多源数据整合的贝叶斯框架——从临床前研究到人体外推的应用

在临床前研究中，例如在体外、体内和计算机模拟（in silico）研究中，药物在进展至首次人体试验前需评估其药代动力学、药效学和毒理学特征。通常每项研究被独立分析，且人体剂量范围未充分利用所有研究获得的知识。通过推断程序考虑临床前数据，对于获得更精确可靠的起始剂量与剂量范围尤为有意义。我们提出一种用于临床前研究结果向人体外推的多源数据整合贝叶斯框架，可预测人体中关注的量（如最小有效剂量、最大耐受剂量等）。我们构建了一种分为四个主要步骤的方法：基于每项研究的序贯参数估计、向人体外推、后验分布间的可交换性检验，以及最终的信息合并以提高估计精度。该新框架通过一项基于 galunisertib 临床前开发中真实肿瘤学案例的广泛模拟研究进行了评估。与标准框架相比，我们的方法能更好地利用所有信息，降低预测中的不确定性，并可能带来更高效的剂量选择。