一种混合先验贝叶斯方法用于全球药物开发中的国内真实数据与海外数据的整合

背景：混合临床试验设计将随机对照试验（RCT）与真实世界数据（RWD）相结合，通过动态整合外部数据来提高效率。现有方法如元分析预测先验（MAP）在控制数据异质性、调整基线差异或优化动态借阅比例方面不足，引入偏差并限制了在桥接试验和多区域临床试验（MRCT）中的应用。目标：本研究提出一种新型混合贝叶斯框架（EQPS-rMAP），以解决多源数据整合中的异质性和偏差问题，通过仿真和对risankizumab在中重度斑片状皮肤炎疗效的回顾性案例分析进行验证。设计与方法：EQPS-rMAP 通过倾向得分分层消除基线协变量差异，构建分层特异的 MAP 先验以动态调整外部数据的权重，并引入等价概率权重来量化数据冲突风险。我们在六个仿真情景（异质性差异、基线偏移）和真实世界案例分析中评估了其性能，将其与传统方法（MAP、PSMAP、EBMAP）进行比较，关注估计偏差、类型 I 误差控制和样本量要求。结果：仿真结果表明，EQPS-rMAP 在显著异质性下保持估计鲁棒性，同时减少样本量需求，提高试验效率。案例分析确认其在外部偏差控制和准确性方面优于传统方法。结论与意义：EQPS-rMAP 为混合临床试验设计提供了实证依据。通过自适应机制解决基线异质性冲突，使其能够在桥接试验、MRCT 和上市后研究中可靠地整合外部数据和真实世界数据，拓宽适用范围而不妥协严谨性。