跳到主要内容

结构化的专家启发,使用可选参数分布来告知长期生存外推:CAR - T治疗复发/难治性多发性骨髓瘤的一个案例研究

摘要

背景

我们的目的是通过整合来自临床试验的个体水平患者数据(IPD)和专家对长期生存的估计,扩展用于在成本-效果分析(cea)中推断生存的传统参数模型。这是通过在KarMMa(一项2期单臂试验)中评估三联暴露复发/难治性多发性骨髓瘤患者使用嵌合抗原受体(CAR) T细胞治疗的生存率的案例研究来说明的。

方法

根据KarMMa(13.3个月的随访)观察到的生存期,预期存活3年、5年和10年的患者分布由6位专家使用谢菲尔德启发框架(SHeffield ELicitation Framework)得出。从每个专家那里分别引出了大量的兴趣,这为包括所有专家在内的共识引出提供了信息。每个时间点的估计都假设遵循截断正态分布。这些分布被纳入生存模型,根据KarMMa的IPD提供的标准生存分布约束预期生存。

结果

与单独使用KarMMa数据的模型(3年11-39%,5年0-25%,10年0-11%)相比,结合了KarMMa数据和专家意见的idecel模型在生存率和10年平均生存率(不同参数模型下的存活点估计为3年29-33%,5年5 - 17%,10年0-6%)方面更加一致。

结论

本案例研究展示了一种透明的方法,利用传统的参数分布来整合来自试验的IPD和专家意见,以确保长期生存外判在临床上是合理的。

同行评审报告

背景

卫生技术评估机构通常在整个生命周期内评估新干预措施的成本效益。然而,在评估时,新干预措施的临床试验可获得的随访数据往往是有限的。在此背景下,国家健康与优质护理研究所(NICE)建议拟合替代参数模型以外推生存期,其中模型选择由视觉评估、对数危险图、拟合优度统计和临床有效性外推合理性的评估[12].最近,对于复杂的生存数据,更灵活的参数模型被推荐使用[3.],越来越多的人提议用它来评估免疫疗法等新干预措施的预期生存期[456]和嵌合抗原受体(CAR) T细胞疗法[7].随着使用更灵活的方法,考虑到这些方法在长期危险方面可能产生不太现实的形状,考虑外推的合理性就变得更加重要[3.].

Jackson等人在2017年发现了整合长期生存评估专家意见的潜力[8].然而,这种方法很少[91011]已被纳入成本效益分析(cea),而关于时间到事件结果的专家启发式研究却很少发表[1213].先前的研究根据经历过某一事件的患者的比例,得出了特定时间点的条件概率,而不是在具有多个参数的更灵活的生存模型中估计生存时间[1415].NICE最近制定了关于专家诱导方法的正式指南,包括Bojke等人(2021年)关于如何设计、诱导和整合专家反馈的参考协议[13].虽然这突出表明,人们越来越认识到专家征求意见作为支持决策的工具的作用越来越大,但没有针对生存的具体建议,而生存可能是一个关键的模型驱动因素。

标准做法通常包括与专家(通常是1名或更多)进行非正式磋商,向他们提供不同的生存推断,并要求他们确定最合理的模型;然而,这种方法可能具有“误导性”[16,容易产生偏见[3.].相比之下,Cope等人提出使用谢菲尔德启发框架(SHELF)在多个时间点提取长期生存估计[17].该研究通过一个案例研究,评估CAR - T细胞治疗复发或难治性急性淋巴细胞白血病的儿童和年轻人,证明了系统整合来自正式专家诱导研究(2、3、4和5年)和经验临床试验数据(1.5年随访)的长期生存估计的可行性[18].这说明了如何使用透明、稳健和可重现的方法来整合专家意见,以提高对长期生存外推的理解和临床合理性。据我们所知,该方法仅应用于一项NICE技术评估中,评估cemiplimab用于转移性或局部晚期皮肤鳞状细胞癌的治疗[ID1367],该委员会认为该研究“得到了明确的报道,似乎进行得很好”。脚注1

为了确保这些方法得到更广泛的应用,需要进行更多的研究来提高它们的易用性。Cope等人使用假设二项似然的分数多项式模型,将临床试验中观察到的生存数据的每个间隔的离散危害结合在一起[17].而不是定义时间间隔和计算离散的风险,从个人层面的患者数据(IPD)中使用确切的事件和审查时间可以提高准确性,并更接近于Latimer等人提出的标准实践。[2].此外,还需要扩展这些模型,使之超越一阶和二阶分数阶多项式模型,以包括在CEAs中最常用于生存外推的参数分布:Weibull、Gompertz、对数正态、对数逻辑、指数、gamma和广义gamma [18].因此,本研究的目的是通过整合临床试验的IPD和专家对长期生存的估计,扩展用于推断cea生存的传统参数模型。在这里,我们在贝叶斯框架中对生存进行建模,使用来自试验的标准时间到事件数据,并使估计受到专家意见确定的约束,通过结构化的启发练习进行估计。

案例研究

尽管早期的治疗方法有所改进,但复发/难治性多发性骨髓瘤(RRMM)患者如果接受了至少3种先前治疗,包括免疫调节剂、蛋白酶体抑制剂和抗cd38抗体(即三类暴露[TCE]),经常复发,生存期有限[19,这推动了几种新疗法的发展。Idecabtagene vicleucel (ide-cel, bb2121)反映了美国食品和药物管理局(FDA)批准的首个b细胞成熟抗原(BCMA)导向的CAR - T细胞疗法,用于先前接受4种或以上治疗方案的TCE合并rmm患者的治疗[20.].idecel也已被欧洲委员会批准用于治疗TCE rmm的成人患者,这些患者之前至少接受过3种治疗,并在最后一种治疗中显示疾病进展[21].基于关键的2期单臂KarMMa试验(NCT03361748), idecel在合并rmm的TCE患者中证实了频繁、深度和持久的反应[22].然而,在HTA评估时,KarMMa的长期生存估计被限制在少于24个月的随访(中位随访13.3个月)。这一证据代表了肿瘤学中许多新的干预措施通常可获得的有限随访,其中一种新的作用机制使得整合有关长期生存的外部证据具有挑战性。因此,本案例研究被用来说明如何将专家对长期生存的估计整合到参数模型中,否则将局限于临床试验的IPD。

方法

专家启发式

采用半结构化访谈进行前瞻性、定性研究,改编自SHELF [23].本研究是根据国际药物流行病学学会(ISPE)的良好流行病学实践指南进行的我们在图中总结了诱导过程。1,详情见“附加文件”1.招募有临床经验的肿瘤学家和血液学家,用bcma指导治疗TCE患者的RRMM。建立了一个证据档案,其中包含有关患者群体和结果的相关证据,以提供专家判断的共同基础。辅助人员通过基于web的应用程序指导每位专家获得总生存期(OS),说明了KarMMa的Kaplan-Meier (KM)曲线,以及专家对3年、5年和10年的迭代估计。在每个时间点,专家们首先被要求估计的下限和上限的合理限度(LPLs和UPLs),然后是最可能的值(MLV)的操作系统。在后续的协商一致会议上,专家们看到了每位专家的(匿名的)个人估计,然后有机会讨论和提供不同估计的理由。专家们从“理论公正的观察者”的角度出发,集体提供了OS在每个时间点的共识估计(UPL, LPL和MLV)。

图1
图1

启发式过程概述

模型参数化

参数生存分析将生存函数S(t)定义为超过给定时间的生存概率t.这被描述为对任意生存分布的累积分布函数的补:

$ $ S \离开(t, {\ varvec{\θ}}\右)= P \离开(t > t | {\ varvec{\θ}}\右)= 1 - \ mathrm {F} \离开(t, {\ varvec{\θ}}\右)$ $
(1)

专家意见整合

使用专家一致的mlv和OS的合理极限来定义每个时间点的预期生存期分布。从概念上讲,MLV对应于正态分布上下文中的均值。使用截断正态分布定义每个时间点的共识分布,以符合以下约束条件:1)生存以0和1为界;(2)合理限度和MLV可以重合(即预期10年生存率为0,因此MLV和下限都为0)。为了兼顾这两个约束,在每个诱导时间点,合理生存概率的分布Yj因此定义为:

$ $ {\ mathrm {Y}} _ {j} \ sim \ mathrm {N} \离开({\ upmu} _ {j}, {\ upsigma} _ {j} ^ {2} \) \ mathrm{我}\左({0 < \ mathrm {Y}} _ {j} < 1 \右)$ $
(2)

在哪里\ ({\ upmu} _ {j} \)为截断前分布的均值(和众数),为方差,\ ({\ upsigma} _ {j} ^ {2} \),是根据UPL和LPL为专家估计提供的区间宽度计算的,假设该区间反映了99th和1百分位数。对于专家提供的每一个生存估计,\ ({\ upmu} _ {j} \)与生存分布的设定有关吗\ ({\ upmu} _ {j} \)基于生存模型的预期生存:

$ $ {\ upmu} _ {j} = S \离开({t} _ {Ej}, {\ varvec{\θ}}\右)$ $
(3)

将生存函数S(t)与Y的专家概率分布的均值联系起来,有效地为参数的可能值增加了约束条件。这些约束的强度是由专家的信心决定的,通过分布的方差来衡量。

对于i = 1,…,试验中N个受试者,T是事件时间还是审查时间,δ是一个指标(δ= 1,如果观察到该事件,δ= 0为删减的观察)。生存分布被定义为密度f(t)|θ)和累积分布函数F(t|θ)及参数θ.专家的MLV, Yj,在M个时间点{tE, 1t,……E,米},密度为d(Yj|θ),由等式定义的截断正态分布。(2)及(3.).

完整贝叶斯模型指定了以下联合概率:

$ $ \ mathrm{公关}\离开({\ varvec{\θ}}| T \δY \) \ propto \ mathrm{公关}\离开(T \δY | {\ varvec{\θ}}\)\ mathrm{公关}\离开({\ varvec{\θ}}\右)= \离开(\ prod_ {i = 1} ^ {N} {f ({T} _{我}| {\ varvec{\θ}})}^{{\三角洲}_{我}}{(行进({T} _{我}| {\ varvec{\θ}}))}^{(1 -{\三角洲}_{我})}\)\离开(\ prod_ {j = 1} ^ {M} d ({Y} _ {j} | {\ varvec{\θ}})\)\ mathrm {p} ({\ varvec{\θ}})$ $
(4)

分析

对独立的参数模型进行评估:1)从kamma观察到的OS(无专家意见);2)结合专家对3年、5年和10年OS的共识估计,从KarMMa观察到OS。对下列参数模型进行了评估:Weibull, Gompertz, lognormal, log-logistic,指数,和广义gamma。具体参数详见补充表2,附加文件2.如祁等人所述,没有经历过死亡的个体被审查。[24].分析是在贝叶斯框架中进行的,具有近似的非信息先验分布,假设伽马分布(1.0 × 103, 1.0 × 103)对于严格为正的参数,以及对于实数轴上取值的实值参数的正态分布(0,τ = 0.0013.给出了分析和JAGS代码)。

利用R SHELF包,得到专家从协商一致会议中估计的概率分布的均值和方差。使用马尔科夫链蒙特卡罗(MCMC)方法估计参数,该方法在Just Another Gibbs Sampler (JAGS)(4.3.0版本)中实现(https://sourceforge.net/projects/mcmc-jags/files/)和R(版本4.0.4)(http://www.r-project.org)软件包。对于JAGS中具有内置函数的分布,使用观察到的事件时间来估计所选分布的参数。在JAGS中缺少log-logistic和Gompertz分布的简单规范的情况下,我们使用了零技巧来直接指定可能性。来自JAGS采样器的第一个系列的20,000次迭代被丢弃为“老化”,推理是基于使用2个链的50,000次额外迭代。盖尔曼-鲁宾统计量证实了链的收敛性。偏差信息准则(DIC)用于比较与数据(有或没有专家信息)的拟合优度。结果用95%可信区间(CrIs)的生存曲线和曲线下的面积(长达10年)来说明。

结果

专家启发式

专家(n= 6)有治疗相关人群的丰富经验(补充表1,附加文件1).专家对接受ide-cel治疗的KarMMa MLV患者3年生存率估计为25 - 35%,5年为5 - 20%,10年为0 - 5%(图1)。2).在较早的时间点,与较晚的时间点相比,专家之间的差异更大,尽管总体上估算的差异不大。在大多数情况下,存活率在3到10年逐渐下降,而专家1建议在10年下降更明显。与其他专家(专家2和6)相比,一些专家(专家1)更乐观,一些专家(专家4和6)更确定。

图2
图2

对接受ide-cel治疗的患者在每个时间点基于KarMMa的专家特异性和共识生存估计。观测数据包括OS曲线(实线)和相关99% CI(虚线)。点表示最可能的值,竖条表示可能的范围。缩写:CI,置信区间;Ide-cel, idecabtagene vicleucel;OS,总生存期

在观察到的kamma数据范围内(中位随访11.3个月;最大22.6个月),备选参数模型相当相似。然而,在外推的时间点上,模型出现了分歧。3年的点估计值为11 - 39%,5年为0 - 25%,10年为0 - 11%。3.).

图3
图3

基于观察到的kamma数据的长期生存估计(没有专家意见)。观测数据包括OS曲线(实线)和相关99% CI(虚线)。点表示最可能的共识值,竖条表示合理的范围。缩写:CI,置信区间;OS,总生存期

当模型结合了从KarMMa观察到的操作系统数据和专家意见时,与没有专家信息的模型相比,专家信息在参数模型中导致了更一致的估计(图5)。4).3年OS点估计值为29 - 33%,5年OS点估计值为5% - 17%,10年OS点估计值为0 - 6%。补充图3和4,附加文件4,图中生存外推的95% CrIs。3.而且4,分别。数字5说明了10年的平均生存期,这加强了如何在专家信息的整合和不确定性估计减少后,跨参数分布的点估计更紧密地对齐。模型的选择可以基于表中所示的DIC值1.仅从试验数据来看,Gompertz模型的DIC最低,尽管各模型之间只有5点的差异。当将专家意见与试验数据一起考虑时,Weibull和广义伽马模型的DICs最低,估计差异更大(14点),这有助于区分哪些模型与专家意见最接近。这可以被用作在没有专家信息的情况下支持所选模型的理论基础,或者可以直接使用集成了专家意见的估计。Gompertz和Weibull模型强调了专家意见的影响是如何根据基础分布而不同的。在试验数据范围之外,Gompertz预测在仅使用观察到的OS数据时生存率非常低。值得注意的是,在没有专家意见的情况下,模型的上限在3年时接近共识MLV,在5年时将其排除在外,表明该模型与专家意见不一致。因此,在该模型中加入专家意见后,在3年和5年的时间点上存活率大幅增加。使用威布尔分布会产生类似的变化,尽管没有专家信息的模型与专家估计更一致,因此在加入专家信息时导致较少的变化。对于这两个分布,仅观察到OS数据(无专家意见)的模型与观察到OS并有专家意见的模型在预测和ci上的差异如图所示。6

图4
图4

基于观察到的kamma数据和专家意见的长期生存估计。观测数据包括OS曲线(实线)和相关99% CI(虚线)。点表示最可能的共识值,竖条表示合理的范围。缩写:CI,置信区间;OS,总生存期

图5
图5

基于KarMMa的idecel治疗患者10年平均生存期(AUC)仅使用试验数据或将试验数据与专家信息相结合。缩写:AUC,曲线下的面积;ide-cel;idecabtagene vicleucel

表1所有模型的模型拟合统计数据
图6
图6

单纯基于KarMMa数据的Gompertz模型与基于KarMMa数据和专家共识意见的Gompertz模型比较。蓝色和黄色虚线表示95%可信区间。观测数据包括OS曲线(实线)和相关99% CI(虚线)。点表示一致的MLV,密度表示基于专家定义的似然范围的截断正态分布。缩写:CI,置信区间;MLV,最可能值;OS,总生存期

讨论

人们对精确外推临床试验随访期后存活估计的方法学越来越感兴趣[3.111825].利用传统参数模型,在危险恒定、增加、减少或单峰情况下推断生存,发现了平均增量成本-效果比及其不确定性的重要差异[26].在另一个案例研究中,包括更灵活的模型来推断单臂临床试验,导致预期生存期(即曲线下面积)的估计范围从1.19(威布尔)到2.11(对数-logistic)到3.31(样条曲线)到11.22(威布尔混合模型)年[4].考虑到这种结构不确定性的影响,目前的兴趣集中在纳入临床试验外部信息,以限制基于这些额外信息的合理外推生存率值。

我们已经正式征求了主题专家的意见,并将这些信念纳入参数生存模型。专家意见的好处是与所关注的人群相关,因为专家在收集过程中会考虑到这一点,而其他外部来源可能不会这样。此前,Cope等人[17]证明了系统整合从正式专家启发性研究中获得的长期生存估计与实证临床试验数据的可行性。这提供了一种透明、稳健和可复制的方法,将专家意见纳入模型选择过程[17].我们已经扩展了这项工作,使用最常用于cea的参数模型,基于IPD集成准确的单个事件和审查时间,而不是将分数多项式拟合到离散的危险。我们提供了这些模型的JAGS代码,包括专家信息和不包含专家信息,以鼓励其他人在未来需要cea的HTAs中使用或改编这些模型。包含专家意见不会从根本上改变模型的结构,这使得它很容易被纳入到CEA模型中。生存分布主要由数据定义,这些数据经过专家信息的修改,同时仍然保留生存分布的一般性质。这允许单一模型不受额外的主观建模选择的影响,如结的位置(如样条所要求的)、切点或将患者划分为不相交的组(如混合模型)。

使用来自KarMMa试验的数据有助于说明这些模型,并强调一旦专家意见被整合,模型之间的一致性增加,这旨在从临床角度提高外推的合理性。从Gompertz模型中可以看出,专家数据的加入消除了试验结束时存活率下降的影响。对数正态分布的特征是尾部的危险减少,这往往导致外推时的生存平台期是不现实的。因此,专家的意见把这个存活率拉到了一个更合理的范围内。这在我们的病例研究中特别值得注意的是,大量预处理的TCE患者合并RRMM,他们的生存结果很差。

由于专家不改变基础的参数模型,有可能专家的意见与特定的模型不一致,模型没有足够的灵活性来纳入专家信息。这就是对数正态分布的情况,添加专家信息是以在试验数据范围内降低曲线为代价的。因此,有专家信息和没有专家信息的对数正态模型之间的显著差异可以作为这种分布不是很适合数据的证据。然而,其他分布可以根据专家信息进行调整,并产生合理的长期生存预测,非常符合3年和10年的专家估计,而5年生存估计略低于专家信息,但仍在合理的范围内。因此,专家信息的影响可能取决于假设的生存分布。将我们的方法扩展到更灵活的模型可能是有趣的,如三次样条、分数阶多项式或混合模型,如NICE决策支持单元在最近的指导中所描述的,在这些模型中,约束对于确保合理的估计可能越来越重要[3.].

我们的方法类似于Guyot等人,他们也根据专家或观察数据的条件生存限制了参数估计[11].然而,我们解决了整合证据来源的挑战,我们有生存估计(在多个时间点),而不是有风险和有事件的患者数量。盖约等人[11]还用风险比来约束治疗效果,迫使其在特定时间点为1,具有一定的不确定性。未来的研究可以扩展我们的模型,将一种新干预的治疗效果与护理标准相比较,以整合来自随机对照试验的证据(或更广泛地将间接比较和网络元分析模型与多个感兴趣的比较者相比较)。在这种情况下,与直接询问治疗效果的限制因素(在特定时间点或询问治疗效果预期何时恢复)相比,分别询问专家对每个治疗组的生存估计的影响可能是有趣的。

除了在生存分布的参数中施加函数关系之外,还有Nikolaidis等人概述的共享信息的替代方法。[27].外部证据可以整合为先验信息,这是典型的整合专家意见的方法。在生存结果的背景下,Soikkeli等人使用成熟的历史试验数据作为先验信息,以告知关键试验的比较臂的形状参数[28].在我们的研究中,专家没有提供生存分布参数的直接信息,而是被问及在分布尾部特定时间的生存情况,这使得使用先验的集成变得复杂。由于试验的生存KM图被提交给专家,以告知他们的长期估计,试验本身可以用来告知生存参数的先验,同时建模专家信息的影响;然而,考虑到KM和专家估计之间的依赖性,我们更倾向于函数模型。这种方法还允许将其他来源作为先验进行整合,例如来自第一阶段试验的证据,以告知长期随访,而Soikkeli等人使用的是历史对照证据。[28就不太可能获得新的干预措施。混合先验(Efthimiou等。[29)或权力先验(Rietbergen et al.]30.)可以根据第一阶段和关键试验之间的差异来降低证据的权重。然而,可能有必要考虑专家是如何将这些早期试验信息纳入他们的估计的。

与其将外部信息作为函数关系或使用先验进行整合,还不如开发一个多层模型来整合不同的证据来源,类似于Schmitz等人结合来自不同研究设计的信息[31].这样做的好处是能够明确地控制来自试验和专家估计的相对权重。此外,这样的模型可能考虑到来自每个专家的估计和专家之间变化的估计(给定足够大的专家数量)的组合。取决于来自专家的估计是否单独提供了足够的信息来提供稳定的估计,未来的研究可以评估这在区间特定的分段或样条模型的背景下是否可行。

当前模型的一个潜在局限性是,专家估计的不确定性与模型中临床试验的样本量和事件率没有直接联系。因此,虽然相对于相同的专家估计,大型研究比小型研究更有分量,但尚不清楚专家估计的不确定性与试验的样本量有何关系。未来的研究可以通过评估专家诱导改变样本量的备选方案来探索这一点,或者通过让专家直接估计试验结束时可能死亡的危险患者的数量。在与专家不确定性相关的模型中增加或减少权重的专家估计中添加一个参数,可以提供一种直接的方法来探索专家相对于试验的相对权重。这可能有助于减轻案例研究的潜在限制,如在启发过程中潜在的偏见,专家的招募和专家的数量(附加文件1).

最后,采用截断正态分布来表征各时间点的专家分布,与专家提供的估计值吻合较好。使用beta分布可能更自然地符合专家提供的估计存活概率。然而,在10年时,MLV和LPLs均为0,这与beta分布不可合并。作为一种可能的扩展,可以使用多变量分布来说明不同时间点估计值之间的相关性。关于获得生存估计的最佳时间点的进一步研究将是有帮助的。选择特定时间点的条件概率作为感兴趣的量,以确保专家能够直接理解和引出;然而,对于时间到事件的结果,可以探索其他的兴趣量。最后,尚不清楚专家的不确定度是否真正等同于MLV的抽样分布。不同的专家可能会提供不同的可变性度量,这可能会影响模型的拟合。使用共识值应该可以缓解这种情况; however, this still assumes that the distributions derived from expert opinion are representative of the variability of S(t).

我们在TCE rmm的案例研究提供了一个代表性的例子,专家关于长期生存的意见为CAR - T细胞治疗增加了新的作用机制的信息,而除了2期研究的可用随访外,证据有限(N= 140)。鉴于这些经过大量预处理的患者的需求未得到满足,这种新疗法的批准提供了一个重要的新治疗选择,这也将在早期的治疗线中进行探索(NCT03651128)。随着长期生存估计变得更加有利,获得正确尾部的重要性加强了专家意见正式整合的作用。

结论

总体而言,本研究展示了一种结构化和透明的方法,将来自临床试验的IPD与使用传统参数模型的专家意见整合在一起,以确保长期生存推断是合理的。该方法在现有模型选择方法的基础上进行了改进,直接整合了专家的意见,可以改进CEAs和HTA的决策过程。这对于约束更灵活的参数模型将变得越来越重要,正如NICE决策支持小组最近的指南所建议的那样。

数据和材料的可用性

根据百时美施贵宝关于数据共享的政策,本研究所生成和分析的数据集可根据要求提供https://www.bms.com/researchers-and-partners/independent-research/data-sharing-request-process.html

笔记

  1. https://www.nice.org.uk/guidance/ta592/documents/committee-papers

缩写

AUC:

曲线下面积

BCMA:

b细胞成熟抗原

汽车:

嵌合抗原受体

东航:

成本效益分析

置信区间:

置信区间

中国国际广播电台:

可信区间

迪拜国际资本:

偏差信息判据

食品药品监督管理局:

美国食品和药物管理局

水平:

卫生技术评估

ide-cel:

Idecabtagene vicleucel

IPD:

个体层面的患者数据

缺口:

只是另一个吉布斯采样器

公里:

Kaplan-Meir

LPL:

合理下限

密度:

马尔可夫链蒙特卡洛

MLV:

最可能值

好:

国家健康和卓越护理研究所

操作系统:

总生存期

PFS:

无进展生存

RRMM:

复发/难治性多发性骨髓瘤

书架:

谢菲尔德启发框架

TCE:

此类暴露

推:

合理上限

参考文献

  1. 国家健康和优质护理研究所(NICE)。技术鉴定方法指南2013。过程和方法。2013.https://www.nice.org.uk/process/pmg9/resources/guide-to-the-methods-of-technology-appraisal-2013-pdf-2007975843781.2022年1月31日访问。

  2. Latimer N. NICE DSU技术支持文件14:临床试验的经济评价生存分析-患者水平数据的外推。由决策支持单位报告。2013.http://nicedsu.org.uk/wp-content/uploads/2016/03/NICE-DSU-TSD-Survival-analysis.updated-March-2013.v2.pdf.2022年1月31日访问。

  3. 卢瑟福MJ,兰伯特PC,斯威特廷MJ,彭宁顿B,克劳瑟MJ,艾布拉姆斯KR,等。NICE DSU技术支持文件21:生存分析的灵活方法。2020.http://nicedsu.org.uk/wp-content/uploads/2020/11/NICE-DSU-Flex-Surv-TSD-21_Final_alt_text.pdf.2022年1月31日访问。

  4. Ouwens MJNM, Mukhopadhyay P, Zhang Y, Huang M, Latimer N, Briggs A.评估与免疫肿瘤治疗相关的终身受益:总体生存外推的挑战和方法。药物经济学。2019;37(9):1129 - 38。

    文章谷歌学者

  5. Klijn SL, Fenwick E, Kroep S, Johannesen K, Malcolm B, Kurt M,等。时间告诉了我们什么?晚期或转移性肾细胞癌免疫肿瘤治疗的不同生存外推方法的比较和回顾性验证。药物经济学。2021;(3):345 - 56。

    文章谷歌学者

  6. 子弹A,拉蒂默NR,戈罗德HB。癌症免疫治疗中的生存外推:一个基于验证的案例研究。《价值健康》2019;22(3):276-83。

    文章谷歌学者

  7. Sussman M, Crivera C, Benner J, Adair N.应用最先进的生存外推技术评估CAR-T疗法:来自系统文献综述的证据。先知传2021;38(8):4178-94。

    文章谷歌学者

  8. Jackson C, Stevens J, Ren S, Latimer N, Bojke L, Manca A,等。使用外部数据从随机试验中推断生存率:方法综述。中华医学杂志2017;37(4):377-90。

    文章谷歌学者

  9. 王晓燕,王晓燕,王晓燕。卫生技术评价中专家启发式方法的比较研究。中华医学杂志。2016;16:85。

    文章谷歌学者

  10. Bojke L, Grigore B, Jankovic D, Peters J, Soares M, Stein K.使用成本效益模型告知报销决策:生成诱发先验以捕获模型不确定性的过程指南。药物经济学。2017;35(9):867 - 77。

    文章谷歌学者

  11. Guyot P, Ades AE, Beasley M, Lueza B, Pignon J-P, Welton NJ。利用外部信息从癌症试验中推断生存曲线。中华医学杂志2017;37(4):353-66。

    文章谷歌学者

  12. Soares MO, Sharples L, Morton A, Claxton K, Bojke L.基于模型的成本效益分析的结构化启发经验。价值健康。2018;21(6):715-23。

    文章谷歌学者

  13. Bojke L, Soares M, Claxton K, Colson A, Fox A, Jackson C等。为卫生保健决策中的结构化专家诱导制定参考方案:一项混合方法研究。卫生技术评估。2021;25(37):1-124。

    文章谷歌学者

  14. Soares MO, Bojke L, Dumville J, Iglesias C, Cullum N, Claxton K.在不确定量下引出专家信念的方法:应用于严重压疮负压创面治疗的成本-效果转换模型。中华医学杂志2011;30(19):2363-80。

    文章谷歌学者

  15. Garthwaite PH, Chilcott JB, Jenkinson DJ, Tappenden P.使用专家知识评估替代服务条款的成本和效益:一个案例研究。国际技术评估卫生保健杂志。2008;24(3):350-7。

    文章谷歌学者

  16. 史蒂文斯JW, Orr M.使用临床专家的信念来比较健康技术评估中的生存模型。2021.https://arxiv.org/abs/2109.06760.2022年1月31日访问。

  17. 张杰,张志刚,张志刚,张志刚,张志刚。整合专家意见和临床试验数据来推断长期生存:CAR-T治疗复发或难治性急性淋巴细胞白血病的儿童和年轻人的案例研究。医学与医学方法学2019;19(1):182。

    文章谷歌学者

  18. Guyot P, Welton NJ, Ouwens MJNM, Ades AE。随机对照试验和荟萃分析的生存时间结果:疗效和成本效益的平行宇宙。《价值健康》2011;14(5):640-6。

    文章谷歌学者

  19. Gandhi UH, Cornell RF, Lakshman A, Gahvari ZJ, McGehee E, Jagosky MH,等。cd38靶向单克隆抗体治疗难治性多发性骨髓瘤患者的结果。白血病。2019;33(9):2266 - 75。

    文章中科院谷歌学者

  20. 美国食品和药物管理局。处方信息的亮点- ABECMA。2021.https://www.fda.gov/media/147055/download.2022年1月31日访问。

  21. 欧洲药品管理局。首次以细胞为基础的基因疗法治疗成人多发性骨髓瘤。2021.https://www.ema.europa.eu/en/news/first-cell-based-gene-therapy-treat-adult-patients-multiple-myeloma.2022年1月31日访问。

  22. Munshi NC, Anderson LD, Shah N, Madduri D, Berdeja J, Lonial S,等。异卡布他烯在复发难治性多发性骨髓瘤中的应用。中华医学杂志2019;38(4):369 - 369。

    文章中科院谷歌学者

  23. 书架:谢菲尔德启发式框架(4.0版)。2019.http://www.tonyohagan.co.uk/shelf/SHELF4.html.2022年1月31日访问。

  24. 齐鑫,周山,Plummer M. JAGS截尾数据的贝叶斯建模规范。2020.https://arxiv.org/pdf/2012.02074.pdf.2022年1月31日访问。

  25. 临床试验的经济评价生存分析-患者水平数据的外推:不一致、局限性和实用指南。中华医学杂志。2013;33(6):743-54。

    文章谷歌学者

  26. Kearns B, Stevens J, Ren S, Brennan A.生存外推有多不确定?研究不同参数生存模型对危险函数、寿命平均生存期和成本效益外推不确定性的影响。药物经济学。2020;38(2):193 - 204。

    文章谷歌学者

  27. 高志强,王志强,王志强。分类信息共享方法。中华医学杂志。2021;21(1):107。

    文章谷歌学者

  28. Soikkeli F, Hashim M, Ouwens M, Postma M, Heeg B.基于历史试验的先验分布的生存数据外推。《价值健康》2019;22(9):1012-7。

    文章谷歌学者

  29. Efthimiou O, Mavridis D, Debray TPA, Samara M, Belger M, Siontis GCM,等。在网络元分析中结合随机和非随机证据。中华统计学杂志2017;36(8):1210-26。

    文章谷歌学者

  30. Rietbergen C, Groenwold RHH, Hoijtink HJA, Moons KGM, Klugkist I.贝叶斯分析和元分析研究权重的专家启发。J Mix Methods Res. 2016;10(2): 168-81。

    文章谷歌学者

  31. Schmitz S, Adams R, Walsh C.将来自不同试验设计的数据纳入混合治疗比较模型。中华统计学杂志2013;32(17):2935-49。

    文章谷歌学者

下载参考

确认

作者在准备这份手稿时得到了来自摘录pta Medica的Eilish McBurnie博士的编辑帮助,由Bristol Myers Squibb资助。作者完全负责所有的内容和编辑决定为这个稿件。

资金

这项研究得到了百时美施贵宝的支持。

作者信息

作者和隶属关系

作者

贡献

所有作者都对概念化和研究设计、数据获取、数据分析和数据解释做出了贡献。作者(们)阅读并批准了最终稿。

相应的作者

对应到香农应付

道德声明

伦理批准和同意参与

本研究是根据国际协调理事会的良好临床实践指南和赫尔辛基宣言的原则进行的。此外,它是根据国际药物流行病学学会(ISPE)的良好流行病学实践指南进行的。

研究方案、口头知情同意和放弃同意文件由Advarra机构审查委员会批准。

发表同意书

不适用。

相互竞争的利益

DA, SC, KT和AM是PRECISIONheor的员工。DD和TM是百时美施贵宝的雇员,并可能持有股份。

额外的信息

出版商的注意

188博金宝app网施普林格自然对出版的地图和机构附属的管辖权要求保持中立。

补充信息

附加文件1。

诱导方法的细节。表1。总结临床经验背景调查结果。图1所示。基于web的应用程序示例,用于评估之前的专家启发练习(模拟数据)。图2所示。绘图估计后的基于web的专家启发练习(模拟数据)应用程序示例。

附加文件2。

可选模型的参数化。表2。分析中使用的生存分布的参数化。

附加文件3。

分析R代码,用于有和没有专家意见的生存分析和相应的JAGS代码。

附加文件4:

图3。基于观察到的kamma数据(无专家意见)的长期生存估计和95% CrIs。图4。基于观察到的kamma数据和专家共识意见,长期生存估计和95% CrIs。

权利与权限

开放获取本文遵循创作共用署名4.0国际许可协议(Creative Commons Attribution 4.0 International License),该协议允许在任何媒体或格式中使用、分享、改编、分发和复制,只要您给予原作者和来源适当的署名,提供创作共用许可协议的链接,并说明是否有更改。本文中的图片或其他第三方材料包含在文章的创作共用许可中,除非在材料的信用额度中另有说明。如果材料不包含在文章的创作共用许可中,并且您的预期用途不被法律法规允许或超出了允许的用途,您将需要直接从版权所有者那里获得许可。欲查看此许可证的副本,请访问http://creativecommons.org/licenses/by/4.0/.创作共用公共领域奉献放弃书(http://creativecommons.org/publicdomain/zero/1.0/)适用于本文提供的数据,除非在数据的信用额度中另有说明。

转载及权限

关于本文

通过CrossMark验证货币和真实性

引用本文

艾尔斯,D。科普,S。托尔,K。et al。结构化的专家启发,使用可选参数分布来告知长期生存外推:CAR - T治疗复发/难治性多发性骨髓瘤的一个案例研究。BMC医学治疗方法22272(2022)。https://doi.org/10.1186/s12874-022-01745-z

下载引用

  • 收到了

  • 接受

  • 发表

  • DOIhttps://doi.org/10.1186/s12874-022-01745-z

关键字

  • 复发/难治性多发性骨髓瘤
  • 成本效果分析
  • 专家意见
  • 长期生存模式