 의 Master Protocol

3.1 정의

하나의 protocol 으로 여러 sub-trial 운영. 각 sub-trial 은 별도 arm 또는 별도 disease subset.

3.2 구조

Master Protocol
├── Common Inclusion/Exclusion criteria
├── Common control arm
├── Common outcome measures
├── Common DSMB (Data Safety Monitoring Board)
├── Sub-trial 1: Drug A vs Control (subgroup A1)
├── Sub-trial 2: Drug B vs Control (subgroup A1, A2)
├── Sub-trial 3: Drug C vs Control (subgroup A2, B1)
└── ... (새 arm 추가 가능)

3.3 장점

  • Common control 공유 — sample 효율
  • 동시 평가 — 시간 효율
  • Drop arm 유연 — 효과 없는 약 조기 종료
  • Add arm 유연 — 새 약 prompt 평가

3.4 도전

  • Operational complexity: 다수 IRB, regulatory, sponsor
  • Statistical: 다중 비교, 동시 stopping rule
  • Logistic: 다수 site 의 다수 약 동시 dispense

4 I-SPY 2 — Biomarker-Driven Adaptive Enrichment

4.1 시나리오

유방암 neoadjuvant therapy — 수술 전 약 평가. Pathologic complete response (pCR) 측정.

4.2 Master Protocol

Tumor biomarker subtype 으로 환자 분류:

  • HR+/HER2-/MammaPrint Low
  • HR+/HER2-/MammaPrint High
  • HR-/HER2-
  • HER2+
  • 등 8 subtype

4.3 Adaptive Mechanism

Bayesian RAR — 각 약의 각 subtype 에서 효과 의 posterior. Subtype 별로 효과 좋은 약 graduate (Phase 3 진입), 효과 없는 약 drop.

4.4 결과

  • 다수 약 평가 — 일부 graduate (예: Veliparib + Carboplatin for triple-negative)
  • 표준 RCT 대비 시간 ↓ 비용 ↓ 환자 ↓

4.5 의의

Personalized medicine 의 임상 trial 모델. 표준화.

5 REMAP-CAP — Community-Acquired Pneumonia → COVID-19

5.1 시나리오

Community-acquired pneumonia (CAP) 의 master protocol. 다수 처치 arm — antibiotic, antiviral, immunomodulator.

5.2 COVID-19 Pivot

2020 년 3 월 COVID-19 입원 환자에게 적용. 기존 platform 활용 — prompt 적응.

5.3 결과

COVID-19 의 hydrocortisone, tocilizumab, sarilumab 등의 효과 빠른 평가. JAMA 2020-2021 다수 publication.

5.4 의의

Pandemic preparedness — pre-existing platform 의 가치. Disease 변화 시 prompt response.

6 RECOVERY — UK COVID-19 Platform

6.1 시나리오

영국 NHS 의 COVID-19 입원 환자. 간단 protocol — open-label randomization.

6.2 Arms

  • Dexamethasone vs usual care
  • Hydroxychloroquine vs usual care
  • Lopinavir-ritonavir vs usual care
  • Azithromycin vs usual care
  • Tocilizumab vs usual care
  • Convalescent plasma vs usual care
  • Aspirin vs usual care
  • Colchicine vs usual care
  • Casirivimab/imdevimab vs usual care
  • Baricitinib vs usual care

6.3 핵심 결과

  • Dexamethasone: 사망률 17% ↓ (severe), 35% ↓ (ventilated). NEJM 2021.
  • Tocilizumab: 사망률 ↓
  • Hydroxychloroquine: 효과 없음 (drop)
  • Baricitinib: 사망률 ↓

6.4 효율

100,000 명 이상 등록. Pandemic 의 최대 contributor — 표준 RCT 라면 수년 + 수백 trial.

7 Master Protocol 의 운영적 도전

7.1 1: DSMB (Data Safety Monitoring Board)

다수 arm 의 interim 결과 동시 monitoring. Conflict of interest 관리.

7.2 2: IRB (Institutional Review Board)

다수 site 의 IRB 동시 승인. Standardized protocol 로 효율화.

7.3 3: Statistical

다중 비교 보정. Common control 의 time trend 처리. Bayesian hierarchical 모델 표준.

7.4 4: Regulatory

각 약의 FDA filing — master protocol 의 standardized data. FDA 의 platform trial guidance (2020+).

8 Park et al. (2020) — Master Protocol 정리

8.1 의의

Master protocol design 의 체계적 review. 사례, 통계, 운영.

8.2 카테고리

  • Basket trial: 같은 약, 다양 disease (biomarker)
  • Umbrella trial: 같은 disease, 다양 약 (biomarker subtype)
  • Platform trial: I-SPY 2, REMAP-CAP 등 — 다양 약 + 다양 subgroup, 시간 따라 추가/제거

9 Angus et al. (2020) — REMAP-CAP 정리

9.1 의의

COVID-19 platform trial 의 prompt 응답 사례. Pre-existing platform 의 가치.

10 시뮬레이션 — Bayesian Platform Trial

import numpy as np

np.random.seed(42)

# 시나리오: 1 control + 3 treatment arms
# Control: 0.30 사망률
# Treat A: 0.25 (효과 약함)
# Treat B: 0.20 (효과 좋음)
# Treat C: 0.30 (효과 없음)
true_p = [0.30, 0.25, 0.20, 0.30]
n_arms = len(true_p)

# Beta(1,1) prior
alpha = np.ones(n_arms)
beta = np.ones(n_arms)

n_total = 600
n_mc = 1000

# Adaptive randomization with smoothing
def get_assignment_probs(alpha, beta, n_mc=1000):
    # control 은 항상 0.25 fixed (common control)
    # Treatments 사이 비교
    n_arms = len(alpha)
    samples = np.random.beta(alpha, beta, size=(n_mc, n_arms))
    # Treatment arms (1, 2, 3) 중 best
    best = np.argmin(samples[:, 1:], axis=1)   # 사망률 낮은 게 best
    p_best = np.array([np.mean(best == k) for k in range(n_arms - 1)])
    p_best = p_best ** 0.5
    p_best = p_best / p_best.sum() * 0.75   # 0.75 만 treatments 에 배분
    p_assign = np.concatenate([[0.25], p_best])
    return p_assign

assignments = []
outcomes = []

# Drop arm threshold: P(arm worse than control) > 0.95
dropped = [False] * n_arms

for n in range(n_total):
    p_assign = get_assignment_probs(alpha, beta, n_mc)

    # 환자 배정
    available = [k for k in range(n_arms) if not dropped[k]]
    p_avail = np.array([p_assign[k] for k in available])
    p_avail = p_avail / p_avail.sum()
    arm = np.random.choice(available, p=p_avail)

    outcome = np.random.binomial(1, true_p[arm])

    # Update posterior
    if outcome == 1:
        alpha[arm] += 1
    else:
        beta[arm] += 1

    assignments.append(arm)
    outcomes.append(outcome)

    # Check drop (arm worse than control with high probability)
    if n > 50:
        samples = np.random.beta(alpha, beta, size=(n_mc, n_arms))
        for k in range(1, n_arms):
            if not dropped[k]:
                p_worse = np.mean(samples[:, k] > samples[:, 0])
                if p_worse > 0.95:
                    dropped[k] = True
                    print(f"  [n={n+1}] Arm {k} dropped (P(worse than control) = {p_worse:.3f})")

assignments = np.array(assignments)
outcomes = np.array(outcomes)

print(f"\n[Bayesian Platform Trial 시뮬레이션]")
print(f"진짜 mortality rates: {true_p}\n")
print(f"각 arm 의 환자 수 + 결과:")
for k in range(n_arms):
    n_k = (assignments == k).sum()
    obs_p = outcomes[assignments == k].mean() if n_k > 0 else 0
    print(f"  Arm {k}: n = {n_k}, obs mortality = {obs_p:.3f}, dropped: {dropped[k]}")

# Posterior summary
print(f"\n[Final posterior]")
samples_final = np.random.beta(alpha, beta, size=(n_mc, n_arms))
for k in range(n_arms):
    p_better_than_control = np.mean(samples_final[:, k] < samples_final[:, 0])
    median = np.median(samples_final[:, k])
    print(f"  Arm {k}: posterior median = {median:.3f}, P(better than control) = {p_better_than_control:.3f}")

11 결론

Platform trial = master protocol + Bayesian adaptive + biomarker enrichment. I-SPY 2 (유방암), REMAP-CAP (CAP→COVID), RECOVERY (COVID) 의 표준 사례. Pandemic 에서 prompt 응답 의 가치 입증. Bayesian framework 의 자연스러운 적합.

핵심 메시지:

  1. Platform trial: master protocol, 다중 arm
  2. Berry 2010 Bayesian adaptive: continuous learning
  3. I-SPY 2: biomarker-driven enrichment
  4. REMAP-CAP: pandemic pivot
  5. RECOVERY: scale + 효율 — dexamethasone breakthrough
  6. Park 2020: basket / umbrella / platform 분류
  7. 운영 도전: DSMB, IRB, 통계, regulatory

다음 글: FDA Adaptive Designs.

12 관련 주제

선행 지식

Phase J 후속 글

13 참고문헌

  • Berry, S. M., Carlin, B. P., Lee, J. J., Müller, P. (2010). Bayesian Adaptive Methods for Clinical Trials. CRC Press.
  • Barker, A. D., Sigman, C. C., Kelloff, G. J., Hylton, N. M., Berry, D. A., Esserman, L. J. (2009). I-SPY 2: an adaptive breast cancer trial design. Clin. Pharmacol. Ther. 86, 97-100.
  • Angus, D. C. et al. (REMAP-CAP) (2020). The REMAP-CAP (Randomized Embedded Multifactorial Adaptive Platform for Community-acquired Pneumonia) study: rationale and design. Annals of the American Thoracic Society 17, 879-891.
  • Park, J. J. H., Siden, E., Zoratti, M. J., Dron, L., Harari, O., Singer, J., Lester, R. T., Thorlund, K., Mills, E. J. (2020). Systematic review of basket trials, umbrella trials, and platform trials. Trials 20, 572.
  • RECOVERY Collaborative Group (2021). Dexamethasone in hospitalized patients with COVID-19. NEJM 384, 693-704.
  • The WHO Rapid Evidence Appraisal for COVID-19 Therapies (REACT) Working Group (2020). Association between administration of systemic corticosteroids and mortality among critically ill patients with COVID-19. JAMA 324, 1330-1341.

Subscribe

Enjoy this blog? Get notified of new posts by email: